|NO.Z.00033|——————————|BigDataEnd|——|Hadoop&MapReduce.V06|——|Hadoop.v06|MapReduce原理分析之MapTask运行机制|并行度|

一、MapTask运行机制详解：MapTask流程

### ---  MapReduce原理分析

~~~     [MapReduce原理分析之MapTask运行机制]
~~~     [MapReduce原理分析之MapTask并行度]

### ---  详细步骤：

~~~     首先，读取数据组件InputFormat（默认TextInputFormat）
~~~     会通过getSplits方法对输入目录中文件进行逻辑切片规划得到splits，
~~~     有多少个split就对应启动多少个MapTask。split与block的对应关系默认是一对一。
~~~     将输入文件切分为splits之后，由RecordReader对象（默认LineRecordReader）进行读取，
~~~     以\n作为分隔符，读取一行数据，返回<key，value>。Key表示每行首字符偏移值，
~~~     value表示这一行文本内容。
~~~     读取split返回<key,value>，进入用户自己继承的Mapper类中，执行用户重写的map函数。
~~~     RecordReader读取一行这里调用一次。
~~~     map逻辑完之后，将map的每条结果通过context.write进行collect数据收集。
~~~     在collect中，会先对其进行分区处理，默认使用HashPartitioner。

~~~     # MapReduce提供Partitioner接口，
~~~     它的作用就是根据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，如果用户自己对Partitioner有需求，
~~~     可以订制并设置到job上。
~~~     # 接下来，会将数据写入内存，内存中这片区域叫做环形缓冲区，
~~~     缓冲区的作用是批量收集map结果，减 少磁盘IO的影响。
~~~     我们的key/value对以及Partition的结果都会被写入缓冲区。
~~~     当然写入之前，key与value值都会被序列化成字节数组。

~~~     # 环形缓冲区其实是一个数组，数组中存放着key、value的序列化数据和key、
~~~     value的元数据信息，包括partition、key的起始位置、value的起始位置以及value的长度。
~~~     环形结构是一个抽象概念。
~~~     # 缓冲区是有大小限制，默认是100MB。当map task的输出结果很多时，就可能会撑爆内存，
~~~     所以需要在一定条件下将缓冲区中的数据临时写入磁盘，然后重新利用这块缓冲区。
~~~     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。
~~~     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。
~~~     溢写线程启动时不应该阻止map的结果输出，所以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 * spillpercent = 100MB * 0.8 = 80MB），
~~~     溢写线程启动，锁定这80MB的内存，执行溢写过程。Maptask的输出结果还可以往剩下的20MB内存中写，互不影响。

~~~     # 当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为!
~~~     # 如果job设置过Combiner，那么现在就是使用Combiner的时候了。
~~~     将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量。
~~~     Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。
~~~     # 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绝不能改变最终的计算结果。
~~~     Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，
~~~     且不影响最终结果的场景。比如累加，最大值等。Combiner的使用一定得慎重，
~~~     如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果。

~~~     # 合并溢写文件：每次溢写会在磁盘上生成一个临时文件（写之前判断是否有combiner），
~~~     如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个临时文件存在。
~~~     当整个数据处理结束之后开始对磁盘中的临时文件进行merge合并，因为最终的文件只有一个，
~~~     写入磁盘，并且为这个文件提供了一个索引文件，以记录每个reduce对应数据的偏移量。
~~~     # 至此map整个阶段结束!!

二、MapTask的一些配置

### --- 官方参考地址

https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduceclient-core/mapred-default.xml

三、MapTask的并行度

### --- MapTask并行度思考

~~~     MapTask的并行度决定Map阶段的任务处理并发度，从而影响到整个Job的处理速度。
~~~     思考：MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？

### --- MapTask并行度决定机制

~~~     数据块：Block是HDFS物理上把数据分成一块一块。
~~~     切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。

Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of life.It sinks, and I am ready to depart

——W.S.Landor