MapReduce执行过程以及优化

目录

一：MR执行过程-map阶段

二：MR执行过程-reduce阶段

三：mapreduce优化总结

---

一：MR执行过程-map阶段

map任务处理

1 框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block块对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个。默认，框架对每个InputSplit中的每一行，解析成一个。

默认一个block块对应一个split块（可以手动改）

2 框架调用Mapper类中的map(...)函数，map函数的形参是键值对，输出是键值对。一个InputSplit对应一个map task。程序员可以覆盖map函数，实现自己的逻辑。

3(假设reduce存在)框架对map输出的进行分区。不同的分区中的由不同的reduce task处理。默认只有1个分区。

(假设reduce不存在)框架对map结果直接输出到HDFS中。

4 (假设reduce存在)框架对每个分区中的数据，按照k2进行排序、分组。分组指的是相同k2的v2分成一个组。注意：分组不会减少数量。

5 (假设reduce存在，可选)在map节点，框架可以执行reduce归约。

6 (假设reduce存在)框架会对map task输出的写入到linux 的磁盘文件中。

至此，整个map阶段结束

二：MR执行过程-reduce阶段

reduce任务处理

1 框架对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点。这个过程称作shuffle。

2 框架对reduce端接收的[map任务输出的]相同分区的数据进行合并、排序、分组。

3 框架调用Reducer类中的reduce方法，reduce方法的形参是，输出是键值对。一个调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑。

4 框架把reduce的输出保存到HDFS中。

至此，整个reduce阶段结束。

例子：实现WordCountApp

三：mapreduce优化总结

1，通过修改map的切片大小控制map数据量（尽量和block大小保持一致）

并不是map越多越好，根据集群资源 （可以在配置文件中改 /hadoop下的conf）

set mapred.max.split.size=256000000

2，合并小文件。因为一个文件会至少生成一个map

可以将小文件合并一起做一个map任务

3，避免数据倾斜（key的分布不均匀）

避免某一部分数据过大 可以手动给key加标记（时间戳或反时间戳）

4，combine操作

map端的 预聚合 map端的reduce 代码与reduce一样

5，mapjoin操作

小表广播 将小文件放在内存中