hadoop之shuffle阶段相关面试题解析

--思考1：map()方法写出的数据存储到哪里？                                              --内存中
1、在内存中存有一个环形缓冲区，该缓冲区默认大小是100M，map()方法中写出的kv数据会进入到环形缓冲区内，但是map()写出的kv数据是很大的，环形缓冲区不可能存的下，考虑到这一情况，设计者设置环形缓冲区的运行机制设置为：当写入环形缓冲区的数据达到整个缓冲区的80%时，发生溢写操作（落盘），将缓冲区内80%的kv数据溢写到磁盘，保证后续的数据可以陆续写入

--思考2：为什么不等到将缓冲区写满100%后再发生溢写操作？
为了避免map()方法写数据的停止，设计者预留出20%的空间，当缓冲区内80%的数据在执行溢写操作时，另外20%的空间仍然可以进行kv数据的写入操作（写入到缓冲区），从而不用终止map()方法写入的操作

--思考3：map()方法写出到环形缓冲区中的数据有哪些？
map()方法写入缓冲区的数据不仅仅是kv数据，同时还含有~kv数据的元数据meta信息、kv所属分区（在map方法写出数据进入到缓冲区前 ~就计算出分区号）

2、缓冲区内记录的N多个kv数据写入磁盘时，并不是直接进行一次性写入的，而是要对多个kv进行排序（按照key排序），默认情况下是按照字典序排序，将排好序的kv数据写出到不同的分区内，比如分区1、分区2...
注意：各分区内部的数据是独立进行排序的，互不影响                             --map阶段第1次排序（快排）
注意：本次排序只是对索引进行排序，并不产生位置的交换，根据索引去内存中查找数据，溢写数据时直接根据索引找值

3、溢写操作~排好序的分区数据会溢写到一个文件中，该文件中存储多个分区的数据
4、那么整个map()方法写出的数据经过缓冲区处理后，可能是产生N多个溢写文件
5、对于reduce来讲，缓冲区的N多个溢写文件就是它要处理的数据，

--思考4：reduce是直接从多个MapTask~map()方法 写出的多个溢写文件中 拷贝对应分区的数据做处理？
不是，原因：在一个MR程序中，MapTask的个数一般是大于ReduceTask个数的，因为分数据可以多台机器做，但是合数据reduce一定是少的，代表计算能力比较弱

6、考虑到合操作较弱的情况，因此设计者设计在每个map()方法经过缓冲区处理后产生的N多个溢写文件提前进行一次合并（归并操作），从而减缓reduce端合数据计算的压力
注意：N多个溢写文件在进行归并排序时，各分区的数据在合并时仍然是做排序的    --map阶段第2次排序（归并）
                                              局部有序的数据在做整体排序时，归并排序效率是很高的
7、N多个MapTask任务执行完毕后，N多个map()方法，都会最终产生归并排序后的 大~总溢写文件，那么ReduceTask在获取多个总溢写文件时，根据分区 拷贝多个总溢写文件上 对应的分区数据交给对应的reduce程序处理,内存不够，写到磁盘，等全部数据读取完毕后，reduce对属于同分区的kv数据再次做归并排序，最后分组，分组原因：相同key的多个kv组进入到同一个reduce方法做运算                                       --reduce端排序（归并）
    （ 每个ReduceTask按照所要处理的分区， 到每个MapTask中拷贝对应的分区的数据.）
8、reduce端对排好序的数据进行分组，然后进入reduce方法进行业务处理

--思考5：用mapreduce怎么处理数据倾斜问题？

数据倾斜问题分析：当map /reduce程序执行时，reduce节点大部分执行完毕，但是有一个或者几个reduce节点运行很慢，导致整个程序的处理时间很长，这是因为某一个key的条数比其他key多很多（有时是百倍或者千倍之多），这条key所在的reduce节点所处理的数据量比其他节点就大很多，从而导致某几个节点迟迟运行不完，此称之为数据倾斜。

解决方案：

（1）局部聚合加全局聚合。

第一次在 map 阶段对那些导致了数据倾斜的 key 加上 1 到 n 的随机前缀，这样本来相同的 key 也会被分到多个 Reducer 中进行局部聚合，数量就会大大降低。

第二次 mapreduce，去掉 key 的随机前缀，进行全局聚合。

思想：二次 mr，第一次将 key 随机散列到不同 reducer 进行处理达到负载均衡目的。第二次再根据去掉 key 的随机前缀，按原 key 进行 reduce 处理。

这个方法进行两次 mapreduce，性能稍差。

（2）增加 Reducer，提升并行度

JobConf.setNumReduceTasks(int)

（3）实现自定义分区

根据数据分布情况，自定义散列函数，将 key 均匀分配到不同 Reducer

--思考6：为什么设置reduce的个数，就可以实现分区的效果？

首先默认情况下，通过源码MapTask~run()方法~找到runNewMapper(//347行)方法进入~找到output = new NewOutputCollector(//782行)方法进入~查看下面代码并解析

//此位置获取的就是在Driver类中设置的reduce个数，如果没有设置默认就是1个
partitions = jobContext.getNumReduceTasks();                                    -711行    
if (partitions > 1) {
//如果说reduce的个数大于1， 会尝试获取一个分区器类,通过mapreduce.job.partitioner.class参数获取，
// 默认mapreduce.job.partitioner.class没有配置，则直接返回HashPartitioner.class 。
    partitioner = (org.apache.hadoop.mapreduce.Partitioner<K,V>)    --partitioner分区器对象
    ReflectionUtils.newInstance(jobContext.getPartitionerClass(), job);
//查看getPartitionerClass()源码~找JobContextImpl(232行)类~查看getClass()方法
//查看【mapred-default.xml】~mapreduce.job.partitioner.class未设置值~使用HashPartitioner
} else {                --partitions不大于1，默认是1
    // 最终的分区号就是固定的0号分区。
    partitioner = new org.apache.hadoop.mapreduce.Partitioner<K,V>() {
    @Override
    public int getPartition(K key, V value, int numPartitions) {
            return partitions - 1;            --默认使用的是HashPartitioner分区，返回0，即0号分区
       }
   };
}

源码解析得出结论：
有多少个分区是由reduce个数决定的，
设置reduce的个数后，源码层面是生成一个分区器对象，而分区器对象中的业务处理就是计算最终要分区的个数（通过重写getPartition()方法），所以说，设置了reduce的个数就实现了分区的效果。

--思考7：获取到的分区器在哪里使用?
通过源码逐步分析：
1、context.write(outk,outv);                    --Mapper中的map()方法写出数据到缓冲区，查看源码
2、进入write()方法~TaskInputOutputContext接口~(ctrl+alt+B)查找该接口实现类~进入ChainMapContextImpl类（108行）~output.write()~进入RecordWriter抽象类~查找该抽象类的实现类NewOutputCollector（在MapTask中705行）~找到NewOutputCollector类中的write()方法726行
@Override
public void write(K key, V value) throws IOException, InterruptedException {
//collector可以看作就是缓冲区对象，它去收集kv，并同时通过分区器对象获取的分区号，所以在数据写出到缓冲区之前，分区号就已经是计算出来的
     collector.collect(key, value,
                 partitioner.getPartition(key, value, partitions));
}

--思考8：分区的数据具体是如何分的？
    1、首先明确一点，数据的分区是由分区器(Partitioner)对象来决定的.    
    2、Hadoop有默认的分区器对象 HashPartitioner .          --通过源码可以看到
          HashPartitioner会按照k的hash值对Reduce的个数进行取余操作~得到k所对应的分区.
    3、hadoop也支持用户自定义分区器
    
--思考9：HashPartitioner默认分区器具体是如何进行分区号计算的？
通过ctrl+N查找HashPartitioner类（mapreduce包下）~查看getPartition()方法
public int getPartition(K key, V value,int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}

源码分析得出结论：
通过计算每个key的hash值和Int类型的最大值做 与运算，然后对设置的reduce个数进行 取余操作，最终得到分区号。
通过取余操作，余数是0的数据，就进入0号分区文件中，余数是1的，就进入1号分区文件中
与运算的作用是保证得到的数值是正数。
注意：分区的计算不一定是非要按照key进行计算，HADOOP默认情况是通过key计算分区号，也可以自己定义按照value或者key+value等等。

--设置分区个数的注意事项

1、reduce个数的设置
     如果不设置，reduce的个数默认为1 ，则最终的分区号是固定的 0 
     如果 1 <   reduce个数  < 分区数, 报错 
     如果 reduce个数  > 分区数，  不报错， 多出的reduce节点空跑一趟.
     最佳: reduce的个数就设置为实际的分区数.
2、分区号只能从0开始，逐一累加

--自定义分区器案例演示

1、FlowBean
public class FlowBean implements Writable {

//    上行流量
    Integer upFlow;
//    下行流量
    Integer downFlow;
//    总流量
    Integer sumFlow;
    
    public Integer getUpFlow() {return upFlow;}
    public void setUpFlow(Integer upFlow) {this.upFlow = upFlow;}
    public Integer getDownFlow() {return downFlow;}
    public void setDownFlow(Integer downFlow) {this.downFlow = downFlow;}
    public Integer getSumFlow() {return sumFlow;}
    public void setSumFlow(Integer sumFlow) {this.sumFlow = sumFlow;}

    /**
     * 用于计算一个手机号，流量和
     */
    public void setSumFlow(){setSumFlow(getUpFlow() + getDownFlow());}

    //反序列化执行时，需要一个承载数据的载体，通过无参构造创建载体对象
    public FlowBean() {}

    public void write(DataOutput out) throws IOException {
        out.writeInt(upFlow);
        out.writeInt(downFlow);
        out.writeInt(sumFlow);
    }
    public void readFields(DataInput in) throws IOException {
        this.upFlow = in.readInt();
        this.downFlow = in.readInt();
        this.sumFlow = in.readInt();
    }
    @Override
    public String toString() {
        return this.upFlow + "\t" + this.downFlow + "\t" + this.sumFlow;
    }
}

2、FlowMapper
public class FlowMapper extends Mapper<LongWritable, Text,Text, FlowBean> {
    private Text outk = new Text();
    private FlowBean outv = new FlowBean();
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//        super.map(key, value, context);

        String line = value.toString();
        String[] splits = line.split("\t");
//      封装key
        outk.set(splits[1]);
//        封装value
        outv.setUpFlow(Integer.parseInt(splits[splits.length - 3]));
        outv.setDownFlow(Integer.parseInt(splits[splits.length - 2]));
        outv.setSumFlow();
//        写出数据
        context.write(outk,outv);
    }
}

3、FlowReducer
public class FlowReducer extends Reducer<Text, FlowBean,Text, FlowBean> {
    private FlowBean outv = new FlowBean();
    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
//        super.reduce(key, values, context);
        int totalUpFlow = 0;
        int totalDownFlow = 0;
//        迭代values，计算当前key对应的总上行，总下行，总流量和
        for (FlowBean value : values) {
            totalUpFlow += value.getUpFlow();
            totalDownFlow += value.getDownFlow();
        }
//        封装输出的value
        outv.setUpFlow(totalUpFlow);
        outv.setDownFlow(totalDownFlow);
        outv.setSumFlow();
//      写出计算后的结果
        context.write(key,outv);
    }
}

4、MyPartitioner		--自定义分区器
public class MyPartitioner extends Partitioner<Text, FlowBean> {
    public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
        int partition;
        String line = text.toString();
        if(line.startsWith("136")){
            partition = 0;
        }else if(line.startsWith("137")){
            partition = 1;
        }else if(line.startsWith("138")){
            partition = 2;
        }else if(line.startsWith("139")){
            partition = 3;
        }else {
            partition = 4;
        }
        return partition;
    }
}

5、Driver
public class FlowDriver {
public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        job.setJarByClass(FlowDriver.class);
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);
//        设置使用自定义分区
        job.setPartitionerClass(MyPartitioner.class);				--查看set源码
//        设置ReducerTask执行个数，根据分区器逻辑分区个数设置对应ReducerTask
        job.setNumReduceTasks(5);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        FileInputFormat.setInputPaths(job,new Path("D:\\bigtools\\hadooptest\\inputflow"));
        FileOutputFormat.setOutputPath(job,new Path("D:\\bigtools\\hadooptest\\combineoutput1"));
        job.waitForCompletion(true);
    }
}

--思考10：shuffle中排序有哪些？

1、全排序     所有的数据整体排序，要求只能有一个分区，一个reduce，效率极低，完全丧失了MR的并行机制
2、区内排序   每个分区内的数据整体排序.根据输入记录的键完成
3、辅助排序    (分组排序) reduce端
4、二次排序   在自定义排序中，如果compareTo中的判断条件为两个即为二次排序（比较规则中用到两个条件）

排序源码分析：

1、查找MapTask~run()方法~找到runNewMapper(//347行)方法~找到new NewOutputCollector(//782行)进入~找到createSortingCollector(//710行)方法进入~找到collector.init(context);进入init方法408行~找到实现类MapOutputCollector定位到1018行~comparator = job.getOutputKeyComparator();获取key的比较器对象~进入getOutputKeyComparator(//JobConf的882行)方法~查看源码

public RawComparator getOutputKeyComparator() {
    Class<? extends RawComparator> theClass = getClass(
    //KEY_COMPARATOR = "mapreduce.job.output.key.comparator.class",默认没有设置值
      JobContext.KEY_COMPARATOR, null, RawComparator.class);
    if (theClass != null)
    如果能通过参数获取到，则通过反射创建比较器对象
      return ReflectionUtils.newInstance(theClass, this);
     //	如果通过参数获取不到，则获取到在driver中设置的map的输出的key的类型，
	 // 并判断key的类型是否属于WritableComparable类型，再尝试为key获取比较器对象.
    return WritableComparator.get(getMapOutputKeyClass().asSubclass(WritableComparable.class), this);
  }

2、进入WritableComparator.get()方法
private static final ConcurrentHashMap<Class, WritableComparator> comparators 
          = new ConcurrentHashMap<Class, WritableComparator>(); 
//comparators是一个map集合，键是输出的某个key的类型，value是该类型的比较器对象
public static WritableComparator get(
      Class<? extends WritableComparable> c, Configuration conf) {
    WritableComparator comparator = comparators.get(c);		--从map集合中得到一个比较器对象
    if (comparator == null) {
      // force the static initializers to run
      forceInit(c);											-- 强制进行类加载
      // look to see if it is defined now
      comparator = comparators.get(c);						-- 再次进行获取
      // if not, use the generic one
      if (comparator == null) {				--如果还获取不到，则直接new一个comparator对象出来。
        comparator = new WritableComparator(c, conf, true);
      }
    }
    // Newly passed Configuration objects should be used.
    ReflectionUtils.setConf(comparator, conf);
    return comparator;										--正常获取到比较器对象
  }