1:MapTask工作机制
1:Read 阶段:MapTask 通过InputFormat 获得的RecordReader,从输入InputSplit 中解析出一个个key/value。就是InputFormat阶段。
2:Map 阶段:该节点主要是将解析出的key/value 交给用户编写map()函数处理,并产生一系列新的key/value。就是用户自定义Mapper函数阶段。
3:Collect 收集阶段:在用户编写map()函数中,当数据处理完成后,一般会调用
OutputCollector.collect()输出结果。在该函数内部,它会将生成的key/value 分区(调用
Partitioner),并写入一个环形内存缓冲区中。分区和排序阶段。
4:溢写阶段:当环形缓冲区满后,MapReduce 会将数据写到本地磁盘上,生成一个临时文件。需要注意的是,将数据写入本地磁盘之前,先要对数据进行一次本地排序,并在必要时对数据进行合并 、 压缩等操作 。
5: Merge阶段 :当所有数据处理完成后 MapTask对所有临时文件进行一次合并,以确保最终只会生成一个数据文件。
2:ReduceTask工作机制
1:Copy 阶段:ReduceTask 从各个MapTask 上远程拷贝一片数据,并针对某一片数据,如果其大小超过一定阈值,则写到磁盘上,否则直接放到内存中。
2:Sort 阶段:按照MapReduce 语义,用户编写reduce()函数输入数据是按key 进行聚集的一组数据。为了将key 相同的数据聚在一起,Hadoop 采用了基于排序的策略。由于各个MapTask 已经实现对自己的处理结果进行了局部排序,因此,ReduceTask 只需对所有数据进行一次归并排序即可。
3:Reduce 阶段:reduce()函数将计算结果写到HDFS 上。
3:ReduceTask并行度机制
MapTask 并行度由切片个数决定,切片个数由输入文件和切片规则决定。
1:ReduceTask=0,表示没有Reduce阶段,输出文件个数和Map个数一致。
2:ReduceTask默认值就是1,所以输出文件个数为一个。
3:如果数据分布不均匀,就有可能在Reduce阶段产生数据倾斜
4:ReduceTask数量并不是任意设置,还要考虑业务逻辑需求,有些情况下,需要计算全局汇总结果,就只能有1个ReduceTask。
5:具体多少个ReduceTask,需要根据集群性能而定。
6:如果分区数不是1,但是ReduceTask为1,是否执行分区过程。答案是:不执行分区过程。因为在MapTask的源码中,执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。