Map Reducer的初认识

 

主要的各个阶段

在Split 分片阶段， — 只需要知道有这个阶段就有了，具体大小的关系，如何计算的

所有的输入都会被分成若干个分片，即对对输入的所有文件在block中形成Z个分片。 一个分片（split)会要对应下游一个Map Task。

输入文件默认是要保存到 NataNode的block块中，Hadoop2.x默认的block大小为128MB（可以在hdfs-site.xml中设置参数dfs.block.size)  

在分片阶段，所有的输入文件都会被计算分配到相应的block中， 一个DataNode默认有x个Block，对于输入的文件个数m,分别阶段就是将这m个文件计算如何去放到DataNode的各Block中（如果一个DataNode不够，可能需要增加NataNode的个数），形成Z个分片（一个block不会出现两个文件的数据）。各个文件存放在哪些DataNode的哪些Block中的分片这类相关的 元数据信息就存放在NameNode中。 

延伸： 由于NameNode内存有限，大量的小文件会给hdfs带来性能上的问题。故hdfs适合存放大文件，对于大量的小文件，可以采用压缩、合并小文件的优化策略。例如，设置文件输入类型为CombineFileInputFormat格式。

 

分片的个数影响下游Map任务的个数，在实际情况下，map任务的个数是受多个条件制约，一般一个DataNode的Map正常的并行规模大致是每个节点（node）大约10到100个map，对于CPU 消耗较小的map任务可以设到300个左右。由于每个任务初始化需要一定的时间，因此，比较合理的情况是map执行的时间至少超过1分钟。

 

 

节点Map任务的个数控制： 增加Map个数，可增大mapred.map.tasks；减少map个数，可增大mapred.min.split.size；如果要减少map个数，但有很多小文件，可将小文件合并成大文件，再使用准则2.

 

 

Map阶段：

 

Mapper将输入键值对(key/value pair)映射到一组中间格式的键值对集合。

Map是一类将输入记录集转换为中间格式记录集的独立任务。Map阶段具体的处理在于定义的Mapper.py中的代码是如何定义对数据的处理的。另外，在此阶段的输出中，会考虑其value值是不是分布不均匀，如果当前的不同key对应的value值的量级相差很大，会比较容易产生数据倾斜问题，解决方式是通过设置新的随机数组成的key。

 

 

 

shuffle阶段： 简单说来就是讲所有相同的单词归并到一起，但是这个阶段还不会进行累加。因为最终的结果统计是在reduece阶段做的事情。shuffle阶段会生成一定个数的partition分区，partition的个数是由下游reduce的个数超参数决定的。其实中间还有个sort和partition阶段，一般用shuffle泛指shuffle与sort 了。sort里面，，框架将按照key的值对Reducer的输入进行分组 （因为不同mapper的输出中可能会有相同的key）。Shuffle和Sort两个阶段是同时进行的；map的输出也是一边被取回一边被合并的。

Hadoop里经过sort时则保证了，相同的key出现在一块，一定是相连的。所以写reducer.py的时候，就可以考虑不用如果下一个不同，则key的值的处理就可以停止了！

 

Reduce阶段

对相同key值的各个value进行编码处理，此（统计单词个数）即求和统计各个单词的值。对于每一个Reduce会输出一个结果,如part-r-0000,part-r-0001。注意一个reduce单元可能有多个key。Partitioner、Reduce单元、输出文件这三者的数量是相等的。Reducer阶段的具体处理在于定义的reducer.py中如何将定义的。 

 

 内部执行：

 

 

Reduce任务数量设置：

在大数据量的情况下： 通常建议将reduce任务数量设置为一个较大的值（最大值是72）。一个节点上Reduce 任务数可以通过调节参数mpred.reduce.tasks；可以在代码中调用job.setNumReduceTasks(int n)方法（此是Java的）