MapReduce-day05-第三章框架原理-3.5MapReduce内核机制

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。