MapReduce框架原理之MapTask工作机制

 

一、MapTask并行度决定机制

maptask并行度决定map阶段任务处理的并发度，进而影响整个job的处理速度。

一个job的map阶段MapTask并行度（个数），由客户端提交job时的切片个数决定。

例如，切两个切片，就会生成两个map task，切3个切片，就会生成3个map task。如图所示：

 

二、MapTask工作机制

MapTask工作机制如图所示：

（1）Read阶段：Map Task通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。

（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用context.write，context.write底层 OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并等操作。

（5）Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认100）个文件，并将产生的文件重新加入待合并列表中。对文件排序后，重复以上过程，直到最终得到一个大文件。