MapReduce内部执行原理

假设本文用到的输入文件有如下两个。

文件1：

big data
offline data
online data
offline online data

文件2：

hello data
hello online
hello offline

按照时间顺序，MapReduce任务执行包括：输入分片Map、Shuffle和Reduce等阶段，一个阶段的输出正好是下一阶段的输入。

结合上文的示例文件更加深入和详细地介绍上述过程，结合单词计数实例的MapReduce执行阶段和流程图：

1．输入分片

在进行Map计算之前，MapReduce会根据输入文件计算输入分片。每个输入分片对应一个Map任务，输入分片存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组。输入分片往往和HDFS的block（块）关系很密切，假如设定HDFS的块的大小是64MB，如果输入只有一个文件大小为150MB，那么MapReduce会把此大文件切分为三片（分别为64MB、64MB和22MB），同样，如果输入为两个文件，其大小分别是20MB和100MB，那么MapReduce会把20MB文件作为一个输入分片，100MB则切分为两个即64MB和36MB的输入分片。对于上述实例文件1和2，由于非常小，因此分别被作为split1和split2输入Map任务1和2中（此处只为说明问题，实际处理中应将小文件进行合并，否则如果输入多个文件而且文件大小均远小于块大小，会导致生成多个不必要的Map任务，这也是MapReduce优化计算的一个关键点）。

2. Map阶段

Map任务会根据用户自定义的映射规则，输出一系列的<key,value>作为中间结果。比如本例：

big    1
data    1
offline    1
data    1
online    1
data    1
offline     1
online     1
data     1

3．Combiner阶段

Combiner阶段是可选的。Combiner其实也是一种Reduce操作，但它是一个本地化的Reduce操作，是Map运算的本地后续操作，主要是在Map计算出中间文件前做一个简单的合并重复键值的操作，例如上述文件1中data出现了4次，Map计算时如果碰到一个data的单词就会记录为1，这样就重复计算了4次，Map任务输出就会有冗余，这样后续处理和网络传输都被消费不必要的资源，因此通过Combiner操作可以解决和优化此问题，但这一操作是有风险的，使用它的原则是Combiner的输出不会影响到Reduce计算的最终输入，例如，如果计算只是求总数、最大值及最小值，可以使用Combiner操作，但是如果做平均值计算使用Combiner，最终的Reduce计算结果就会出错。如4个<data,1> 经Combiner合并后成<data,4>;

4．Shuffle阶段

为了让Reduce可以并行的处理Map的结果，Map任务的输出必须经过一个名叫Shuffle的阶段才能交给Reduce处理。总体来说，Shuffle阶段包含在Map和Reduce两个阶段中，在Map阶段的Shuffle阶段是对Map的结果进行分区（partition）、排序（sort）、合并（combine）、归并（merge）等操作，得到<key,value>形式的中间结果，然后将属于同一个分区的输出归并（merge）在一起并写在磁盘上，同时按照不同的分区划分发送给对应的Reduce（Map输出的划分和Reduce任务的对应关系由JobTracker确定）的整个过程；Reduce阶段的Shuffle又会将各个Map输出的同一个分区划分的输出进行合并，然后对合并的结果进行排序，最后交给Reduce处理的整个过程。

（1）Map阶段Shuffle

关键字提取：

1. 数据分片
2. 运算结果写入缓存
3. 缓存达到阈值，溢写到磁盘文件
   1. 溢写前会进行分区，分区内排序和合并(可选的，即Combine)
   2. 分区默认采用哈希函数
   3. 排序是默认的操作
   4. 排序后可以合并（Combine），合并不能改变最终结果
4. 归并成大文件
   1. 每次溢写会生成一个溢写文件，这些溢写文件最终要被归并成一个大文件
   2. 归并的意思：生成key和对应的value-list
   3. 文件归并是，如果溢写文件超过min.num.spills.for.combine的值（默认为3）时，可以再次进行合并

通常MapReduce计算的都是海量数据，而且Map输出还需要对结果进行排序，内存开销很大，因此完全在内存中完成是不可能也是不现实的，所以Map输出时会在内存里开启一个环形内存缓冲区，并且在配置文件里为这个缓冲区设定了一个阈值（默认为80%，可自定义修改此配置）。同时，Map还为输出操作启动一个守护线程，如果缓存区的内存使用达到了阈值，那么这个守护线程就会把这80%的内存区内容写到磁盘上，这个过程就叫分隔，另外的20%内存可以供Map输出继续使用，写入磁盘和写入内存操作是互不干扰的，如果缓存区被撑满了，那么Map就会阻塞写入内存的操作，待写入磁盘操作完成后再继续执行写入内存操作。

缓冲区内容分隔到磁盘前，会首先进行分区操作，分区的数目由Reduce的数目决定。对于本例，Reduce数目为2个，那么分区数就是2，然后对于每个分区，后台线程还会按照键值对需要写出的数据进行排序，如果配置了Combine函数，还会进行Combine操作，以使得更少地数据被写入磁盘并发送给Reducer。

每次的分隔操作都会生成一个分隔文件，全部的Map输出完成后，可能会有很多的分隔文件，因此在Map任务结束前，还要进行归并操作，即将这些分隔文件按照分区合并为单独的文件。在归并过程中，同样也会进行排序，如果定义了Combiner函数，也会进行combiner操作。

至此，Map阶段的所有工作都已结束，最终生成的文件也会存放在TaskTracker能访问的某个本地目录内。每个Reduce Task不断地从JobTracker那里获取Map Task是否完成的信息，如果Reduce Task得到通知，获知某台TaskTracker上的Map Task执行完成，Shuffle的后半段过程，也就是Reduce阶段的Shuffle，便开始启动。

（2）Reduce阶段Shuffle

Shuffle在Reduc阶段可以分为三个阶段：Copy Map输出、Merge阶段和Reduce处理。

关键字提取：

1. 领取数据，copy map 输出
2. 归并数据
3. 数据输入给Reduce任务
   1. Reduce任务通过RPC向JobTracker询问Map任务是否已经完成，若完成，则领取数据
   2. Reduce领取数据先放入缓存，来自不同Map机器，先归并，再合并，写入磁盘（多个溢写文件归并成一个或多个大文件，文件中的键值对是排序的）
   3. 当数据量很少时，不需要溢写到磁盘，直接在缓存中归并，然后输出给Reduce

1）Copy Map输出：如上文所述，Map任务完成后，会通知父TaskTracker状态已完成，TaskTracker进而通知JobTracker（这些通知一般通过心跳机制完成）。对于Job来说，JobTracker记录了Map输出和TaskTracker的映射关系。同时Reduce也会定期向JobTracker获取Map的输出与否以及输出位置，一旦拿到输出位置，Reduce任务就会启动Copy线程，通过HTTP方式请求Map Task所在的TaskTracker获取其输出文件。因为Map Task早已结束，这些文件就被TaskTracker存储在maptask所在的本地磁盘中。

2）Merge阶段：此处的归并和Map阶段的合并类似，复制过来的数据会首先放入内存缓冲区中，这里的内存缓冲区大小比Map阶段要灵活很多，它基于JVM的heap size设置，因为Shuffle阶段Reduce Task并不运行，因此绝大部分内存应该给Shuffle使用；同时此Shuffle的归并阶段根据要处理的数据量不同，也可能会有分隔到磁盘的过程，如果设置了Combiner函数，Combiner操作也会进行。

3）Reduce Task的输入：不断合并后，最后会生成一个最终结果（可能在内存，也可能在磁盘），至此Reduce Task的输入准备完毕，下一步就是真正的Reduce操作。

5．Reduce阶段

经过Map和Reduce阶段的Shuffle过程后，Reduce任务的输入终于准备完毕，相关的数据已经被合并和汇总，Reduce任务只需调用Reduce函数即可，对于本例即对每个键，调用sum逻辑合并value并输出到HDFS即可，比如对于Reduce Task1的offline的键，只需将集合{2,1}相加，输出offline 3即可。

 

参考：

1. 《离线和实时大数据开发实战》
2. https://blog.csdn.net/zhengwei223/article/details/78304764?locationNum=3&fps=1