hadoop-streaming多输入join与shuffle原理解读

多个输入的join在reducer的写法

def read_mapper_output(file,separator='\t'):
    for line in file:
        yield line.rstrip().split(separator,1)

def main(separator='\t'):
    data=read_mapper_output(sys.stdin,separator=separator)
    for feature, group in groupby(data, itemgetter(0)):
        encode = ''
        for info in group:
            try:
                items = info[1].split('\t')

多个输入的join在mapper的写法

import os

if "map_input_file" in os.environ:
    map_input_file = os.environ["map_input_file"]
else:
    map_input_file = 'youtube/deepfm'

with open(0, 'r', errors='ignore') as f_in:
    if 'youtube/fm/v2' in map_input_file:
        print('\t'.join([feature, 'encode', encode]))
    if 'youtube/deepfm' in map_input_file:
        print('\t'.join([feature, 'sample', encode]))
          

本地验证itertools的groupby

from itertools import groupby
from operator import itemgetter
x = [['2', '\t'.join(['sample', 'train'])], ['1', '\t'.join(['encode', 'pred'])], ['1', '\t'.join(['sample', 'pred'])]]
soooo = sorted(x, key=itemgetter(0))
for feature, group in groupby(soooo, key=itemgetter(0)):
    for info in group:
        print(info)
        print(f'feature: {feature}  info[1]: {info[1]}')

实验结果

['1', 'encode\tpred']
feature: 1  info[1]: encode	pred
['1', 'sample\tpred']
feature: 1  info[1]: sample	pred
['2', 'sample\ttrain']
feature: 2  info[1]: sample	train

可以看出同一个key的记录被聚合到了一起，且encode排在了sample的前面，这是因为reducer端shuffle对sys.stdin中的字符串进行了排序

hadoop-streaming的shuffle过程

Shuffle阶段分为两部分:Map端和Reduce端。

一 map端shuffle过程；

1-内存预排序：默认每个map有100M内存进行预排序（为了效率），超过阈值，会把内容写到磁盘；此过程使用快速排序算法；

2-根据key和reducer的数量进行分区和排序；首先根据数据所属的Partition排序，然后每个Partition中再按Key排序；此过程排序默认使用归并排序算法；

3-combiner,使得map的输出结果更紧凑，减少磁盘写入和传输的数据量。慎用，可能会对结果产生错误的结果；如果存在combiner阶段；

4-一个Map任务会产生多个spill文件，在Map任务完成前，所有的spill文件将会归并排序为一个索引文件和数据文件。当spill文件归并完成后，Map将删除所有的临时文件，并告知TaskTracker任务已完成。

二 reduce的shuffle阶段

1-copy阶段：Reduce端通过HTTP获取Map端的数据，只要有一个map任务完成，Reduce任务就开始复制它的输出。JobTracker知道Map输出与TaskTracker的映射关系，Reduce端有一个线程间歇地向JobTracker询问Map输出的地址，直到把所有的数据都获取到。

2-排序阶段，又称合并阶段。将多个已经排序的文件合并成一个文件。Merge有三种形式：内存到内存，内存到磁盘，磁盘到磁盘。

此过程顺序比较插入排序算法，可能都不叫算法。只是对多个已排序文件合并成一个文件。