mapreduce的shuffle机制

1.1 概述：

mapreduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle；(从map的输出到reduce的输入)

shuffle: 洗牌、发牌——（核心机制：数据分区，排序，缓存）；

具体来说：就是将maptask输出的处理结果数据，分发给reducetask，并在分发的过程中，对数据按key进行了分区和排序；

1.2 主要流程：

Shuffle缓存流程：

Buffer in memory:内存缓冲区

Partition:分区

Sort：分类

Spill to disk：切片到磁盘

Merge on disk：合并到磁盘

Fetch:拿来，拿取

Copy phase:复制阶段

Mixture of in-memory and on-disk data:内存和磁盘数据的混合

(可以看出一个maptask可以对应多个reducetask)

shuffle是MR处理流程中的一个过程，它的每一个处理步骤是分散在各个map task和reduce task节点上完成的，整体来看，分为3个操作：

1、分区partition

2、Sort根据key排序

3、Combiner进行局部value的合并

 

1.3 详细流程

 

1、 maptask收集我们的map()方法输出的kv对，放到内存缓冲区中

(环形缓冲区默认100M)

2、 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

(经过patition分区，key的compareto方法，经过排序,由combiner合并同key键值对，再经过快排/外部排序，溢出到文件)

3、 多个溢出文件会被合并成大的溢出文件

(经过merge文件合并，归并排序，得到maptask的最终结果文件)

------------------------------------------------------------------------------------------------------------

4、 在溢出过程，及合并的过程中，都要调用partitoner进行分组和针对key进行排序

5、 reducetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据

6、 reducetask会取到同一个分区的来自不同maptask的结果文件，reducetask会将这些文件再进行合并（归并排序）(一个reducetask可以对应多个maptask，两者是多对多)

7、 合并成大文件后，shuffle的过程也就结束了，后面进入reducetask的逻辑运算过程（从文件中取出一个一个的键值对group，调用用户自定义的reduce()方法）

 

Shuffle中的缓冲区大小会影响到mapreduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快

缓冲区的大小可以通过参数调整,  参数：io.sort.mb  默认100M

 

1.4 详细流程示意图