MapReduce框架原理之（二）MapReduce工作流程

MapReduce工作流程

1. 流程图

1. MapReduce流程图（1）
   
2. MapReduce流程图（2）
   

2. 流程详解

MapReduce执行机制
这里只是指出个人理解的部分，帮助记忆MapReduce的工作流程，实际上细节还有很多，有不妥的地方还请多多指教.

实际上，我们在Driver调用了job.waitForCompletion后，客户端并不是马上将job提交给YARN，在向YARN提交job之前，客户端会先通过反射，获取到job将要使用到的InputFormat，以获得逻辑的切片规则，并将切片规则记录到本地的文件中：
windowns端的话在C:\tmp\hadoop-PC_NAME\mapred\staging\PC_NAMEJOBID\.staging\job_localJOBID目录下（执行完毕后会被删除）

（注：InputFormat只是进行逻辑切片规则的指定，而不是真正的进行物理切片，真正的物理切片动作是再RecordReader中进行的）
制定好切片规则后（当然这个过程很复杂，还有很多其他步骤），会将这些job文件（job.xml等）提交给YARN，然后YARN会根据切片规则等信息分配出相应的MapTask，在MapTask阶段通过RecordReader来进行真正的文件切分（物理上的），并将切片后的数据制作成K，V对的形式，交给Mapper的map方法，一般来讲一个切片的数据会启用一个MapTask，在MapTask和ReduceTask中还有一步shuffle的操作，这个先略过，后面会进行说明.经过MapTask阶段的处理，数据来到了ReduceTask，并且一般来讲，相同Key的数据会交给同一个ReduceTask来处理，在ReduceTask中的reduce方法里，写了我们的业务代码，将数据封装成我们需要的格式后输出到目标目录，输出时会根据所指定的OutputFormatClass类型，来对数据进行输出格式化.

3. shuffle机制

上面提到过shuffle，它在MapTask和ReduceTask中都有存在.

3.1 MapTask中：

1. 从map方法通过context.write(key, value)输出出来的K，V数据，会被写入到内存的环形缓冲区，它的默认大小为100M，在其中某一点作为起点，顺时针方向写入数据，逆时针方向写入数据对应的索引等元数据信息.（在环状缓冲区内会进行分区，和第1次排序，快排）
2. 每当写入的数据达到环状缓冲区80%的容量时，会发生溢出操作，将数据持久到磁盘，根据数据的量大小，会生成N个溢出文件.
3. 这些文件会被合并成大的溢出文件交给Mapper.（第2次排序，归并排序）
4. 在溢出和合并的过程中都会调用Partitioner进行分区并同时针对Key进行排序，默认的分区数总是0.

3.2 ReduceTask中：

5. ReduceTask根据自己的分区号，去MapTask机器上找相应的结果分区数据.
6. ReduceTask会取到分布在不同MapTask上的同一个分区的数据，ReduceTask会将这些文件再进行合并（第3次排序，归并排序）
7. 行成大文件后，Shuffle的过程就结束了，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reduce方法）

Shuffle环形缓冲区大小会影响到MapReduce的执行效率，原则上说，缓冲区越大磁盘IO的次数就越少，执行速度越快. 缓冲区的大小可以通过调整，io.sort.mb来进行修改，默认是100M

3.3 Partition分区：

1. 问题引出
   要求将统计结果按条件输出到不同文件中（分区），比如将统计结果按手机归属地不同省份输出到不同文件中.
2. 默认Partitioner分区：

protected int getPartition(int hash, int numReduceTasks) {
   
    return (hash & 2147483647) % numReduceTasks;
}

mapred-default.xml

<property>
  <name>mapreduce.job.reduces</name>
  <value>1</value>
  <description>The default number of reduce tasks per job. Typically set to 99%
  of the cluster's reduce capacity, so that if a node fails the reduces can
  still be executed in a single wave.
  Ignored when mapreduce.framework.name is "local".
  </description>
</property>

在Java中，Integer的值用32进制来表示的，而2147483647代表Integer的最大值.这里用hash值和Integer的最大值做位与运算，最大值总是01111111…即首位是0，其余位置都是1，任何正数与值进行位与计算，结果都是其本身，而负数则被转换成正数.
而默认的numReduceTasks是1，所以mod结果总是0，即代表默认的只有一个ReduceTask，并且对数据不进行分区.

3. 自定义Partitioner步骤
   （1）自定义类继承Partitioner，重写getPartition()方法
   （2）在Driver类中设置自定义的PartitionerClass
   job.setPartitionerClass(xxxxx.class);
   （3）自定义Parititioner后要根据其逻辑设置相应的ReduceTastk
   job.setNumReduceTasks(5);

4. 分区总结
   （1）如果ReduceTask的数量 > getPartition的结果数，则最终生成的文件会多产生几个part-r-000xx的空文件;
   （2）如果1 < ReduceTask的数量 < getPartition的结果数，则有一部分分区数据无处安放，则会抛异常;
   （3）如果ReduceTask的数量 = 1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask来处理，最终也只产生一个part-r-00000文件;
   （4）分区号必须从0开始逐一累加.
   e.g：
   假设自定义分区数为5，则：
   <1> job.setNumReduceTasks(1); 会正常运行，只不过只产生一个输出文件
   <2> job.setNumReduceTasks(2);会报错
   <3> job.setNumRedeceTasks(6);会正常执行，只不过会产生6个输出文件，其中一个是空的

5. 实操演练
   （1）需求，将手机按号段输出到不同文件， 136、137、138、139分别放到4个文件，其他号段放一个文件中.
   （2）业务代码

   基于我的另一篇有关Hadoop序列化的博客中的demo，来进行演示，如果对序列化相关内容感兴趣可以参考Hadoop之序列化
   自定义Partitioner

package partition;

import cstmbean.FlowBean;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class PhonePartitioner extends Partitioner<Text, FlowBean> {
   
    @Override
    public int getPartition(Text text, FlowBean flowBean, int i) {
   
        String code = text.toString().substring(0, 3);
        int partition = 0;
        switch(code) {
   
            case "136":
                partition = 0;
                break;
            case "137":
                partition = 1;
                break;
            case "138":
                partition = 2;
                break;
            case "139":
                partition = 3;
                break;
            default:
                partition = 4;
        }
        return partition;
    }
}

Driver类中

job.setPartitionerClass(PhonePartitioner.class);
job.setNumReduceTasks(5)