Linux运行MapReduce没有进度,MapReduce运行流程分析

研究MapReduce已经有一段时间了。起初是从分析WordCount程序开始，后来开始阅读Hadoop源码，自认为已经看清MapReduce的运行流程。现在把自己的理解贴出来，与大家分享，欢迎纠错。

还是以最经典的WordCount程序作为基础，来分析map阶段、reduce阶段和最复杂的shuffle阶段。

文本1：hello world                                      文本2：map reduce

hello hadoop                                              java interface

abc qaz                                                      java hdfs

java jvm                                                    spark storm

这样的2个小文本文件(不足64M)，肯定会产生2个map任务，reduce任务默认是1个。当然，map任务和reduce任务的个数都可以在程序中或者配置文件中人为设置。为了说明partition的过程，我们把reduce任务的个数设为2。

1、map阶段

map1                                                            map2

输入：                                         

切分：                                                         

2、shuffle阶段

切分完毕后，每一组都会不断地被collect到一个内存缓冲区中，对应代码中的数据结构MapOutputBuffer。

partition过程：每一组在被收集的时候，就已经确定了分区(partition)，即在这个时候就已经确定了要交给哪个reduce任务处理。分区会给加上一个索引标识。假设分区后(分区算法可以设定，默认是hash值模运算)，数据如下：reduce1的标识是0，reduce2的标识是1

                0                                                                  0

                1                                                                1

                0                                                                    0

            1                                                            1

                  0                                                                  0

                  1                                                                  1

                0                                                                  0

                  1                                                                1

spill过程：缓冲区默认是100M，每当里面的数据达到80M(比例80%，这个比例也可以人为设置)，就会另起一个线程SpillThread往磁盘溢写，每次溢写都会产生一个数据文件和对应的索引文件。

sort过程：在溢写的过程中一直在排序，比较算法可以定制，默认排序算法是快速排序(可以人为设定)，排序的过程就是一些位置的索引在不断的变化。

排序之后的数据：

                0                                                                  1

                0                                                            1

                0                                                                    0

            1                                                                0

                0                                                                  0

                  1                                                              1

                  1                                                                  0

                1                                                                1

combine过程：这个过程默认是没有的，需要明确指定combiner。combiner其实就是一个reducer，可以让数据交给reduce任务之前，进行一些计算、合并。它的意义在于，使数据进一步减少，减轻了                      reduce任务通过网络获取数据的压力和reduce处理数据的压力。combiner也可以自己定制，每个溢写文件都会combine。

combiner会通过一个比较器对key进行比较，相同的key(比较结果为0，比较算法可以定制)，会被放到一个集合的迭代器中，然后迭代进行一次reduce运算，产生一个输出。

combine之后的数据：

                0                                                                1

            0                                                          1

            1                                                            0

                0                                                                  0

                  1                                                              1

                  1                                                                  0

                1                                                                1

merge过程：一个map所有的溢写文件都会进行合并，产生一个最终的溢写文件和一个索引文件。合并是针对于不同的溢写文件中相同分区的数据。在这个合并的过程中，也会进行combine操作(如果设置了的话)，此处的combine过程同上，不再细说。

copy数据过程：每个reduce任务会远程copy属于自己的多个map输出数据文件，通过http传输，在本地会合并。另外，这个过程也会进行combine，此次不过多说明。

结果如下：

reduce0                        reduce1

sort过程：对上述结果进行排序，结果如下：

reduce0                        reduce1

3、reduce阶段

通过一个GroupComparator对key进行比较，相同的key(比较结果为0，比较算法可以定制)，会被放到一个集合的迭代器中，然后迭代进行一次reduce运算，产生一个输出。类似combine过程。

最终的输出：                    reduce0                        reduce1

从上述过程的分析可以看出，合并和排序是核心！！！

PS：其实每个阶段没有这么分明，只不过是为了分析和理解的需要，才进行这样详细的划分，而且划分的还不一定正确，请大家及时纠错。另外，上述流程中涉及到好多的细节，没有一一说明。