shuffle主要流程简介
先对数据进行切片,然后经数据传递给map,map的输出是环形缓冲区,环形缓冲区默认大小是100M,当达到80%的时候数据就溢写到本地,剩余20%用于继续获取数据,在溢写到磁盘的时候会执行partition(分区)和sor(排序),然后对文件进行合并操作,合并完成后reducetask会启动线程去mapTask拉取数据,然后进行文件合并,并进行排序(归并),然后将小文件合并一个大文件并调用reduce方法完成最终输出结果
详细过程
MapTask:
- input Split 分配给Map
- Map过程进行处理,Mapper任务会接收输入的分片,然后不断的调用map方法,对记录进行处理,处理完毕后,转换为新的<key,value>输出(其中每一个分片对应一个map,一个map可以被调用多次来处理分片)
- Map的输出结果会缓存到内存里,当内存中buffer in memory(内存)当达到阈值,(默认的80%),就会把记录溢写到磁盘文件中,然后用剩余的20%来继续接受数据。
ps:优化map时可以调大buffer的阈值,缓存更多的数据 - 内存中进行partition(分区),默认是HashPartition
ps;此hash采用hash(key.hashcode()& Integer.MAX_VALUE)% munReduceTasks 有多少个分区就会有多少个reducetask
目的是将map的结果分给不同的reduce,有几个Partion就有几个reduce,partition的数目可以在job启动的时候通过参数设置,可以让map的结果均匀的分给不同的机器上的reducer,保证负载均衡 - 内存中partition结束后欧,对于不同分区的数据,会按照key进行排序,这里key必须实现WritableComparable接口,该接口实现了Comparable,因此才可以进行比较排序
- 对于排序之后的<key,value>会按照key进行分组,如果key相同,name相同key的<key,value>就会被分割到一个组中,最终,每个分组会调用一次reduce方法。
- 排序分组结束之后,相同的key就在一起组成了一个类表,如果设置过 Combiner,就合并数据,减少写入磁盘
ps:combiner本质即使一个reducer - 当磁盘中的spill文件数目比规定的文件数据多的时候,会多次调用combiner,在不影响结果的前提下,combiner可以被调用多次
- Map结果的时候会把spill出来的多个文件合并一个,merge过程最多10个文件同时合成一个文件,多余的文件就多次调用merge
- Map端的shuffle完毕,数据都有序的放到磁盘中,等待reducer来获取
ReduceTask - reducer的后台会被appMaster指定的机器上将map的output拷贝到本地,先拷贝内存,内存满了,就拷贝磁盘
- Reducer采用Merge sort将来自各个map的数据进行merge,megre成一个有序的更大的文件。
- reduce端job开始,输入是shuffle sort过程所产生的文件
- reduce的输入文件,不断merge后,他们会出现最终文件,这个最终文件可能存储在磁盘也可能在内存。
reduce方法就会被启动,这个文件的处理的结果放到HDFS上