对MapReduce过程的理解

对自己近一个月来学习map、reduce过程做些总结，以备后期查看。（基于hadoop1.x）

首先是官方的经典过程图：

这个过程中我们会依次接触六大类：InputFormat,Map,Combine,Partition,Reduce,OutputFormat

1. InputFormat：

我们先来看一下InputFormat的抽象类需要继承类实现的方法：

	@Override
	public List<InputSplit> getSplits(JobContext context) throws IOException,
			InterruptedException {
		// TODO Auto-generated method stub
		return null;
	}

	@Override
	public RecordReader<Key, Value> createRecordReader(InputSplit split,
			TaskAttemptContext context) throws IOException,
			InterruptedException {
		// TODO Auto-generated method stub
		return null;
	}

可以看到它完成了2个工作：

（1）对输入数据集分片，返回若干个分片。

（2）提供RecordReader，它规定了如何处理每一个分片的每一行数据。

经过上面处理，我们获得了KeyValue对，下面要经过Map类。InputFormat类到此结束。

2. Map：

    	@Override
        public void map(KEYIN key,VALUEIN value,Context context)  
                throws IOException,InterruptedException{    
           System.out.println("进入Map");
           context.write(KEYOUT, VALUEOUT);
        } 

这里KEYIN，VALUEIN就是在RecordReader中生成的Key和Value；

这里KEYOUT，VALUEOUT就是map的输出。

之后，Map的输出到Reduce的输入中间经过了一个复杂的过程：

map的每个输出都会先写入缓存（buffer in memory，默认100MB，可以在job提交前通过io.sort.mb修改），该100MB的缓存有个阈值80MB（默认0.8，可以通过io.sort.spill.percent修改）。注意，这里引入了第三个类Partition。

3. Partition：

在map函数中的context.write(key,value)将keyvalue对写到了缓存中，在写入时同时写入的信息还有partition（即这条数据会发往哪一个reducer进行处理）。我们可以自定义Partition的实现类，来细粒度地控制该条记录的最终归属，比如在全排序中会用到。

	@Override
	public int getPartition(KEY key, VALUE value, int numPartitions) {
		// TODO Auto-generated method stub
		return 0;
	}

上面函数即返回第0个reducer中。Partition类到此结束。

我们继续Map的后续工作：

到缓存中数据量大于阈值后，会锁定这80MB的数据，启动一个spill（溢写）线程将这80MB数据写入一个单独的磁盘文件中，在写入前，会先对着80MB的数据进行快排（排序的算法是先按keyvalue记录的partition排序后按key的compare方法），之后如果JobClient有明确设置Combiner，会进行combine。注意，这里引入了第四个类Combine。

4. Combine（实际上就是Reducer）

接上面，如果JobClient有明确设置Combiner（job.setCombinerClass(Class<? extends Reducer>)），会进行combine过程，即将相同的KeyValue对的value合并，以减少spill到磁盘的文件的大小。Combiner会优化MapReduce的中间结果，所以它在整个MapReduce过程中会多次用到。

我们继续Map的后续工作：

每一次buffer达到阈值都会spill，每一次spill后磁盘上都会多一个spill后的文件，这些文件最后要合并成一个文件作为map的输出文件（每个map task只有一个输出文件）。归并的过程叫：merge，归并的方法类似多路归并算法，因此最后的输出是有序的！又因为是多个溢写文件合并，因此若设置了Combiner，它同样会将相同Key的KeyValue对的value合并。

至此，一个map task的一个输出文件诞生了（它保存在本地磁盘中，又称中间文件，map端工作结束）。它里面的每条数据都标记了partition、有相同partition的数据是有序排列的。

5.Reduce

在map过程中强调数据在本地计算，即优先数据在哪就把map任务分配到哪。而reducer是需要从所有map的输出文件中把属于自己的copy过来，所以会占用网络带宽。

从不同task tracker拿到的文件也是先写入buffer（原理同map的写入buffer），当buffer中的数据达到阈值，就写入磁盘。存数据的过程叫merge，merge过程可以发生在：

（1）内存到内存的merge。默认关闭，如果开启表示最后如果内存有数据，不会先全部写入磁盘再回头跟磁盘上的其它数据一起merge，而是直接在内存中merge，再与磁盘中的其它数据merge。

（2）内存到磁盘的merge。与map端的spill类似。

（3）磁盘到磁盘的merge。最后将所有（2）之后的文件进行最终merge，注意（1）的情况。

之后开始reduce的过程，即merge的最终输出是reduce的输入，reduce的输出默认是输出到HDFS上。输出格式由OutputFormat类确定。

6. OutputFormat

默认使用TextOUtputFormat类，得到<Key,value>对，即输出样式为：key+“”+value。我们可以自定义输出类，控制以什么格式输出，输出到哪里等方面。

以上是这个阶段的学习小结，以备忘记时回顾。初学hadoop，难免有误，如有错误，请不吝指教。