MapReduce过程详解

Hadoop越来越火，围绕Hadoop的子项目更是增长迅速，光Apache官网上列出来的就十几个，但是万变不离其宗，大部分项目都是基于Hadoop Common。

MapReduce更是核心中的核心。那么到底什么是MapReduce，它具体是怎么工作的呢？

关于它的原理，说简单也简单，随便画个图喷一下Map和Reduce两个阶段似乎就完了。但其实这里面还包含了很多的子阶段，尤其是Shuffle，很多资料里都把它称为MapReduce的“心脏”，和所谓“奇迹发生的地方”。真正能说清楚其中关系的人就没那么多了。可是了解这些流程对我们理解和掌握MapReduce并对其进行调优是非常有用的。

首先我们看一幅图，包含了从头到尾的整个过程，后面对所有步骤的解释都以此图作为参考(此图100%原创)

这张图简单来说，就是说在我们常见的Map和Reduce之间还有一系列的过程，其中包括partition、Sort、Combine、copy、merge等，而这些过程往往被统称为“Shuffle”也就是“混洗”，而Shuffle的目的就是对数据进行梳理，排序，以便科学的方式分发给每个Reducer，以便高效的进行计算和处理(难怪人家说这事奇迹发生的地方，原理这里面有这么多花花，能没奇迹嘛？)

如果您是Hadoop的大牛，看了这幅图可能马上就要跳出来了，不对！还有一个spill过程云云。。。

且慢，关于spill，我认为只是一个实现细节，其实就是MapReduce利用内存缓冲的方式提高效率，整个的过程和原理并没有受影响，所以在此忽略掉spill过程，以便更好了解。

光看原理图还是有点费解是吧？没错！我一直认为，没有例子的文章就是耍流氓，所以我们就用大家耳熟能详的WordCount作为例子，开始我们的讨论。

先创建两个文本文件，作为我们例子的输入：

file1 内容为：

[html]  view plain copy

1. My name is Tony  
2. My company is pivotal  

file2 内容为：

[html]  view plain copy

1. My name is Lisa  
2. My company is EMC  

第一步：对输入分片进行map()处理

首先我们的输入就是两个文件，默认情况下是两个split，对应前面图中的split0，split1。两个split默认会分给两个Mapper来处理，WordCount例子相当地暴力，这一步里面就是把文件内容分解为单词和1，其中的单词就是我们的key，后面的数字就是对应的值，也就是value【在此假设各位都对WordCount程序烂熟于心】。

那么对应两个Mapper的输出就是：

split0被处理后的数据为：

[html]  view plain copy

1. My       1  
2. name    1  
3. is         1  
4. Tony     1  
5. My          1  
6. company     1  
7. is       1  
8. Pivotal   1  

split1被处理后的数据为：

[html]  view plain copy

1. My       1  
2. name    1  
3. is       1  
4. Lisa     1  
5. My       1  
6. company  1  
7. is       1  
8. EMC   　　1  

第二步：对map()的输出结果进行Partition

partition是什么？partition就是分区。

为什么要分区？因为有时候会有多个Reducer，partition就是提前对输入进行处理，根据将来的Reducer进行分区，到时候Reducer处理的时候，只需要处理分给自己的数据就可以了。

如何分区？主要的分区方法就是按照key不同，把数据分开，其中很重要的一点就是要保证key的唯一性，因为将来做Reduce的时候很可能是在不同的节点上做的，如果一个key同时存在两个节点上，Reduce的结果就会出问题，所以很常见的partition方法就是哈希。

结合我们的例子，我们这里假设有两个Reducer，前面两个Split做完Partition的结果就会如下：

split0的数据经过map()后再进行分区

partition 1：

[html]  view plain copy

1. company　1  
2. is     　1  
3. is　　　　1  

Partition 2：

[html]  view plain copy

1. My　　   1  
2. My　　　　1  
3. name　　1  
4. Pivotal   1  
5. Tony　　  1  

注：按Key进行hash并且对reducer数量(这里设置为2)取模，所以结果只能是两个。

split1的数据经过map()后再进行分区(同split0)：

partition 1：

[html]  view plain copy

1. company 1  
2. is 　　　1  
3. is      1  
4. EMC　　　1  

Partition 2：

[html]  view plain copy

1. My　　   1  
2. My       1  
3. name　　 1  
4. Lisa     1  

注：其中partition1是给Reducer1处理的，partition2是给Reducer2处理的。这里我们可以看到，partition只是把所有的条目按照key分了一个区，没有其他任何处理，每个区里面的key都不会出现在另外一个区里面。

第三步：sort

sort就是排序咯，其实这个过程在我看来并不是必须的，完全可以交给客户端自己的程序来处理。那为什么还要排序呢？可能是写MapReduce的大牛们想，“大部分reduce程序应该都希望输入的是已经按key排序号的数据，如果是这样，那么我们就干脆顺手帮你做掉啦！”

那么我们假设对前面的数据再进行排序，结果如下：

split0 的partition 1中的数据排序后如下：

[html]  view plain copy

1. company　1  
2. is     　1  
3. is　　　　1  

split0的partition 2中的数据排序后如下：

[html]  view plain copy

1. My　　   1  
2. My　　　　1  
3. name　　1  
4. Pivotal   1  
5. Tony　　  1  

split1的partition 1中的数据排序后如下：

[html]  view plain copy

1. company 1  
2. EMC　　 1  
3. is 　　　1  
4. is      1  

split1的partition 2中的数据排序后如下：

[html]  view plain copy

1. Lisa　　 1  
2. My　　   1  
3. My       1  
4. name　　 1  

注：这里可以看到，每个partition里面的条目都按照key的顺序做了排序。

第四步：Combine

什么是Combine呢？combine其实可以理解为一个mini Reduce过程，它发生在前面Map的输出结果之后，目的就是在结果送到Reducer之前先对其进行一次计算，以减少文件的大小，方便后面的传输。但这一步不是必须的。

按照前面的输出，执行Combine：

split0的partition 1的数据为：

[html]  view plain copy

1. company　1  
2. is     　2  

split0的partition 2的数据为：

[html]  view plain copy

1. My　　   2  
2. name　　1  
3. Pivotal   1  
4. Tony　　  1  

split1的partition1 的数据为：

[html]  view plain copy

1. Partition 1:  
2. company 1  
3. EMC　　 1  
4. is 　　　2  

split1的partition 2的数据为：

[html]  view plain copy

1. Lisa　　 1  
2. My　　   2  
3. name　　 1  

注：针对前面的输出结果，我们已经局部地统计了is和My的出现频率，减少了输出文件的大小。

第五步：copy

下面就要准备把输出结果传送给Reducer了。这个阶段被称为Copy，但事实上我认为叫它Download更为合适，因为实现的时候，是通过http的方式，由Reducer节点向各个Mapper节点下载属于自己分区的数据。

那么根据前面的partition，下载完的结果如下：

Reducer 节点1的共包含两个文件(split0的partition1和split1的partition1)：

[html]  view plain copy

1. Partition 1:  
2. company　1  
3. is     　2  
4.    
5. Partition 1:  
6. company　　1  
7. EMC　　　　1  
8. is　　　　2  

Reducer 节点2也是两个文件(split0的partition1和split1的partition2)：

[html]  view plain copy

1.  Partition 2:   
2. My　　   2  
3. name　　1  
4. Pivotal   1  
5. Tony　　  1  
6.    
7. Partition 2:  
8. Lisa　　 1  
9. My　　   2  
10. name　　 1  

注：通过Copy，相同Partition的数据落到了同一个节点上。

第六步：Merge

如上一步所示，此时Reducer得到的文件是从不同的Mapper那里下载到的，需要对他们进行合并为一个文件，所以下面这一步就是Merge，结果如下：

Reducer 节点1的数据如下：

[html]  view plain copy

1. company　1  
2. company  1  
3. EMC　　  1  
4. is     　2  
5. is　　　　2   

Reducer节点2的数据如下：

[html]  view plain copy

1. Lisa　　1  
2. My　　   2  
3. My　　　　2  
4. name　　1  
5. name　　1  
6. Pivotal   1  
7. Tony　　  1  

注：Map端也有merge的过程，发生在环形缓冲区部分。

第七步：reduce处理

终于可以进行最后的Reduce啦，这步相当简单咯，根据每个文件中的内容最后做一次统计，结果如下：

Reducer节点1的数据：

[html]  view plain copy

1. company　2  
2. EMC　　　　1  
3. is     　4  

Reducer节点2的数据：

[html]  view plain copy

1. Lisa　　1  
2. My　　   4  
3. name　　2  
4. Pivotal   1  
5. Tony　　  1  

至此大功告成！我们成功统计出两个文件里面每个单词的数目，同时把他们存入到两个输出文件中，这两个输出文件也就是传说中的part-r-00000和part-r-00001，看看两个文件的内容，再回头想想最开始的Partition，应该是清楚了其中的奥秘吧。

如果你在你自己的环境中运行的WordCount只有part-r-00000一个文件的话，那应该是因为你使用的是默认设置，默认一个Job只有一个Reducer。

如果你想设置两个，你可以：

1.在源代码中加入 job.setNumReduceTasks(2)，设置这个Job的Reducer为两个。

或者

2.在mapred-site.xml中设置下面参数并重启服务

[html]  view plain copy

1. <property>  
2.   <name>mapred.reduce.tasks</name>  
3.   <value>2</value>  
4. </property>  

如果在配置文件中设置，整个集群都会默认使用两个Reducer了。

结束语：

本文大致描述了一下MapReduce的整个过程以及每个阶段所做的事情，并没有涉及具体的Job，resource的管理和控制，因为那个是第一代MapReduce框架和Yarn框架的主要区别。而两代框架中上述MapReduce的原理是差不多的。