Shuffle的过程作用详解

shuffle
shuffle过程中的几个名词：shuffle：洗牌；spill：溢出；combiner：合成；merge：融入混合；copy:复制
shuffle的使用地点：发生在map task输出结果传送到reduce task 输入的阶段
使用shuffle的好处：在从map task端拉取数据到reduce task端时，减少宽带的消耗，
将数据完整的从map task端拉取数据到reduce task端
减少磁盘IO对task的影响
shuffle过程理解：
1.在map task端,输入的数据来源于hdfs,切分成片来读取，默认一个block对于一个split。
在map端执行详细过程：
2.在执行完mapper后，mapper的输出时k/v对。需要给reduce task处理，不同的k/v给哪个reduce处理呢（假设不只有一个reduce）
在这里执行partioner（默认是对key hash,在以ruduce 任务的数量取模。可以看源码）也可以自定义分区。
假如对一个key经过partitioner计算后得到0,那么就确定了分区是part-r-00000;
确定分区之后将该对值写入map的缓存区
1.就这样在map task端将输出的数据写入缓冲区直到到达阈值（默认缓冲区大小100M，阈值是80%）.
达到阈值启动溢写线程（spill）将前面80M的数据写入到磁盘一个文件，这个单独的溢写线程不会影响map task，因为还有20M空间供map task输出结果
启动溢写线程后，对即将写到磁盘上的80M数据的key做排序（sort）。
2.前面处理了一个k/v进入到哪个reduce task，在讲很多k/v写入磁盘时，每一个都知道自己应该被哪个reduce执行，则在磁盘文件时去同一个reduce端的在一起拼团这个过程叫combiner。
combiner是个优化过程，这样可以减少map和reduce任务之间传输的中间数据，减少partition的索引记录。（例如我之前的单词计数例子中map输出的是<hello,1><hello,1>到reduce输入端时<hello,2>）
combiner的使用可以提高效率但是使用不当反而会影响效率。
在这里思考下：Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作？
combiner操作发生在map端，处理一个任务所接收的文件中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据（reduce会拉取不同map 端输出的数据放入一个缓冲区）。
3.如果数据很大，会发生多次溢写既会有多个溢写文件。当map task完成，所有的输出数据都在一些磁盘溢写文件中，然后将多个溢写文件合并到一个文件中这个过程就是merge。
在merge时进行group，把不同map中的相同key合为一个做例如<hello,{1,1}>。如果设置了combiner也会合并切求和或者求平均值（自己定义）
注意，如果没有发生spill也没指定combiner产生的文件里存放的是map的输出例如<hello,1><hello,1>可以通过设置reduce task数量为0 查看part-m-00000文件看
3.到此map端工作结束，生成的这个文件存放在taskTracker能拿到的某个本地目录内，每个reduce task不断地通过RCP从JobTacker那后去map task是否完成。如果reduce task 得到通知获知
某台TaskTrack上的map task执行完成，shuffle开始执行将map的输出拉入reduce过程。
4.rudecer真正执行之前就是不断的拉取当前job里的每个map输出结果然后不断的merge，最终形成一个文件作为reduce task的输入文件。
在reduce 端执行详细过程：
1.copy过程：拉取数据，reduce进程启动一些数据copy线程（Fetcher），通过http方式请求map task所在的TaskTrack 获取map task输出文件（文件被TaskTracker管理在本地磁盘）。
2.merge阶段：merge 动作copy过来的数据先放入内存缓冲区，merge有三种方式：1内存到内存；2内存到磁盘，3磁盘到磁盘默认不启用第一种。类似map中的过程，当到达阈值时也会spill，如果设置combiner也会启用，
在磁盘溢写了很多文件，直到map端没有数据，第二种merge方式结束。然后启用第三种方式merge生成最终的哪个文件
3.reduce的输入文件：最后生成的那个文件默认存在磁盘中shuffle结束，然后执行reducer，把结果放到HDFS上