MapReduce Shuffle过程详解

时间 2019-11-12

原文原文链接

Shuffle的正常意思是洗牌或弄乱，可能你们更熟悉的是Java API里的Collections.shuffle(List)方法，它会随机地打乱参数list里的元素顺序。若是你不知道MapReduce里Shuffle是什么，那么请看这张图：web

map端的状况数组

整个流程我分了四步。简单些能够这样说，每一个map task都有一个内存缓冲区，存储着map的输出结果，当缓冲区快满的时候须要将缓冲区的数据以一个临时文件的方式存放到磁盘，当整个map task结束后再对磁盘中这个map task产生的全部临时文件作合并，生成最终的正式输出文件，而后等待reduce task来拉数据。性能优化

固然这里的每一步均可能包含着多个步骤与细节，下面我对细节来一一说明：
1. 在map task执行时，它的输入数据来源于HDFS的block，固然在MapReduce概念中，map task只读取split。Split与block的对应关系多是多对一，默认是一对一。在WordCount例子里，假设map的输入数据都是像“aaa”这样的字符串。app

2. 在通过mapper的运行后，咱们得知mapper的输出是这样一个key/value对： key是“aaa”， value是数值1。由于当前map端只作加1的操做，在reduce task里才去合并结果集。前面咱们知道这个job有3个reduce task，到底当前的“aaa”应该交由哪一个reduce去作呢，是须要如今决定的。函数

MapReduce提供Partitioner接口，它的做用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪一个reduce task处理。默认对key hash后再以reduce task数量取模。默认的取模方式只是为了平均reduce的处理能力，若是用户本身对Partitioner有需求，能够订制并设置到job上。性能

在咱们的例子中，“aaa”通过Partitioner后返回0，也就是这对值应当交由第一个reducer来处理。接下来，须要将数据写入内存缓冲区中，缓冲区的做用是批量收集map结果，减小磁盘IO的影响。咱们的key/value对以及Partition的结果都会被写入缓冲区。固然写入以前，key与value值都会被序列化成字节数组。整个内存缓冲区就是一个字节数组。优化

3. 这个内存缓冲区是有大小限制的，默认是100MB。当map task的输出结果不少时，就可能会撑爆内存，因此须要在必定条件下将缓冲区中的数据临时写入磁盘，而后从新利用这块缓冲区。这个从内存往磁盘写数据的过程被称为Spill，中文可译为溢写，字面意思很直观。这个溢写是由单独线程来完成，不影响往缓冲区写map结果的线程。溢写线程启动时不该该阻止map的结果输出，因此整个缓冲区有个溢写的比例spill.percent。这个比例默认是0.8，也就是当缓冲区的数据已经达到阈值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执行溢写过程。Map task的输出结果还能够往剩下的20MB内存中写，互不影响。spa

当溢写线程启动后，须要对这80MB空间内的key作排序(Sort)。排序是MapReduce模型默认的行为，这里的排序也是对序列化的字节作的排序。线程

在这里咱们能够想一想，由于map task的输出是须要发送到不一样的reduce端去，而内存缓冲区没有对将发送到相同reduce端的数据作合并，那么这种合并应该是体现是磁盘文件中的。从官方图上也能够看到写到磁盘中的溢写文件是对不一样的reduce端的数值作过合并。因此溢写过程一个很重要的细节在于，若是有不少个key/value对须要发送到某个reduce端去，那么须要将这些key/value值拼接到一块，减小与partition相关的索引记录。orm

在针对每一个reduce端而合并数据时，有些数据可能像这样：“aaa”/1， “aaa”/1。对于WordCount例子，就是简单地统计单词出现的次数，若是在同一个map task的结果中有不少个像“aaa”同样出现屡次的key，咱们就应该把它们的值合并到一块，这个过程叫reduce也叫combine。但MapReduce的术语中，reduce只指reduce端执行从多个map task取数据作计算的过程。除reduce外，非正式地合并数据只能算作combine了。其实你们知道的，MapReduce中将Combiner等同于Reducer。

若是client设置过Combiner，那么如今就是使用Combiner的时候了。将有相同key的key/value对的value加起来，减小溢写到磁盘的数据量。Combiner会优化MapReduce的中间结果，因此它在整个模型中会屡次使用。那哪些场景才能使用Combiner呢？从这里分析，Combiner的输出是Reducer的输入，Combiner毫不能改变最终的计算结果。因此从个人想法来看，Combiner只应该用于那种Reduce的输入key/value与输出key/value类型彻底一致，且不影响最终结果的场景。好比累加，最大值等。Combiner的使用必定得慎重，若是用好，它对job执行效率有帮助，反之会影响reduce的最终结果。

4. 每次溢写会在磁盘上生成一个溢写文件，若是map的输出结果然的很大，有屡次这样的溢写发生，磁盘上相应的就会有多个溢写文件存在。当map task真正完成时，内存缓冲区中的数据也所有溢写到磁盘中造成一个溢写文件。最终磁盘中会至少有一个这样的溢写文件存在(若是map的输出结果不多，当map执行完成时，只会产生一个溢写文件)，由于最终的文件只有一个，因此须要将这些溢写文件归并到一块儿，这个过程就叫作Merge。Merge是怎样的？如前面的例子，“aaa”从某个map task溢写文件读取过来时值是5，从map的另外一个溢写文件读取时值是8，由于它们有相同的key，因此得merge成group。什么是group。对于“aaa”就是像这样的：{“aaa”, [5, 8, 2, …]}，数组中的值就是从不一样溢写文件中读取出来的，而后再把这些值加起来。请注意，由于merge是将多个溢写文件合并到一个文件，因此可能也有相同的key存在，在这个过程当中若是client设置过Combiner，也会使用Combiner来合并相同的key。

reduce端状况

至此，map端的全部工做都已结束，最终生成的这个文件也存放在某个本地目录内。每一个reduce task不断地经过RPC从获取map task是否完成的信息，若是reduce task获得通知，获知某台上的map task执行完成，Shuffle的后半段过程开始启动。

简单地说，reduce task在执行以前的工做就是不断地拉取当前job里每一个map task的最终结果，而后对从不一样地方拉取过来的数据不断地作merge，也最终造成一个文件做为reduce task的输入文件。见下图：

如map 端的细节图，Shuffle在reduce端的过程也能用图上标明的三点来归纳。当前reduce copy数据的前提是它要从JobTracker得到有哪些map task已执行结束，这段过程不表，有兴趣的朋友能够关注下。Reducer真正运行以前，全部的时间都是在拉取数据，作merge，且不断重复地在作。如前面的方式同样，下面我也分段地描述reduce 端的Shuffle细节：
1. Copy过程，简单地拉取数据。Reduce进程启动一些数据copy线程(Fetcher)，经过HTTP方式请求map task所在的TaskTracker获取map task的输出文件。由于map task早已结束，这些文件就归TaskTracker管理在本地磁盘中。

2. Merge阶段。这里的merge如map端的merge动做，只是数组中存放的是不一样map端copy来的数值。Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置，由于Shuffle阶段Reducer不运行，因此应该把绝大部分的内存都给Shuffle用。这里须要强调的是，merge有三种形式：1)内存到内存 2)内存到磁盘 3)磁盘到磁盘。默认状况下第一种形式不启用，让人比较困惑，是吧。当内存中的数据量到达必定阈值，就启动内存到磁盘的merge。与map 端相似，这也是溢写的过程，这个过程当中若是你设置有Combiner，也是会启用的，而后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行，直到没有map端的数据时才结束，而后启动第三种磁盘到磁盘的merge方式生成最终的那个文件。

3. Reducer的输入文件。不断地merge后，最后会生成一个“最终文件”。为何加引号？由于这个文件可能存在于磁盘上，也可能存在于内存中。对咱们来讲，固然但愿它存放于内存中，直接做为Reducer的输入，但默认状况下，这个文件是存放于磁盘中的。至于怎样才能让这个文件出如今内存中，以后的性能优化篇我再说。当Reducer的输入文件已定，整个Shuffle才最终结束。而后在Reduce 阶段，Reduce 函数会做用在排序输出的每个key 上。这个阶段的输出被直接写到输出文件系统，通常是HDFS。