MapReduce原理解析
2020-07-09 本文已影响0人
一拳超疼
题记
本文资料来源于拉钩大数据开发高薪训练营。
MapTask运行机制详解
mapTask.png
步骤流程详解：
- 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的⻓度。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ᇿ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 * spill
percent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执⾏溢写过程。Map
task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!!
MapTask并行度
- MapTask的并行度和map的数据切片数量有关，一个切片对应一个MapTask;
- 数据切片和分块Block不一样，数据切片是逻辑切分数据，而Block是磁盘上数据的物理切分。
ReduceTask工作机制
ReduceTask
Reduce⼤致分为copy、sort、reduce三个阶段，重点在前两个阶段。copy阶段包含⼀个
eventFetcher来获取已完成的map列表，由Fetcher线程去copy数据，在此过程中会启动两个merge线
程，分别为inMemoryMerger和onDiskMerger，分别将内存中的数据merge到磁盘和将磁盘中的数据
进⾏merge。待数据copy完成之后，copy阶段就完成了，开始进⾏sort阶段，sort阶段主要是执⾏
finalMerge操作，纯粹的sort阶段，完成之后就是reduce阶段，调⽤⽤户定义的reduce函数进⾏处理。
详细步骤
- Copy阶段，简单地拉取数据。Reduce进程启动⼀些数据copy线程(Fetcher)，通过HTTP⽅式请求
maptask获取属于⾃⼰的⽂件。 - Merge阶段。这⾥的merge如map端的merge动作，只是数组中存放的是不同map端copy来的数
值。Copy过来的数据会先放⼊内存缓冲区中，这⾥的缓冲区⼤⼩要⽐map端的更为灵活。merge
有三种形式：内存到内存；内存到磁盘；磁盘到磁盘。默认情况下第⼀种形式不启⽤。当内存中的
数据量到达⼀定阈值，就启动内存到磁盘的merge。与map 端类似，这也是溢写的过程，这个过
程中如果你设置有Combiner，也是会启⽤的，然后在磁盘中⽣成了众多的溢写⽂件。第⼆种
merge⽅式⼀直在运⾏，直到没有map端的数据时才结束，然后启动第三种磁盘到磁盘的merge
⽅式⽣成最终的⽂件。 - 合并排序。把分散的数据合并成⼀个⼤的数据后，还会再对合并后的数据排序。
- 对排序后的键值对调⽤reduce⽅法，键相等的键值对调⽤⼀次reduce⽅法，每次调⽤会产⽣零个
或者多个键值对，最后把这些输出的键值对写⼊到HDFS⽂件中。
ReduceTask并行度
ReduceTask的并⾏度同样影响整个Job的执⾏并发度和执⾏效率，但与MapTask的并发数由切⽚数决定
不同，ReduceTask数量的决定是可以直接⼿动设置：
// 默认值是1，⼿动设置为4
job.setNumReduceTasks(4);
注意事项
- ReduceTask=0，表示没有Reduce阶段，输出⽂件数和MapTask数量保持⼀致；
- ReduceTask数量不设置默认就是⼀个，输出⽂件数量为1个；
- 如果数据分布不均匀，可能在Reduce阶段产⽣倾斜；
