一、 Map端shuffle
- 输入数据和执行Map任务 通过自定义Map,将输入<key,value>转换成新的<key,value>并输出
- 写入缓存 每个map任务都会分配一个缓存区(通过环形队列实现),默认100M,首先将map的输出写入缓存,当达到一定数量是会一次性批量写入磁盘,以减少磁盘IO操作
- 溢写(分区,排序,和并) 因为缓存区大小有限,为不影Map结果的写入操作,每当缓存区大小达到溢写比例(spill.percent默认0.8)会启动溢写线程(spill),锁定这80MB(100M*0.8)的内存,执行溢写过程。剩下的20MB继续写入map task的输出结果。互不干涉!
溢写线程- 数据分区(partition) 由于不同的<key,value>要交给不同的reduce任务处理,MapReduce提供Partitioner接口,它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。默认对key hash后再以reduce task数量取模。默认的取模方式只是为了平均reduce的处理能力,如果用户自己对Partitioner有需求,可以通过重载Partitioner接口来实现自定义分区。
- 排序 完成分区之后,溢写线程将对每一个分区进行排序(sort)排序,排序是MapReduce模型的默认行为,