MR 之shuffle

1、MapTask 运行机制

详细步骤：

1. 首先，读取数据组件InputFormat（默认TextInputFormat）会通过getSplits方法对输入目录中文
   件进行逻辑切片规划得到splits，有多少个split就对应启动多少个MapTask。split与block的对应关
   系默认是一对一。

2. 将输入文件切分为splits之后，由RecordReader对象（默认LineRecordReader）进行读取，以\n
   作为分隔符，读取一行数据，返回<key，value>。Key表示每行首字符偏移值，value表示这一行
   文本内容。

3. 读取split返回<key,value>，进入用户自己继承的Mapper类中，执行用户重写的map函数。
   RecordReader读取一行这里调用一次。

4. map逻辑完之后，将map的每条结果通过context.write进行collect数据收集。在collect中，会先
   对其进行分区处理，默认使用HashPartitioner

5. 接下来，会将数据写入内存，内存中这片区域叫做环形缓冲区，缓冲区的作用是批量收集map结
   果，减少磁盘IO的影响。我们的key/value对以及Partition的结果都会被写入缓冲区。当然写入之
   前，key与value值都会被序列化成字节数组。

• 环形缓冲区其实是一个数组，数组中存放着key、value的序列化数据和key、value的元数据信
  息，包括partition、key的起始位置、value的起始位置以及value的长度。环形结构是一个抽象概
  念。
• 缓冲区是有大小限制，默认是100MB。当map task的输出结果很多时，就可能会撑爆内存，所以
  需要在一定条件下将缓冲区中的数据临时写入磁盘，然后重新利用这块缓冲区。这个从内存往磁盘
  写数据的过程被称为Spill，中文可译为溢写。这个溢写是由单独线程来完成，不影响往缓冲区写
  map结果的线程。溢写线程启动时不应该阻止map的结果输出，所以整个缓冲区有个溢写的比例
  spill.percent。这个比例默认是0.8，也就是当缓冲区的数据已经达到阈值（buffer size * spill
  percent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执行溢写过程。Map
  task的输出结果还可以往剩下的20MB内存中写，互不影响。

6、当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为!

• 如果job设置过Combiner，那么现在就是使用Combiner的时候了。将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果

7.合并溢写文件：每次溢写会在磁盘上生成一个临时文件（写之前判断是否有combiner），如果
map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个临时文件存在。当
整个数据处理结束之后开始对磁盘中的临时文件进行merge合并，因为最终的文件只有一个，写入
磁盘，并且为这个文件提供了一个索引文件，以记录每个reduce对应数据的偏移量

2、Reduce Task 运行机制

Reduce大致分为copy、sort、reduce三个阶段

详细步骤

• Copy阶段，简单地拉取数据。Reduce进程启动一些数据copy线程(Fetcher)，通过HTTP方式请求maptask获取属于自己的文件。
• Merge阶段。这里的merge如map端的merge动作，只是数组中存放的是不同map端copy来的数值。Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活。merge有三种形式：内存到内存；内存到磁盘；磁盘到磁盘。默认情况下第一种形式不启用。当内存中的
  数据量到达一定阈值，就启动内存到磁盘的merge。与map 端类似，这也是溢写的过程，这个过
  程中如果你设置有Combiner，也是会启用的，然后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行，直到没有map端的数据时才结束，然后启动第三种磁盘到磁盘的merge方式生成最终的文件。
• 合并排序。把分散的数据合并成一个大的数据后，还会再对合并后的数据排序。对排序后的键值对调用reduce方法，键相等的键值对调用一次reduce方法，每次调用会产生零个或者多个键值对，最后把这些输出的键值对写入到HDFS文件中。

3、 Combiner

1. Combiner是MR程序中Mapper和Reducer之外的一种组件
2. Combiner组件的父类就是Reducer
3. Combiner和reducer的区别在于运行的位置
4. Combiner是在每一个maptask所在的节点运行;
5. Combiner的意义就是对每一个maptask的输出进行局部汇总，以减小网络传输量。
6. Combiner能够应用的前提是不能影响最终的业务逻辑，此外，Combiner的输出kv应该跟reducer
   的输入kv类型要对应起来。

自定义Combiner实现步骤

• 自定义一个Combiner继承Reducer，重写Reduce方法
• 在驱动(Driver)设置使用Combiner（默认是不适用Combiner组件）
• 也可以直接使用Reducer 直接作为Combiner，但是要保证Reducer的输入输出kv对的类型一致

参考连接：
https://www.cnblogs.com/qingyunzong/p/8615024.html