mapreduce处理流程以及shuffle机制

mapreduce处理流程

1. 读取指定目录下待处理文件，假设数据大小为200M；

2. 在客户端submit()之前，获取待处理数据的信息，然后根据设置的**配置参数**，形成一个任务规划，就是**切片信息**，根据待处理数据文件大小根据参数配置划分为不同的文件，默认是128M进行切分，待处理数据文件就会被切分成两个文件；

3. 切片完成之后，就会向Yarn提交切片信息（Job.split .jar job.xml）；

4. Yarn收到消息之后会调用ResourceManager创建一个ApplicationMaster(AppMaster)它是负责资源调度的，AppMaster根据提交的信息计算出MapTask的数量，根据例子为两个mapTasks,并启动mapTask；

5. 启动完mapTask之后，InputFormat里的RecoderReader去读取待处理数据，把数据返回给Mapper，map函数就会根据用户自定义的逻辑进行处理得到新的<k,v>；

6. 得到新的<k,v>对之后，会有collector进行收据数据；

7. 收集完成之后就会向一个环形缓冲区中写入数据（环形缓冲区默认大小100M内存）当写道80%的时候就会反向溢写到磁盘中；

8. 在环形缓冲区中会对数据进行分区 partition，然后再分区内部进行排序（因为不同分区会对应不同的reduceTask所以再内部分区就可以）通过使用快排算法按照字典顺序对key排序。

9. 完成之后把文件序列化溢写到磁盘形成一个个小文件。

10. 然后进行merge归并排序，意思时按照分区，对属于同一个分区内的小文件合并之后再进行排序。

11. 当所有的mapTask完成之后，Appmaster启动相应分区数量的reduceTask处理数据

12. reduceTask复制mapTask已经归并排序好的数据，将相同分区的数据放在同一个reduceTask的本地磁盘中。

13. 将不同mapTask中的partition数据复制到同一个reduceTask之后需要在将多个小文件进行合并排序为一个大文件

14. 然后按照相同key作为一组数据做reduce处理，处理完成之后，然后将最后结果写到指定位置。

下面是一个图片参考帮助理解（上面的处理步骤的数字和下图上的数字不是一一对应的）

 

 shuffle机制

Map 方法之后，Reduce 方法之前的数据处理过程称之为 Shuffle

上图的流程是整个 MapReduce 最全工作流程，但是 Shuffle 过程只是从第 7 步开始到第 16 步结束，具体 Shuffle 过程详解，如下：

（1）MapTask 收集我们的 map()方法输出的 kv 对，放到内存缓冲区中

（2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

（3）多个溢出文件会被合并成大的溢出文件

（4）在溢出过程及合并的过程中，都要调用 Partitioner 进行分区和针对 key 进行排序

（5）ReduceTask 根据自己的分区号，去各个 MapTask 机器上取相应的结果分区数据

（6）ReduceTask 会抓取到同一个分区的来自不同 MapTask 的结果文件，ReduceTask 会将这些文件再进行合并（归并排序）

（7）合并成大文件后，Shuffle 的过程也就结束了，后面进入 ReduceTask 的逻辑运算过 程（从文件中取出一个一个的键值对 Group，调用用户自定义的 reduce()方法）

注意： （1）Shuffle 中的缓冲区大小会影响到 MapReduce 程序的执行效率，原则上说，缓冲区 越大，磁盘 io 的次数越少，执行速度就越快。 （2）缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb 默认 100M。