Hadoop（十八）MapReduce Shuffle机制

MapReduce工作流程

上面的流程是整个MapReduce最全工作流程，但是Shuffle过程只是从第7步开始到第16步结束，具体Shuffle过程详解，如下：

• MapTask收集map()方法输出的kv对，放到内存缓冲区中
• 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
• 多个溢出文件会被合并成大的溢出文件
• 在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
• 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
• ReduceTask会抓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）
• 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）

注意

• 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：mapreduce.task.io.sort.mb默认100M

Shuffle机制

• Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle

一、Partition分区

• 将统计结果按照条件输出到不同文件中
• 默认分区是根据key的hashCode对ReduceTasks个数取模得到的，用户没法控制哪个key存储到哪个分区

自定义Partitoner步骤

• 自定义类继承Partitioner，重写getPartition()方法

public class CustomPartitioner extends Partitioner<Text, FlowBean> {
  @Override
  public int getPartition(Text key, FlowBean value, int numPartitions) {
  // 控制分区代码逻辑
  … …
    return partition;
  }
}

• 在Job驱动中，设置自定义Partitioner

job.setPartitionerClass(CustomPartitioner.class);

• 自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask

job.setNumReduceTasks(5);

分区总结

• 如果ReduceTask的数量 > getPartition的结果数，则会多产生几个空的输出文件part-r-000xx；
• 如果1 < ReduceTask的数量 < getPartition的结果数，则有一部分分区数据无处安放，会Exception；
• 如果ReduceTask的数量 = 1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件part-r-00000；
• 分区号必须从0开始，逐一累加

二、WritableComparable排序

• MapTask和ReduceTask均会对数据按照key进行排序，该操作属于Hadoop的默认行为，任何应用程序中的数据均会被排序，而不管逻辑上是
  否需要
• 默认排序是按照字典顺序排序，且实现该排序的方法是快速排序
• 对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序
• 对于ReduceTask，它从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序

排序分类

• 部分排序：MapReduce根据输入记录的键对数据集排序，保证输出的每个文件内部有序
• 全排序：最终输出结果只有一个文件，且文件内部有序，实现方式是只设置一个ReduceTask，但该方法在处理大型文件时效率极低
• 辅助排序：在Reduce端对key进行分组
• 二次排序：在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序

三、Combiner合并

• Combiner是MR程序中Mapper和Reducer之外的一种组件
• Combiner组件的父类就是Reducer
• Combiner和Reducer的区别在于运行的位置，Combiner是在每一个MapTask所在的节点运行；Reducer是接收全局所有Mapper的输出结果
• Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
• Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来

Mapper
3 5 7 ->(3+5+7)/3=5
2 6 ->(2+6)/2=4
Reducer
(3+5+7+2+6)/5=23/5 不等于 (5+4)/2=9/2