总结：详细讲解MapReduce过程(整理补充)

最新推荐文章于 2024-10-22 00:35:24 发布

AI周红伟

最新推荐文章于 2024-10-22 00:35:24 发布

阅读量1.5k

点赞数 2

分类专栏：区块链

本文链接：https://blog.csdn.net/starzhou/article/details/109016763

版权

区块链专栏收录该内容

188 篇文章 3 订阅

订阅专栏

从启动和资源调度来看MapReduce过程

Hadoop 1.x版本

首先-先了解一下必知概念

From：MapReduce工作原理图文详解，JobTracker和TaskTracker概述

客户端（Client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；
JobTracker：JobTracker是一个后台服务进程，启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。
- 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
- 状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。主要作用：容错和为任务调度提供决策依据。
- JobTracker只有一个，他负责了任务的信息采集整理，你就把它当做包工头把，这个和采用Master/Slave结构中的Master保持一致
- JobTracker 对应于 NameNode
- 一般情况应该把JobTracker部署在单独的机器上
TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。
- 从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等
- 将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker，节点健康情况、资源使用情况，任务执行进度、任务运行状态等，比如说map task我做完啦，你什么时候让reduce task过来拉数据啊
- TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。
- TaskTracker都需要运行在HDFS的DataNode上
HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面
- NameNode：管理文件目录结构，接受用户的操作请求,管理数据节点(DataNode)
- DataNode：是HDFS中真正存储数据的
  - Block：是hdfs读写数据的基本单位，默认64MB大小，就是说如果你有130MB数据，那就要分成三个block，两个存放64MB，最后一个存放2MB数据，虽然最后一个block块是64MB，但实际上占用空间为2MB
- Sencondary NameNode：它的目的是帮助 NameNode 合并编辑日志，减少 NameNode 启动时间，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。可参考Secondary NameNode:它究竟有什么作用？

其次-走一遍流程

规范是：

执行的步骤
- 步骤中涉及的知识点
  - 知识点的补充

按照这样的规范进行讲解

在客户端启动一个作业。拿个比方说，我提交了一个hive程序
- 客户端（Client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；
向JobTracker请求一个Job ID，就像你排队买车一样，你不得摇个号啊，没有这个号你就不能买车(执行任务)。
- JobTracker：JobTracker是一个后台服务进程，启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。
  - 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
  - 状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。主要作用：容错和为任务调度提供决策依据。
  - JobTracker只有一个，他负责了任务的信息采集整理，你就把它当做包工头把，这个和采用Master/Slave结构中的Master保持一致
  - JobTracker 对应于 NameNode
  - 一般情况应该把JobTracker部署在单独的机器上
将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门为该作业创建的文件夹中。文件夹名为该作业的Job ID。JAR文件默认会有10个副本（mapred.submit.replication属性控制）；输入划分信息(Split)告诉了JobTracker应该为这个作业启动多少个map任务等信息。
- HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面
  - NameNode：管理文件目录结构，接受用户的操作请求,管理数据节点(DataNode)
  - DataNode：是HDFS中真正存储数据的
    - Block：是hdfs读写数据的基本单位，默认64MB大小，就是说如果你有130MB数据，那就要分成三个block，两个存放64MB，最后一个存放2MB数据，虽然最后一个block块是64MB，但实际上占用空间为2MB
  - Sencondary NameNode：它的目的是帮助 NameNode 合并编辑日志，减少 NameNode 启动时间，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。可参考[Secondary NameNode:它究竟有什么作用？
JobTracker接收到作业后，将其放在一个作业队列里(一般来说，公司部门都与自己的队列，默认的调度方法是FIFO，也就是first in first out-队列)，等待作业调度器对其进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息(Split)为每个划分创建一个map任务，并将map任务分配给TaskTracker执行。对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。
- TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。
  - 从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等
  - 将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker，节点健康情况、资源使用情况，任务执行进度、任务运行状态等，比如说map task我做完啦，你什么时候让reduce task过来拉数据啊
  - TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。
  - TaskTracker都需要运行在HDFS的DataNode上
TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。

Hadoop 2.x版本

相较于1.x的版本，目前绝大多数公司用的都是基于2.x的版本，很大的区别就在于使用了Yarn作为了资源管理器，可以使不同的计算框架运行与同一个资源调度器下，而且也解决了1.x版本中JobTracker压力过大，无法扩展及NameNode单点故障等问题。

首先阐述几个重要概念

在这里插入图片描述

ResouceManager
包含主要的组件：定时调用器(Scheduler)以及应用管理器(ApplicationManager)。

定时调度器(Scheduler)：从本质上来说，定时调度器就是一种策略，或者说一种算法。当 Client 提交一个任务的时候，它会根据所需要的资源以及当前集群的资源状况进行分配。注意，它只负责向应用程序分配资源，并不做监控以及应用程序的状态跟踪。
应用管理器(ApplicationManager)：同样，听名字就能大概知道它是干嘛的。应用管理器就是负责管理 Client 用户提交的应用。上面不是说到定时调度器（Scheduler）不对用户提交的程序监控嘛，其实啊，监控应用的工作正是由应用管理器（ApplicationManager）完成的。

ApplicationMaster

每当 Client 提交一个 Application 时候，就会新建一个 ApplicationMaster 。由这个 ApplicationMaster 去与 ResourceManager 申请容器资源，获得资源后会将要运行的程序发送到容器上启动，然后进行分布式计算。

NodeManager

NodeManager 是 ResourceManager 在每台机器的上代理，负责容器的管理，并监控他们的资源使用情况（cpu，内存，磁盘及网络等），以及向 ResourceManager/Scheduler 提供这些资源使用报告。

执行过程如图所示

From：https://blog.csdn.net/lb812913059/article/details/79897863
在这里插入图片描述

通过submit或者waitForCompletion提交作业，waitForCompletion()方法通过每秒循环轮转作业进度如果发现与上次报告有改变，则将进度报告发送到控制台
向ResourceManager申请Application ID，RM检查输入输出说明、计算输入分片
复制作业的资源文件，将作业信息(jar、配置文件、分片信息)复制到HDFS上用户的应用缓存目录中
通过submitApplication()方法提交作业到资源管理器
资源管理器在收到submitApplication()消息后，将请求传递给调度器(Scheduler)
调度器为其分配一个容器Container,然后RM在NM的管理下在container中启动程序的ApplicationMaster进程
ApplicationMaster对作业进行初始化，创建过个薄记对象以跟踪作业进度
是一个java应用程序，他的主类是MRAppmaster
ApplicationMaster接受来自HDFS在客户端计算的输入分片
对每一个分片创建一个map任务，任务对象，由mapreduce.job.reduces属性设置reduce个数

uber模式：当任务小的时候就会启动一个JVM运行MapReduce作业，这在MapReduce1中是不允许的；这样的作业在YARN中成为uber作业，通过设置mapreduce.job.ubertask.enable设置为false使用；那什么是小任务呢?当小于10个mapper且只有1个reducer且输入大小小于一个HDFS块的任务

如果作业不适合uber任务运行，ApplicationMaster就会为所有的map任务和reduce任务向资源管理器申请容器
请求为任务指定内存需求，map任务和reduce任务的默认都会申请1024MB的内存
资源管理器为任务分配了容器，ApplicationMaster就通过节点管理器启动容器。
该任务由主类YarnChild的java应用程序执行。
运行任务之前，首先将资源本地化，包括作业配置、jar文件和所有来自分布式缓存的文件
最后执行map任务和reduce任务

用人话描述大致描述一下

首先Client向ResourceManager (RM)提交一个Application，RM找了下下资源比较丰富的NodeManager(NM)，要求他开辟一个container来启动ApplicationMaster(AM), AM收集到启动任务需要用到的资源量(如申请的map的个数依赖于Input Split的大小)，将所需要的资源量向RM提交，RM通过一个资源列表的方式选择一些资源相对丰富的NM返回，告诉AM哪一些节点NM可用启动任务，AM开始和NM进行通信，告知启动对应的map/reduce任务；NM开辟一些列的container来执行这些任务，和AM保持通信。一旦所有任务执行结束，AM向Client输出结果并向RM注销自己

以提交一个完整的mapreduce任务来演示，这里用hive

<span style="color:#000000"><code class="language-sql">hive<span style="color:#669900">></span> <span style="color:#c678dd">set</span> mapred<span style="color:#999999">.</span>job<span style="color:#999999">.</span>queue<span style="color:#999999">.</span>name<span style="color:#669900">=</span>root<span style="color:#999999">.</span>xxxxxxxxx<span style="color:#999999">;</span>
    <span style="color:#669900">></span> <span style="color:#c678dd">insert</span> overwrite <span style="color:#c678dd">table</span> query_result
    <span style="color:#669900">></span> <span style="color:#c678dd">select</span> <span style="color:#669900">*</span> <span style="color:#c678dd">from</span> A <span style="color:#c678dd">join</span> B <span style="color:#c678dd">on</span> A<span style="color:#999999">.</span>name<span style="color:#669900">=</span>B<span style="color:#999999">.</span>name<span style="color:#999999">;</span>    <span style="color:#5c6370"># 这里是提交一个job，这里提交hive任务</span>
    
Query ID <span style="color:#669900">=</span> xx_20161216130626_40fda9ef<span style="color:#669900">-</span><span style="color:#98c379">386</span>f<span style="color:#669900">-</span><span style="color:#98c379">4</span>ef3<span style="color:#669900">-</span><span style="color:#98c379">9</span>e13<span style="color:#669900">-</span><span style="color:#98c379">7</span>b08ad69118c  <span style="color:#5c6370"># 申请资源</span>
Total jobs <span style="color:#669900">=</span> <span style="color:#98c379">3</span>
Launching Job <span style="color:#98c379">1</span> <span style="color:#c678dd">out</span> <span style="color:#c678dd">of</span> <span style="color:#98c379">3</span>
Number <span style="color:#c678dd">of</span> reduce tasks <span style="color:#669900">not</span> specified<span style="color:#999999">.</span> Estimated <span style="color:#c678dd">from</span> input <span style="color:#c678dd">data</span> size: <span style="color:#98c379">1</span>   <span style="color:#5c6370"># reduce个数如果没有设置，那就根据split来确定</span>
<span style="color:#669900">In</span> <span style="color:#c678dd">order</span> <span style="color:#c678dd">to</span> change the average <span style="color:#c678dd">load</span> <span style="color:#c678dd">for</span> a reducer <span style="color:#999999">(</span><span style="color:#669900">in</span> bytes<span style="color:#999999">)</span>:
  <span style="color:#c678dd">set</span> hive<span style="color:#999999">.</span><span style="color:#c678dd">exec</span><span style="color:#999999">.</span>reducers<span style="color:#999999">.</span>bytes<span style="color:#999999">.</span>per<span style="color:#999999">.</span>reducer<span style="color:#669900">=</span><span style="color:#669900"><</span>number<span style="color:#669900">></span>
<span style="color:#669900">In</span> <span style="color:#c678dd">order</span> <span style="color:#c678dd">to</span> <span style="color:#c678dd">limit</span> the maximum number <span style="color:#c678dd">of</span> reducers:
  <span style="color:#c678dd">set</span> hive<span style="color:#999999">.</span><span style="color:#c678dd">exec</span><span style="color:#999999">.</span>reducers<span style="color:#999999">.</span>max<span style="color:#669900">=</span><span style="color:#669900"><</span>number<span style="color:#669900">></span>
<span style="color:#669900">In</span> <span style="color:#c678dd">order</span> <span style="color:#c678dd">to</span> <span style="color:#c678dd">set</span> a constant number <span style="color:#c678dd">of</span> reducers:
  <span style="color:#c678dd">set</span> mapreduce<span style="color:#999999">.</span>job<span style="color:#999999">.</span>reduces<span style="color:#669900">=</span><span style="color:#669900"><</span>number<span style="color:#669900">></span>
<span style="color:#c678dd">Starting</span> Job <span style="color:#669900">=</span> job_1481285758114_429080<span style="color:#999999">,</span> Tracking URL <span style="color:#669900">=</span> http:<span style="color:#5c6370">//bigdata-hdp-apache500.xg01:8088/proxy/application_1481285758114_429080/</span>
<span style="color:#c678dd">Kill</span> Command <span style="color:#669900">=</span> <span style="color:#669900">/</span>usr<span style="color:#669900">/</span><span style="color:#c678dd">local</span><span style="color:#669900">/</span>hadoop<span style="color:#669900">-</span><span style="color:#98c379">2.7</span><span style="color:#98c379">.2</span><span style="color:#669900">/</span>bin<span style="color:#669900">/</span>hadoop job  <span style="color:#669900">-</span><span style="color:#c678dd">kill</span> job_1481285758114_429080
Hadoop job information <span style="color:#c678dd">for</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span>: number <span style="color:#c678dd">of</span> mappers: <span style="color:#98c379">2</span><span style="color:#999999">;</span> number <span style="color:#c678dd">of</span> reducers: <span style="color:#98c379">1</span>
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">06</span>:<span style="color:#98c379">39</span><span style="color:#999999">,</span><span style="color:#98c379">518</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">0</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">0</span><span style="color:#669900">%</span>
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">06</span>:<span style="color:#98c379">50</span><span style="color:#999999">,</span><span style="color:#98c379">846</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">50</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">0</span><span style="color:#669900">%</span><span style="color:#999999">,</span> Cumulative CPU <span style="color:#98c379">3.7</span> sec
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">06</span>:<span style="color:#98c379">55</span><span style="color:#999999">,</span><span style="color:#98c379">987</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">100</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">0</span><span style="color:#669900">%</span><span style="color:#999999">,</span> Cumulative CPU <span style="color:#98c379">11.24</span> sec
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">07</span>:<span style="color:#98c379">13</span><span style="color:#999999">,</span><span style="color:#98c379">418</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">100</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">67</span><span style="color:#669900">%</span><span style="color:#999999">,</span> Cumulative CPU <span style="color:#98c379">12.53</span> sec
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">07</span>:<span style="color:#98c379">28</span><span style="color:#999999">,</span><span style="color:#98c379">715</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">100</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">82</span><span style="color:#669900">%</span><span style="color:#999999">,</span> Cumulative CPU <span style="color:#98c379">16.31</span> sec
<span style="color:#98c379">2016</span><span style="color:#669900">-</span><span style="color:#98c379">12</span><span style="color:#669900">-</span><span style="color:#98c379">16</span> <span style="color:#98c379">13</span>:<span style="color:#98c379">07</span>:<span style="color:#98c379">58</span><span style="color:#999999">,</span><span style="color:#98c379">252</span> Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span> map <span style="color:#669900">=</span> <span style="color:#98c379">100</span><span style="color:#669900">%</span><span style="color:#999999">,</span>  reduce <span style="color:#669900">=</span> <span style="color:#98c379">100</span><span style="color:#669900">%</span><span style="color:#999999">,</span> Cumulative CPU <span style="color:#98c379">17.7</span> sec
MapReduce Total cumulative CPU <span style="color:#c678dd">time</span>: <span style="color:#98c379">17</span> seconds <span style="color:#98c379">700</span> msec
Ended Job <span style="color:#669900">=</span> job_1481285758114_429080
Stage<span style="color:#669900">-</span><span style="color:#98c379">4</span> <span style="color:#669900">is</span> selected <span style="color:#c678dd">by</span> condition resolver<span style="color:#999999">.</span>
Stage<span style="color:#669900">-</span><span style="color:#98c379">3</span> <span style="color:#669900">is</span> filtered <span style="color:#c678dd">out</span> <span style="color:#c678dd">by</span> condition resolver<span style="color:#999999">.</span>
Stage<span style="color:#669900">-</span><span style="color:#98c379">5</span> <span style="color:#669900">is</span> filtered <span style="color:#c678dd">out</span> <span style="color:#c678dd">by</span> condition resolver<span style="color:#999999">.</span>
Moving <span style="color:#c678dd">data</span> <span style="color:#c678dd">to</span>: hdfs:<span style="color:#5c6370">//mycluster-tj/tmp/hive-staging/hadoop_hive_2016-12-16_13-06-26_309_6781206579090170211-1/-ext-10000</span>
Loading <span style="color:#c678dd">data</span> <span style="color:#c678dd">to</span> <span style="color:#c678dd">table</span> test<span style="color:#999999">.</span>query_result
<span style="color:#c678dd">Table</span> test<span style="color:#999999">.</span>query_result stats: <span style="color:#999999">[</span>numFiles<span style="color:#669900">=</span><span style="color:#98c379">1</span><span style="color:#999999">,</span> numRows<span style="color:#669900">=</span><span style="color:#98c379">3</span><span style="color:#999999">,</span> totalSize<span style="color:#669900">=</span><span style="color:#98c379">69</span><span style="color:#999999">,</span> rawDataSize<span style="color:#669900">=</span><span style="color:#98c379">66</span><span style="color:#999999">]</span>
MapReduce Jobs Launched:
Stage<span style="color:#669900">-</span>Stage<span style="color:#669900">-</span><span style="color:#98c379">1</span>: Map: <span style="color:#98c379">2</span>  Reduce: <span style="color:#98c379">1</span>   Cumulative CPU: <span style="color:#98c379">17.7</span> sec   HDFS <span style="color:#c678dd">Read</span>: <span style="color:#98c379">13657</span> HDFS <span style="color:#c678dd">Write</span>: <span style="color:#98c379">142</span> SUCCESS
Total MapReduce CPU <span style="color:#c678dd">Time</span> Spent: <span style="color:#98c379">17</span> seconds <span style="color:#98c379">700</span> msec
OK
owntest<span style="color:#999999">.</span>name	owntest<span style="color:#999999">.</span>age	owntest2<span style="color:#999999">.</span>workplace	owntest2<span style="color:#999999">.</span>name
<span style="color:#c678dd">Time</span> taken: <span style="color:#98c379">96.932</span> seconds
</code></span>

以上是在客户端、JobTracker、TaskTracker的层次来分析MapReduce的工作原理的，下面我们再细致一点，从map任务和reduce任务的层次来分析分析吧。

从Map，Reduce，Shuffle理解

总体步骤

这里写图片描述

也就分成input，split，map，shuffle，reduce五个步骤，这里我们按照例子来简单说明下，再详细的说明我会放在后面的细分部分，这部分作用是了解下mapreduce的怎么个流程。这里是一个wordcount的过程了

input：也就是数据存储位置，这里当然是类似于hdfs这样的分布式存储啦，
split：因为map task只读split，而split基本上和hdfs的基本存储块block同样大小注意：split是逻辑分片，一个split对应一个map，你可以把它当做map的单位块来理解，投喂进map的时候必须要这样的格式，打个比方，比如只收硬币的地铁站，你只能投放1元硬币的，你投什么五毛，一角的，都是犯法的！对，警察叔叔就是他！

map：这里做的是wordcount，而map程序是由程序原来编写的，如果非要用代码来写，我用python写你别打我

<span style="color:#000000"><code class="language-python">splitdata <span style="color:#669900">=</span> <span style="color:#669900">'Deer Bear River'</span> 
aftermap <span style="color:#669900">=</span> <span style="color:#669900">map</span><span style="color:#999999">(</span><span style="color:#c678dd">lambda</span> x<span style="color:#999999">:</span><span style="color:#999999">(</span>x<span style="color:#999999">,</span><span style="color:#98c379">1</span><span style="color:#999999">)</span><span style="color:#999999">,</span>splitdata<span style="color:#999999">.</span>split<span style="color:#999999">(</span><span style="color:#669900">" "</span><span style="color:#999999">)</span><span style="color:#999999">)</span>
<span style="color:#c678dd">print</span> aftermap

<span style="color:#5c6370"># [('Deer', 1), ('Bear', 1), ('River', 1)]</span>
</code></span>

三个map对应三组Split，我这里只取了其中一组，就是这么个意思，组成key/value键值对

shuffle：这是一个比较核心的过程，shuffle有洗牌的意思，这里的意思你把她理解成在拉斯维加斯赌场发牌的小姐姐，但是这个小姐姐并不是随机发牌，而是把红桃发给A先生，黑桃都发给B先生，诸如此类。如果非要说有什么套路，那么其中有一个HashPartitioner就帮我们做了hash，你把它想成低配版的聚类，狭义版聚类，因为这里的类特喵的必须是值hash(key)%reduceNum相等的发到同一个reduce里去啊！

reduce：既然都说了似wordcount了，那我，额，额，做戏做全套，我还是用python来写这个过程

<span style="color:#000000"><code class="language-python">shuffledata <span style="color:#669900">=</span> <span style="color:#999999">[</span><span style="color:#999999">(</span><span style="color:#669900">'Deer'</span><span style="color:#999999">,</span> <span style="color:#98c379">1</span><span style="color:#999999">)</span><span style="color:#999999">,</span><span style="color:#999999">(</span><span style="color:#669900">'Deer'</span><span style="color:#999999">,</span> <span style="color:#98c379">1</span><span style="color:#999999">)</span><span style="color:#999999">,</span><span style="color:#999999">(</span><span style="color:#669900">'River'</span><span style="color:#999999">,</span> <span style="color:#98c379">1</span><span style="color:#999999">)</span><span style="color:#999999">]</span>
afterreduce_dict <span style="color:#669900">=</span> <span style="color:#999999">{</span><span style="color:#999999">}</span>
<span style="color:#c678dd">for</span> i <span style="color:#c678dd">in</span> shuffledata<span style="color:#999999">:</span>
    <span style="color:#c678dd">if</span> i<span style="color:#999999">[</span><span style="color:#98c379">0</span><span style="color:#999999">]</span> <span style="color:#669900">not</span> <span style="color:#c678dd">in</span> afterreduce_dict<span style="color:#999999">:</span>
        afterreduce_dict<span style="color:#999999">[</span>i<span style="color:#999999">[</span><span style="color:#98c379">0</span><span style="color:#999999">]</span><span style="color:#999999">]</span> <span style="color:#669900">=</span> <span style="color:#98c379">0</span>
    afterreduce_dict<span style="color:#999999">[</span>i<span style="color:#999999">[</span><span style="color:#98c379">0</span><span style="color:#999999">]</span><span style="color:#999999">]</span> <span style="color:#669900">+=</span><span style="color:#98c379">1</span>

<span style="color:#c678dd">print</span> afterreduce_dict

<span style="color:#5c6370"># {'River': 1, 'Deer': 2}</span>
</code></span>

这个‘reduce’只是对传统意义上的取键值对统计而已，理解这层意思就行，不要纠结形式

总体的步骤就是这么5步，其实最玄妙的shuffle还没有拆开细讲，接下来，见证shuffle的时刻，百分之九十抄的(捂脸)

再细分

shuffle是什么？

除了map，reduce，中间部分就是shuffle，它横跨了map和reduce两端，可以说是核心过程

这里你只要清楚Shuffle的大致范围就成－怎样把map task的输出结果有效地传送到reduce端。也可以这样理解， Shuffle描述着数据从map task输出到reduce task输入的这段过程。你说我map task干完活了要输出数据了，然后接下来数据给哪个reduce？不能因为我和那个reduce关系好，我把所有输出结果都给它把，总要考虑下别的reduce的感受啊！那怎么分配？就有了shuffle过程！上面给了两张图，我都是盗来的，一张是官方的解释，一张是中文翻译，Tkanks-MapReduce:详解Shuffle过程、MapReduce工作原理图文详解

shuffle解决什么问题？

在Hadoop这样的集群环境中，大部分map task与reduce task的执行是在不同的节点上。当然很多情况下Reduce执行时需要跨节点去拉取其它节点上的map task结果。如果集群正在运行的job有很多，那么task的正常执行对集群内部的网络资源消耗会很严重。这种网络消耗是正常的，我们不能限制，能做的就是最大化地减少不必要的消耗。还有在节点内，相比于内存，磁盘IO对job完成时间的影响也是可观的。从最基本的要求来说，我们对Shuffle过程的期望可以有：

完整地从map task端拉取数据到reduce 端。
在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗。
减少磁盘IO对task执行的影响。

Map端分析

与上图步骤1，2，3，4一一对应来解释

InputSplit：输入数据来源于HDFS的block，当然在MapReduce概念中，map task只读取Split，也就是是我们所说的分片。在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务。
- Block是HDFS的基本存储单元，上文也有写，Block默认大小是64MB
- Split是map task只读的单位，存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组
- Split与block的对应关系可能是多对一，默认是一对一

Running map task 就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行，这也就是上问所提到的 数据本地化！

数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

partition：partition是分割map每个节点的结果，按照key分别映射给不同的reduce，也是可以自定义的。这里其实可以理解归类。我们对于错综复杂的数据归类。比如在动物园里有牛羊鸡鸭鹅，他们都是混在一起的，但是到了晚上他们就各自牛回牛棚，羊回羊圈，鸡回鸡窝。partition的作用就是把这些数据归类。只不过在写程序的时候，mapreduce使用哈希HashPartitioner帮我们归类了。默认是hash(key)%R(Reduce task的数量)哈希函数分散到各个reducer去
- 简单的hash做分配，就比如说我map task输出键值对(1,1),(2,1),(3,1), 我有三个reducer，假设我写个hash是除3取余的值为分配到的reducer位置(其实是要将key先变hash code再除的，我这里简略)，那么(1,1)被分配到第一个reduce，(2,1)被分配到第二个reduce，(3,1)被分配到第三个reduce，同理再来个(4,1)被分配到第一个reduce，HashPartitioner的目的就是合理的分组策略将使得每个Reducer获得的计算负载差距不大，从而整体reduce的性能更加均衡。
- 没理解HashPartitioner的胖友，可以参考下这个MapReduce 编程系列十使用HashPartitioner来调节Reducer的计算负载

**Memory Buffer & 3：**这是一个环形的缓冲区。map task输出结果首先会进入一个缓冲区内，这个缓冲区的大小是100MB，如果map task内容太大，是很容易撑爆内存的，所以会有一个守护进程，每当缓冲区到达上限80%的时候，就会启动一个Spill(溢写)进程，它的作用是把内存里的map task的结果写入到磁盘。这里值得注意的是，溢写程序是单独的一个进程，不会影响map task的继续输出（在写磁盘过程中，另外的20%内存可以继续写入数据，两种操作互不干扰，但如果在此期间缓冲区被填满，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再执行写入内存。）。当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为，这里的排序也是对序列化的字节做的排序。shuffle排序可以参考这里

在这个缓冲区内会有二次排序，先对partition分区排序，然后对同一个partition内的数据进行排序。
很多人的误解在Map阶段，如果不使用Combiner便不会排序，这是错误的，不管你用不用Combiner，Map Task均会对产生的数据排序（如果没有Reduce Task，则不会排序，实际上Map阶段的排序就是为了减轻Reduce端排序负载）
数据按照partition值和key两个关键字升序排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位聚集在一起，同一partition内的按照key有序。

Combiner：如果client设置过Combiner，那么现在就是使用Combiner的时候了。将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量，combiner简单说就是map端的reduce！。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。那哪些场景才能使用Combiner呢？从这里分析，Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果。所以从我的想法来看，Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。但对于均值就会有影响；Combiner的使用一定得慎重，如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果。

Merge： 每次溢写会在磁盘上生成一个溢写文件，如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个溢写文件存在。当map task真正完成时，内存缓冲区中的数据也全部溢写到磁盘中形成一个溢写文件。最终磁盘中会至少有一个这样的溢写文件存在(如果map的输出结果很少，当map执行完成时，只会产生一个溢写文件)，因为最终的文件只有一个，所以需要将这些溢写文件归并到一起。

引用：然后为merge过程创建一个叫file.out的文件和一个叫file.out.Index的文件用来存储最终的输出和索引，一个partition一个partition的进行合并输出。对于某个partition来说，从索引列表中查询这个partition对应的所有索引信息，每个对应一个段插入到段列表中。也就是这个partition对应一个段列表，记录所有的Spill文件中对应的这个partition那段数据的文件名、起始位置、长度等等。然后对这个partition对应的所有的segment进行合并，目标是合并成一个segment。当这个partition对应很多个segment时，会分批地进行合并：先从segment列表中把第一批取出来，以key为关键字放置成最小堆，然后从最小堆中每次取出最小的输出到一个临时文件中，这样就把这一批段合并成一个临时的段，把它加回到segment列表中；再从segment列表中把第二批取出来合并输出到一个临时segment，把其加入到列表中；这样往复执行，直到剩下的段是一批，输出到最终的文件中。最终的索引数据仍然输出到Index文件中。
也就是说，上述三个spill.out文件中，同一个颜色的表示计算出的partition的值是一致的，根据每一个spill.out文件都有spill.index文件对应，里面记录了该out文件中某个partition的位置，将同一个partition从三个spill.out文件中都拿出来进行归并操作，搞定后变成了最终文件的头部，然后再采集蓝色部分代表的partition，往复操作，最终每个map都会对应出一个结果文件，等待reduce来拉取自己需要处理的部分，至于怎么拉，拉谁，这个都记录在index中，其实就是partition的值了

Merge是怎样的？比如“aaa”从某个map task读取过来时值是5，从另外一个map 读取时值是8，因为它们有相同的key，所以得merge成group。什么是group。对于“aaa”就是像这样的：{“aaa”, [5, 8, 2, …]}，数组中的值就是从不同溢写文件中读取出来的，然后再把这些值放在一起。
合并（Combine）和归并（Merge）的区别：
两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>，每个map都会有一个环形缓冲区，merge默认对此溢写文件进行合并，而combine则需要设置，设置后，同个key的value会相加

在这里插入图片描述

补充一下，combine这个如果设置了，会在两个地方被触发；

第一次是在溢写磁盘前，缓冲区对key进行排序后，会触发一次；
第二次是在merge最终将一堆溢写文件合并成单个文件时，也会触发一次，但在这里触发的时候需在 numSpills>mapreduce.map.combine.minspills(默认3) ，combiner时才执行；如果map输出规模较少，只存在一两个溢写的文件，那么不值得调用combine带来的开销。

补充另一点，在shuffle阶段中map端涉及到的排序

在spill的过程中时，会对partition和key进行排序，确保partition内的key是有序的，这里用的是优化后的快排；然后再溢写到小文件之后，针对这些小文件，最终需要merge到一个文件，这里也会出现一次排序，这里用的基本思想就是归并排序，其实是可以理解的，因为在溢写的文件块内，已经保证局部有序了，相当于只需要将局部有序的列表进行合并，形成一个全局有序的，这个让归并来做实在合适，甚至只需要做归并的后半部分！我用代码阐述下

<span style="color:#000000"><code class="language-python">
<span style="color:#5c6370"># 假设两个溢写文件且是两个partition的情况，里面的key已经有序了，现在需要全局有序，也就是小文件a,b merge到temp的过程</span>

a <span style="color:#669900">=</span> <span style="color:#999999">[</span><span style="color:#98c379">1</span><span style="color:#999999">,</span><span style="color:#98c379">2</span><span style="color:#999999">,</span><span style="color:#98c379">4</span><span style="color:#999999">,</span><span style="color:#98c379">7</span><span style="color:#999999">,</span><span style="color:#98c379">20</span><span style="color:#999999">,</span><span style="color:#98c379">23</span><span style="color:#999999">]</span>
b <span style="color:#669900">=</span> <span style="color:#999999">[</span><span style="color:#98c379">3</span><span style="color:#999999">,</span><span style="color:#98c379">5</span><span style="color:#999999">,</span><span style="color:#98c379">9</span><span style="color:#999999">,</span><span style="color:#98c379">11</span><span style="color:#999999">,</span><span style="color:#98c379">13</span><span style="color:#999999">,</span><span style="color:#98c379">17</span><span style="color:#999999">,</span><span style="color:#98c379">19</span><span style="color:#999999">,</span><span style="color:#98c379">20</span><span style="color:#999999">]</span>
a_size <span style="color:#669900">=</span> <span style="color:#669900">len</span><span style="color:#999999">(</span>a<span style="color:#999999">)</span>
b_size <span style="color:#669900">=</span> <span style="color:#669900">len</span><span style="color:#999999">(</span>b<span style="color:#999999">)</span>
temp <span style="color:#669900">=</span> <span style="color:#999999">[</span><span style="color:#999999">]</span>
i<span style="color:#999999">,</span>j <span style="color:#669900">=</span> <span style="color:#98c379">0</span><span style="color:#999999">,</span><span style="color:#98c379">0</span>
<span style="color:#c678dd">while</span> i <span style="color:#669900">!=</span> a_size <span style="color:#669900">and</span> j <span style="color:#669900">!=</span> b_size<span style="color:#999999">:</span>
    <span style="color:#c678dd">if</span> a<span style="color:#999999">[</span>i<span style="color:#999999">]</span> <span style="color:#669900"><</span> b<span style="color:#999999">[</span>j<span style="color:#999999">]</span><span style="color:#999999">:</span>
        temp<span style="color:#999999">.</span>append<span style="color:#999999">(</span>a<span style="color:#999999">[</span>i<span style="color:#999999">]</span><span style="color:#999999">)</span>
        i <span style="color:#669900">=</span> i <span style="color:#669900">+</span> <span style="color:#98c379">1</span>
    <span style="color:#c678dd">else</span><span style="color:#999999">:</span>
        temp<span style="color:#999999">.</span>append<span style="color:#999999">(</span>b<span style="color:#999999">[</span>j<span style="color:#999999">]</span><span style="color:#999999">)</span>
        j <span style="color:#669900">=</span> j <span style="color:#669900">+</span> <span style="color:#98c379">1</span>
    

temp<span style="color:#999999">.</span>extend<span style="color:#999999">(</span>b<span style="color:#999999">[</span>j<span style="color:#999999">:</span><span style="color:#999999">]</span> <span style="color:#c678dd">if</span> i <span style="color:#669900">==</span> a_size <span style="color:#c678dd">else</span> a<span style="color:#999999">[</span>i<span style="color:#999999">:</span><span style="color:#999999">]</span><span style="color:#999999">)</span>

<span style="color:#999999">[</span><span style="color:#98c379">1</span><span style="color:#999999">,</span> <span style="color:#98c379">2</span><span style="color:#999999">,</span> <span style="color:#98c379">3</span><span style="color:#999999">,</span> <span style="color:#98c379">4</span><span style="color:#999999">,</span> <span style="color:#98c379">5</span><span style="color:#999999">,</span> <span style="color:#98c379">7</span><span style="color:#999999">,</span> <span style="color:#98c379">9</span><span style="color:#999999">,</span> <span style="color:#98c379">11</span><span style="color:#999999">,</span> <span style="color:#98c379">13</span><span style="color:#999999">,</span> <span style="color:#98c379">17</span><span style="color:#999999">,</span> <span style="color:#98c379">19</span><span style="color:#999999">,</span> <span style="color:#98c379">20</span><span style="color:#999999">,</span> <span style="color:#98c379">20</span><span style="color:#999999">,</span> <span style="color:#98c379">23</span><span style="color:#999999">]</span>

</code></span>

代码比较简陋，但是阐述了归并的基本思想，就是使用外部排序的方式，开辟一个缓冲区进行排序，这样就不会局限于内存的限制了，其实在大数据排序中经常碰到，指针交替前进，最后刷完整个列表；

至此，map端的所有工作都已结束，最终生成的这个文件也存放在TaskTracker够得着的某个本地目录内。每个reduce task不断地通过RPC从JobTracker那里获取map task是否完成的信息，如果reduce task得到通知，获知某台TaskTracker上的map task执行完成，Shuffle的后半段过程开始启动。

关于这个过程更详细的请见 MapReduce shuffle过程详解

Reduce端分析

Copy过程: Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。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TaskTracker获取map task的输出文件。因为map task早已结束，这些文件就归TaskTracker管理在本地磁盘中。

默认情况下，当整个MapReduce作业的所有已执行完成的Map Task任务数超过Map Task总数的5%后，JobTracker便会开始调度执行Reduce Task任务。然后Reduce Task任务默认启动mapred.reduce.parallel.copies(默认为5）个MapOutputCopier线程到已完成的Map Task任务节点上分别copy一份属于自己的数据。这些copy的数据会首先保存的内存缓冲区中，当内冲缓冲区的使用率达到一定阀值后，则写到磁盘上。
有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了。还有就是map端已经做完了partition，reduce根据partition标识符来拉自己需要的数据

Merge: 这里的merge如map端的merge动作，只是数组中存放的是不同map端copy来的数值。Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置，因为Shuffle阶段Reducer不运行，所以应该把绝大部分的内存都给Shuffle用。这里需要强调的是，merge有三种形式：1)内存到内存 2)内存到磁盘 3)磁盘到磁盘。默认情况下第一种形式不启用，让人比较困惑，是吧。当内存中的数据量到达一定阈值，就启动内存到磁盘的merge。与map 端类似，这也是溢写的过程，这个过程中如果你设置有Combiner，也是会启用的，然后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行，直到没有map端的数据时才结束，然后启动第三种磁盘到磁盘的merge方式生成最终的那个文件。
Reducer的输入文件。不断地merge后，最后会生成一个“最终文件”。为什么加引号？因为这个文件可能存在于磁盘上，也可能存在于内存中。对我们来说，当然希望它存放于内存中，直接作为Reducer的输入，但默认情况下，这个文件是存放于磁盘中的。当Reducer的输入文件已定，整个Shuffle才最终结束。
reduce阶段：和map函数一样也是程序员编写的，最终结果是存储在hdfs上的。