MapReduce中shuffle过程

shuffle是MapReduce的核心，map和reduce的中间过程。

Map负责过滤分发，reduce归并整理，从map输出到reduce输入就是shuffle过程。

实现的功能

分区

决定当前key交给哪个reduce处理

默认：按照key的hash值对reduce的个数取余进行分区

 

分组

将相同key的value合并

排序

按照key对每一个keyvalue进行排序，字典排序

过程

 

map端shuffle

spill阶段：溢写

每一个map task处理的结果会进入环形缓冲区（内存100M）

分区

对每一条key进行分区（标上交给哪个reduce）

hadoop      1       reduce0
hive        1       reduce0
spark       1       reduce1
hadoop      1       reduce0
hbase       1       reduce1

排序

按照key排序，将相同分区的数据进行分区内排序

hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1

溢写

当整个缓冲区达到阈值80%，开始进行溢写

将当前分区排序后的数据写入磁盘变成一个文件file1
最终生成多个spill小文件

可以在mapred-site.xml中设置内存的大小和溢写的阈值

在mapred-site.xml中设置内存的大小
​
　　　　<property>
​
　　　　　　<name>mapreduce.task.io.sort.mb</name>
​
　　　　　　<value>100</value>
​
　　　　</property>
​
在mapred-site.xml中设置内存溢写的阈值　　
​
　　　　<property>
​
　　　　　　<name>mapreduce.task.io.sort.spill.percent</name>
​
　　　　　　<value>0.8</value>
​
　　　　</property>

 

merge:合并

将spill生成的多个小文件进行合并

排序：将相同分区的数据进行分区内排序，实现comparator比较器进行比较。最终形成一个文件。

file1
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1
​
file2
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1
​
end_file:
hadoop      1       reduce0
hadoop      1       reduce0
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hive        1       reduce0
hbase       1       reduce1
hbase       1       reduce1
spark       1       reduce1
spark       1       reduce1

map task 结束，通知app master，app master通知reduce拉取数据

reduce端shuffle

map task1
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hive        1       reduce0
        hive        1       reduce0
        hbase       1       reduce1
        hbase       1       reduce1
        spark       1       reduce1
        spark       1       reduce1
map task2
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hive        1       reduce0
        hive        1       reduce0
        hbase       1       reduce1
        hbase       1       reduce1
        spark       1       reduce1
        spark       1       reduce1

reduce启动多个线程通过http到每台机器上拉取属于自己分区的数据

reduce0：
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hive        1       reduce0
    hive        1       reduce0
    hive        1       reduce0
    hive        1       reduce0

merge:合并，将每个map task的结果中属于自己的分区数据进行合并

排序：对整体属于我分区的数据进行排序

分组：对相同key的value进行合并，使用comparable完成比较。

hadoop，list<1,1,1,1,1,1,1,1>
hive,list<1,1,1,1>

　　

优化

combine

在map阶段提前进行一次合并。一般等同于提前执行reduce

job.setCombinerClass(WCReduce.class);

compress

压缩中间结果集，减少磁盘IO以及网络IO

压缩配置方式

1.default：所有hadoop中默认的配置项
2.site：用于自定义配置文件，如果修改以后必须重启生效
3.conf对象配置每个程序的自定义配置
4.运行时通过参数实现用户自定义配置
bin/yarn jar xx.jar -Dmapreduce.map.output.compress=true -Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.Lz4Codec main_class input_path ouput_path

查看本地库支持哪些压缩

bin/hadoop checknative

通过conf配置对象配置压缩

public static void main(String[] args) {
        Configuration configuration = new Configuration();
        //配置map中间结果集压缩
        configuration.set("mapreduce.map.output.compress","true");
        configuration.set("mapreduce.map.output.compress.codec", "org.apache.hadoop.io.compress.Lz4Codec");
        //配置reduce结果集压缩
        configuration.set("mapreduce.output.fileoutputformat.compress","true");
        configuration.set("mapreduce.output.fileoutputformat.compress.codec", "org.apache.hadoop.io.compress.Lz4Codec");
        try {
            int status = ToolRunner.run(configuration, new MRDriver(), args);
            System.exit(status);
        } catch (Exception e) {
            e.printStackTrace();
        }
}

　

通过自定义配置文件site-xml   

针对Map Output数据进行压缩设置

对于MR程序来说：
提交任务的时候使用参数配置

mapreduce.map.output.compress=true
mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec

 

 

运行官方MapReduce案例 wordcount    可在Yarn上看到

 

 

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/whcwkw1314/p/8970985.html