9. MapReduce工作流程

最新推荐文章于 2023-03-07 08:28:08 发布

原创最新推荐文章于 2023-03-07 08:28:08 发布 · 170 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#hadoop #mapreduce

MapReduce 专栏收录该内容

17 篇文章

订阅专栏

本文详细解析了MapReduce的工作流程，特别聚焦于Shuffle过程，包括MapTask如何收集kv对，溢出本地磁盘文件，分区与排序，以及ReduceTask如何获取并合并来自不同MapTask的数据。

MapReduce工作流程

1. 工作流程图

在这里插入图片描述

2. 流程详解

上面的流程是整个MapReduce最全工作流程，但是Shuffle过程只是从第7步开始到第16步结束，具体Shuffle过程详解，如下：

MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中。
从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件。
多个溢出文件会被合并成大的溢出文件。
在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序。
ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）

注意:

Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。

缓冲区的大小可以通过参数调整:io.sort.mb默认100M。