MapReduce快速入门系列(5) | MapReduce任务流程和shuffle机制的简单解析

Hello，大家好，在本系列的第一篇博文中，博主已经为大家介绍了MapReduce的相关概念。其中谈到了MapReduce主要由Map和Reduce两个过程组成!事实上,为了让Reduce可以并行处理Map的结果,需要对Map的输出进行一定的分区(Partition),排序(Sort),合并(Combine),分组(Group)等操作,得到<key,value-list>形式的中间结果,再交给对应的Reduce 进行处理,这个过程也就是小菌需要为大家介绍的,叫做Shuffle(混洗)。

1. Shuffle机制

Shuffle机制如下：

1

  是不是发现可能看不懂！没关系下面开始细化详解一下。

2. Shuffle阶段的四个操作

  下图为Shuffle阶段的四个操作的具体功能演示：

2

• 如果对上图的一脸懵逼，不要慌！下面即为详细解答：
• 第5步：对输出的key，value对进行分区。相同key的数据发送到同一个reduce里面去，相同key合并，value形成一个集合
• 第6步：对不同分区的数据按照相同的key进行排序
• 第7步：对分组后的数据进行规约(combine操作)，降低数据的网络拷贝（可选步骤）
• 第8步：对排序后的额数据进行分组，分组的过程中，将相同key的value放到一个集合当中

3. MapReduce工作流程

3.1 MapReduce的整个任务执行过程

由于空间有限,2,3步骤过程较为抽象,只做文字说明

3

• 具体每步的详细流程如下:

第1步：InputFormat
InputFormat 到hdfs上读取数据
将数据传给Split
第2步：Split
Split将数据进行逻辑切分，
将数据传给RR
第3步：RR(RecordReader)
RR:将传入的数据转换成一行一行的数据，输出行首字母偏移量和偏移量对应的数据
将数据传给MAP
第4步：MAP
MAP:根据业务需求实现自定义代码
将数据传给Shuffle的partition
第5步：partition
partition:按照一定的分区规则，将key value的list进行分区。
将数据传给Shuffle的Sort
第6步：Sort
Sort:对分区内的数据进行排序
将数据传给Shuffle的combiner
第7步：combiner
combiner:对数据进行局部聚合。
将数据传给Shuffle的Group
第8步：Group
Group:将相同key的key提取出来作为唯一的key,
将相同key对应的value获取出来作为value的list
将数据传给Reduce
第9步：Reduce
Reduce：根据业务需求进行最终的合并汇总。
将数据传给outputFormat
第10步：outputFormat
outputFormat:将数据写入HDFS

3.2 MapReduce工作流程图(全)

• 1. MapReduce详细工作流程(一)

4

• 2. MapReduce详细工作流程(二)

5

• 3. 详细流程解析 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： ① MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中 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 ③ 多个溢出文件会被合并成大的溢出文件 ④ 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 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） 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）

3.3 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