MapReduce工作流程
MapReduce工作流程图
流程详解（重点）
MapTask
- 待处理的文本通过submit()方法，获取待处理的数据信息，然后根据InputFormat切片方法机制，生成切片方法文件。把切片方法文件和资源配置文件全部提交在资源路径。提交的信息有：Job.split、wc.jar、Job.xml
- 把资源提交路径下的信息文件提交给YARN集群或者本地内存中，之后YARN集群根据提交的信息启动Mr appmaster主机
- Mr appmaster根据提交的切片规划机制计算出MapTask的数量，生成对应的MapTask任务。
- MapTask任务根据Mr appmaster分配的数据量，去原始文件当中读取相应切片的数据。读取数据需要借助InputFormat中定义的 RecordReader（如果没有定义，则会默认使用TextInputFormat）进行切片
- 如果使用默认切片方法，则每读取一行，在Mapper类中进行逻辑运算，即通过获取到的key-value值确定文件传到Reduce类中的key-value值
- 逻辑运算完成后，通过Context.write(k,v)方法进行数据传输。此时先将结果（<k,v>数据）写入到一个环形缓冲区，在这个环形缓冲区中一分为二，从右侧的缓冲区开始写入数据（<k,v>键值对），从左侧开始写入数据的索引。
- 在往环形缓冲区写入数据的过程中，不仅要写入数据的索引，还需要写出数据所在分区（MapReduce中分区默认有一个，也可以指定多个分区）。在声明了所在的分区之后，要对<k,v>键值对进行排序。排序不是每时每刻进行的，是在数据写入完成，或者数据往磁盘溢写的时候，要进行一次排序
- 当内存已存入80%时，将环形缓冲区中的数据溢写到磁盘中，并将缓冲区中的数据清空，之后在反向写入数据和索引（顺时针改为逆时针/逆时针改为顺时针）。如果数据过多，会进行多次溢写，溢写时根据分区溢写，并且每个分区内的数据是有序的
- 对溢写文件通过Merge进行归并排序，之后通过Combiner对数据进行合并
ReduceTask
- MapTask数据处理完成之后，将数据写入缓冲区分区或者磁盘中去，磁盘中存储的文件信息与缓冲区存储的文件信息相同，都有<k,v>键值对及其分区和索引。
- 在所有的MapTask任务完成后，Mr appmaster做出响应。Mr appmaster根据MapTask输入的分区数确定ReduceTask的数量
- 之后Mr appmaster启动相应数量的ReduceTask，并告知ReduceTask处理数据的范围（数据分区），一个分区需要有一个ReduceTask处理数据。ReduceTask1处理partition 1的数据，ReduceTask2处理partition2的数据……
- ReduceTask将MapTask中相应分区中的数据下载到ReduceTask本地磁盘中，并将文件进行合并，之后再对文件中的数据进行归并排序
- 通过GroupingComparator(k,knext)方法对文件进行分组，之后将key值相同的数据调用Reduce(k,v)方法，一次读取一组
- 通过OutPutFormat将数据输入到结果文件中（默认调用TextOutPutFormat）。如果有多个ReduceTask，则写入到多个输出文件中
Shuffle
- maptask收集我们的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
- 在溢出过程中及合并的过程中，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）
总结
- MR流程总共分为四个阶段：
- submit阶段：切片job.split和配置项信息job.xml形成文件提交到一个资源路径，然后通过YARN启动运行
- MapTask任务处理阶段：读取切片数据、处理切片数据
- Shuffle阶段（MapTask任务执行结束到ReduceTask任务执行之前）：MapTask写出数据到环形缓冲区、分区、排序、溢写文件……
- ReduceTask任务处理阶段：读取环形缓冲区数据、读取溢写文件数据、reduce运算逻辑、输出结果到输出文件
- 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：io.sort.mb 默认100M
