Mapreduce程序分为五个阶段:
input
map
shuffle
reduce
output
其中shuffle是Mapreduce的核心,它的主要职责是把map的输出结果有效的·传送到reduce端。其过程分为map端和reduce端的操作
。对shuffle过程的理解尤为重要,mapreduce的优化通常是对shuffle过程进行优化,shuffle过程在面试中也会经常问到。
对shuffle过程讲解之前,我们先具体说以下,它实现的功能
- 分区
决定当前的key交给哪个reduce进行处理,其中相同的key必须由同一个reduce进行处理
,在reduce中一个默认的分区函数式是使用hash方法。常见的方法使用hash(key)mod R 进行取模运算,以此决定该记录将被分区到哪个reduce节点。hash方法能够产生比较平衡的分区。下面是mapreduce默认的分区方法
public class HashPartitioner<K, V> extends Partitioner<K, V> {
/** Use {@link Object#hashCode()} to partition. */
public int getPartition(K key, V value,