Hadoop（20）MapTask和ReduceTask工作机制（重点）

MapTask工作机制（重点）

Read阶段--》Map阶段--》Collect阶段--》spill阶段--》Combine阶段

Read阶段

有个文件hello.txt大小为200M，客户端首先获取待处理文件信息，然后根据参数配置，形成一个任务分配的规划。

再调用submit()方法，把要执行的jar包、Job.xml(Job信息)、Job.split（分片信息）等提交到hdfs集群。

然后把程序提交到yarn集群运行，yarn会生成一个MrAppMaster（一个进程），用来控制maptask和reducetask的启动。因为分片信息已经提交到hdfs集群，那MrAppMaster就会去获取分片信息，计算出Maptask数量。MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。

Map阶段

该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

Collect收集阶段

在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。环形缓冲区的默认大小是100M。

Spill阶段：即“溢写”

当环形缓冲区满80%后，就会打开流，MapReduce会将数据写到本地文件系统磁盘上，生成一个临时文件，然后关闭流。当环形缓冲区再次满80%后，又会打开流，开始溢写。因此，有可能生成多个临时文件。

需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行规约、压缩、分区等操作。

溢写阶段详情：

步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。

步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。

步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

Combine阶段

当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。

在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

ReduceTask工作机制（重点）

Copy阶段

ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘（hdfs文件系统）上，否则直接放到内存中。

Merge阶段

在远程拷贝数据的同时，ReduceTask启动了两个后台线程分别对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

Sort阶段

按照MapReduce语义，用户编写reduce()函数的输入数据是按key进行聚集的一组数据，如（hello,Iterable(1,1,1,1))。

为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。

Reduce阶段

reduce()函数将计算结果写到HDFS上。默认是使用TextOutputFormat类来写。

MapReduce完整流程

第一步：读取文件，解析成为key，value对

第二步：自定义map逻辑接受k1,v1，转换成为新的k2,v2输出

第三步：分区Partition。将相同key的数据发送到同一个reduce里面去

第四步：排序，map阶段分区内的数据进行排序

第五步：combiner。调优过程，对数据进行map阶段的合并

第六步：将环形缓冲区的数据进行溢写到本地磁盘小文件

第七步：归并排序，对本地磁盘溢写小文件进行归并排序

第八步：等待reduceTask启动线程来进行拉取数据

第九步：reduceTask启动线程拉取属于自己分区的数据

第十步：从mapTask拉取回来的数据继续进行归并排序

第十一步：进行groupingComparator分组操作

第十二步：调用reduce逻辑，写出数据

第十三步：通过outputFormat进行数据输出，写到文件，一个reduceTask对应一个文件