MapReduce工作机制

MapTask工作机制

1. Read阶段：MapTask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：该节点主要将解析出的key/value交给用户编写的map()函数处理，并产生一系列新的key/value。
3. Collection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，先对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

溢写阶段详情：
步骤一：利用快速排序算法对缓冲区内的数据进行排序，排序方式是先对分区编号Partition进行排序，然后按照key进行排序。经过排序后，数据以分区为单位聚集在一起，而且同一分区内所有的数据按照key有序。
步骤二：按照分区编号由小到大一次将每个分区中的数据写入任务工作目录的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一个聚集操作。
步骤三：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

5. Combine阶段：当所有数据处理完后，MapTask对所有临时文件进行一次合并，以确保最后只生成一个数据文件。

Reduce Task工作机制

1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放入内存中。

2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

3）Sort阶段：按照MapReduce语义，用户编写reduce（）函数输入数据是按照key进行聚合的一组数据。为了将key相同的数据聚在一起，hadoop采用了基于排序的策略，由于各个MapTask已经实现对自己的处理结果进行了局部排序。因此，ReduceTask只需对所有数据进行一次归并排序即可。

4）Reduce·阶段：reduce()函数将计算结果写到HDFS上。