【Hadoop】Hadoop生态系列之MapReduce Shuffle概述及常见问题

上一篇：Hadoop生态系列之InputForamt.class与OutputFormat.class分析

MapReduce Shuffle

定义

MapReduce中，mapper 阶段处理的数据如何传递给 reducer 阶段，是MapReduce框架中最关键的一个流程，这个流程就叫Shuffle(也称为“洗牌”)。总体来说shuffle核心流程主要包括以下几个方面：数据分区、排序、局部聚合/Combiner、缓冲区、溢写、抓取/Fetch、归并排序等。

MapReduce Shuffle常见问题

MapReduce能否实现全局排序?

默认情况下MapReduce是无法实现全局有序的，因为底层MapReduce使用的是HashPartitioner实现，仅仅只能保证数据分区内部的数据以key的自然顺序排列，因此无法实现全局有序。但是可以有一下思路完成全局排序：

• 设置NumReduceTask的个数为1，这样会导致所有的数据落入到同一个分区，即可实现全排序，但是只适用于小批量数据集
• 自定义分区策略让数据按照区间分区，不按照hash策略，此时只需要保证区间之间有序即可实现全局有序。但是这种做法会出现区间数据分布不均匀，导致计算过程中出现数据倾斜。
• 使用Hadoop提供的TotalOrderPartitioner，先对目标进行采样，然后推算出分区区间。

参考：https://blog.csdn.net/lalaguozhe/article/details/9211919

如何干预MapReduce的分区策略？

一般来说在实际的开发中，很少去干预分区策略，因为基于大数据首先要考虑的是数据的均匀分布，防止数据倾斜。因此Hash的散列往往是最佳的选择，如果需要覆盖原有分区，可以调用：

job.setPartitionerClass(分区实现类信息即可)

public class CustomHashPartitioner<K, V> extends Partitioner<K, V> {

  public int getPartition(K key, V value,
                          int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}

如何解决在MapReduce计算过程中的数据倾斜问题？

举个栗子： 统计亚洲国家人口，以中国、日本为例。自然会使用国家作为key、公民信息作为value。在进行MapReduce计算的时候，中国的公民因为国籍都是China自然会落入到一个分区中。这样就出现数据严重倾斜。

MapReduce中Map、Reduce并行度是靠什么决定的？

Map端并行度是通过计算任务切片决定的，Reduce端是通过job.setNumReduceTask(n)

MapReduce调优策略

1. 避免小文件计算，线下合并成大文件之后，在进行MapReduce分析或者CombineTextInputFormat。

2. 调整环状缓冲区的参数，减少Map任务的IO操作，不能无限制调大，还要考虑到系统GC问题。

3. 开启Map压缩，将溢写文件压缩成GZIP格式，减少ReduceShuffle过程中的网络带宽占用，消耗CPU为代价

   conf.setBoolean("mapreduce.map.output.compress",true);
   conf.setClass("mapreduce.map.output.compress.codec",
   GzipCodec.class, CompressionCodec.class); ```
   
   

4. 如果条件允许，我们可以开启Map端预处理机制，提前在Map端执行Reduce逻辑，进行局部计算，这样既可极大提升计算性能，但是这种优化手段并不是所有场景都适合。例如：求均值，这种场景就不适合在Map端执行Reduce逻辑。

   • Combiner/Reduce的输入和输出类型必须一致，也就是说预计算逻辑不可以更改Map端输出类型/Reduce端输入类型。
   • 不可以改变原有的业务逻辑，比如 求平均值，虽然类型兼容但是业务计算不正确。
     
     优点： 减少Key数量，节省排序所占用内存空间，极大削减了在ReduceShuffle时候的数据下载量，节省带宽。

5. 适当的调整NodeManager管理的资源数

yarn.nodemanager.resource.memory-mb=32G
yarn.nodemanager.resource.cpu-vcores = 16

或者开启硬件资源监测

yarn.nodemanager.resource.detect-hardware-capabilities=true

6. 如果顺序执行多个小任务，我们可以考虑使用JVM重用机制，可以使用一个JVM顺序执行多个任务，无需重启新的jvm。

mapreduce.job.jvm.numtasks=2

---

下一篇：Hadoop生态系列之搭建HadoopHA集群