1 综述
shuffle过程分两阶段,一个是mapper端的清理,一个是reducer端。
2 mapper端处理
1>划分
Mapper处理后得到<key,value>对,例如<abc,1>。现在需要决定由哪个reducer来处理这个键值对,现在就需要Partitioner通过hash(键)来决定,通过实现这个getPartition(KEY key, VALUE value, int numPartitions)方法可以实现自己的划分(比如做全局排序时会用)。这样会得到一个hash的结果。然后把<key,value>及这个hash的结果写到缓冲区。
2>排序、combine
当内存放不下的时候,临时将这些就诶果写到磁盘称为spill(溢写),只要溢写开始,就会进行combine过程。即<abc,1>,<abc,4>——><abc,5>这个过程。
3>Merge
当maptask任务完成时,需要将多个溢写文件合成一个文件。合成过程实现了<abc ,[32,4,6,7]>这个过程。
3 reducer端处理
首先每个reducetask都不断RPC JobTracker,看maptask是否完成。如果完成则启动shuffle.
1>get
Reducer HTTP maptask获取maptask的输出文件
2>Merge
get的数据放在内存缓冲区,达到一定数量的时候写到磁盘,这个过程就开始Merge,同样会进行combine。
3>输出
最终的文件默认输出到磁盘。