Hadoop系列九（MapReduce工作机制）

MapReduce最核心的部分是它的MapTask阶段和ReduceTask阶段。可以简单的理解MapTask阶段用于将一行数据拆分成一个KV的数据，ReduceTask阶段是对Map阶段生成的KV数据做统计。

Hadoop的MapReduce的大致流程。

1. 按照块对原始数据进行切片。比如一个文件200M，Hadoop会先将其在逻辑上分成128M+72M，这样就有两个块数据
2. 每个块数据都会由一个MapTask来处理，MapTask最终生成分区数据。
3. ReduceTask对所有MapTask的数据进行聚合

一、MapTask工作机制

MapTask主要分为6个阶段：Read阶段、Map阶段、Collect阶段、Spill阶段、Merge阶段

1. Read阶段：MapTask通过InputFormat获取的RecordReader，从输入流中解析出K/V（Key/Value）数据，对于一个文件而言，K就是行号，V就是一行内容。
2. Map阶段：该阶段属于用户自定义阶段（对应于Mapper类），接收Read阶段解析出的KV数据，解析并生成新的KV数据。
3. Collect阶段：在Map阶段最后都需要将新生成的KV数据通过context.write()写出去，最终都会通过OutputCollector.collect()输出结果。在该函数内部还会调用Partitioner进行分区，最终会将数据写入到环形缓冲区。
4. Spill阶段：也称“溢写”阶段，在Collect阶段会不断向环形缓冲区写入数据，环形缓冲的数据是存放在内存中的，当数据过多时（一般会将内存等分成2部分，写数据时先向一遍写入，当数据超过80%时，认为该部分数据已满，后续写入的数据会写道另一部分），需要将数据从内存写出到磁盘，在写磁盘之前，会对内存的中的数据做排序，并在必要时对数据进行合并（Combiner）、压缩。最终的数据会写到一个临时文件中。
5. Merge阶段：对Spiil阶段产出的临时文件进行合并，最终生成一个数据文件。

对于Spill阶段做详细的说明，方便理解。

1.  利用快速排序对数据进行排序，排序的方式是，先按照分区进行排序，再按照Key进行排序，最后得到的数据以分区单位聚集在一起，且同一分区内数据按照Key有序。
2. 按照分区编号将数据写入到临时文件output/spillN.out（N表示当前溢写次数）中，如果设置了Combiner，则在写入之前会做以此数据聚集。
3. 将分区数据的元信息写道内存索引数据结构（SpillRecord）中，其中每个分区的元信息包括：在临时文件中的偏移量、压缩前的数据大小、压缩后的数据大小。如果当前内存索引大小超过1MB,则将内存索引写到文件output/spillN.out（N表示当前溢写次数）中。

二、ReduceTask工作机制 

ReduceTask主要分为3个阶段：Copy阶段、Sort阶段、Reduce阶段。

1. Copy阶段：ReduceTask从MapTask上拷贝一片数据，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：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。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。

 三、ReduceTask并行决定机制

MapTask的数量可以根据切片的数量来决定。但是ReduceTask是可以手动设置的。

// 同时指定相应数量的ReduceTask
job.setNumReduceTasks(5);

关于Reduce数量的设置有一些注意事项：

1. ReduceTask=0，说明没有Reduce阶段，输出文件的个数与Map个数相同。
2. ReduceTask默认为1，所以输出一个文件。
3. 如果数据分布不均匀，会在Reduce阶段产生数据倾斜。
4. ReduceTask的数量不是随意设置的，需要根据业务来设置，如果需要全局的汇总统计，那么只能有一个ReduceTask。
5. 具体有多少ReduceTask由集群性能决定。
6. 如果分区数>1,但是ReduceTask=1，那么不会再进行分区，只有ReduceTask的数量>1时才会进行分区。