1.将map输出传给reduce过程中需要排序(按键排序)的过程——shuffle。
2.每个map任务都有一个环形内存缓冲区(默认为100MB,可以通过改变io.sort.mb属性来调整),用于存储任务的输出,当缓冲区到达阀值时(io.sort.spill.percent,默认为0.8),新建一个溢出写文件,把内容写到磁盘,写磁盘将按照轮询方式写到mapred.local.dir所指定的目录。写磁盘时可以压缩map输出,使得写磁盘的速度更快,节约磁盘空间,减少传给reducer的数据量。
3.在map输出写磁盘之前,线程会根据最终传送到reduce把数据划分为相应的分区,在每个分区中,按键排序,如有一个combiner函数,它会在排序后的输出上运行。
4.map输出文件位于运行map任务的tasktracker的本地磁盘,reduce任务会复制map输出,如果map输出很小,就复制到reduce tasktracker的内存中,否则复制到磁盘。复制完map输出后,reduce任务进入排序阶段,合并map输出,在reduce阶段,对已排序的每个键都要使用reduce函数。
5.一个小问题:reducer如何知道从哪个tasktracker取得map输出?
答:map任务完成后会通知tasktracker,tasktracker会通知jobtracker,jobtracker知道map输出和tasktracker之间的映射关系,reduce定期询问jobtracker获取map输出的位置。
6.map任务的输出可以指定一个combiner函数,无论调用多少次此函数,reduce结果都一样。
7.合并函数是通过reducer接口来定义的,有时它与reduce函数一样。 conf.setCombinerClass(**.class)
8.combiner的意义是使得map输出更加紧凑,使得写到本地磁盘和传给reducer的数据更小。
2.每个map任务都有一个环形内存缓冲区(默认为100MB,可以通过改变io.sort.mb属性来调整),用于存储任务的输出,当缓冲区到达阀值时(io.sort.spill.percent,默认为0.8),新建一个溢出写文件,把内容写到磁盘,写磁盘将按照轮询方式写到mapred.local.dir所指定的目录。写磁盘时可以压缩map输出,使得写磁盘的速度更快,节约磁盘空间,减少传给reducer的数据量。
3.在map输出写磁盘之前,线程会根据最终传送到reduce把数据划分为相应的分区,在每个分区中,按键排序,如有一个combiner函数,它会在排序后的输出上运行。
4.map输出文件位于运行map任务的tasktracker的本地磁盘,reduce任务会复制map输出,如果map输出很小,就复制到reduce tasktracker的内存中,否则复制到磁盘。复制完map输出后,reduce任务进入排序阶段,合并map输出,在reduce阶段,对已排序的每个键都要使用reduce函数。
5.一个小问题:reducer如何知道从哪个tasktracker取得map输出?
答:map任务完成后会通知tasktracker,tasktracker会通知jobtracker,jobtracker知道map输出和tasktracker之间的映射关系,reduce定期询问jobtracker获取map输出的位置。
6.map任务的输出可以指定一个combiner函数,无论调用多少次此函数,reduce结果都一样。
7.合并函数是通过reducer接口来定义的,有时它与reduce函数一样。 conf.setCombinerClass(**.class)
8.combiner的意义是使得map输出更加紧凑,使得写到本地磁盘和传给reducer的数据更小。