MapTask的工作机制

MapTask的工作机制

注意: Mapper() 方法是我们自己实现的一个类，运行再MapTask之中。

MapTask 主要包含四个阶段: ①Read阶段 ②Map阶段 ③Collect阶段 ④溢写阶段 ⑤Merge阶段

MapTask工作流程简述：

Job提交阶段

首先客户端回对我们提交的文件进行逻辑上的切片, 切片的大小是默认数据块的大小 (Yarn模式是128M，本地模式是32M)。 当切片完成以后，客户端会向MrAppliactionMaster提交信息，如果是Yarn模式的话会提交（切片信息，XML配置信息，jar包）如果是本地模式的话则提交（切片信息，XML配置信息)。

当信息提交完毕以后Mr. ApplicationMaster会根据切片的数量，启动相同数量的MaskTask. 每个MapTask之间是并行的，互不干扰。当MapTask启动以后，我们就真正来到了MapTask阶段。

1.Read阶段

首先在Read阶段，我们上传的切片信息通过默认的 TextInputFormat (继承于FileInputFormat) 获得LineRecordReader 一行一行的读取数据。每行数据都没解析成一个个的 key-value 键值对， key代表的是行偏移量，value对应的每一行的实体内容。至此read阶段结束了，即将进入到下一个阶段 Mapper阶段。

2.Mapper阶段

在Mapper阶段，我们自定定义了一个类，去处理从Read阶段获取的数据。在写Mapper这个类时，首先我们让它继承了Mapper类，并且同时还实现的四个参数(两队键值对) 。例如:

public class sortAllMapper extends Mapper<LongWritable, Text, phoneFlowBean, Text>{
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {}
}

现在我们可以知道 Mapper中第一个键值对 LongWritable, Text 是来自于上一个阶段read， 所以是一行行的，且用偏移量标记了，是默认一行一行读取。然后再Mapper阶段我们还自己定义了一对键值对 phoneFlowBean, Text 这是根据我们自己的需求而设计的。最后再Mapper阶段的结尾， 我们contect.write(k, v) 写出了我们自己定义的 k-v。 最终这对根据需求自定义的 k-v，将会进入到下一个阶段。

3.collect收集阶段

collect收集阶段，就是将map() 输出的数据采集，然后写入到环形缓冲区。

当数据在用户自己编写的Map()函数中处理完成以后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将 生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

4.溢写阶段

环形缓冲区（底层是一个数组，左右两边同时写）的默认大小是100M, 左边存的是元数据，右边存的是k-v

​ 元数据信息包括: index partition keystart valstart

注意

1）环形缓冲区：80%以后反向

当写入数据达到环形缓冲区的80%以后， 会在剩余的20%的区域找一个节点，开始反向写。在反向写的同时，开始向磁盘 溢写 这80%的数据。如果20%部分写入的线程过快，还需要等待溢写，防止内存不够。

2）在环形缓冲区，这80%的数据会存为一个文件，在文件内部分区，且分区内排序(排序方式是快排) 所以是文件分区内有序

3）之后这 80%数据的文件会溢写到磁盘中，每个文件都是分区且区内有序。 因为一个MapTask可能会包含多个溢写文件所有当所有数据全部溢写完以后，会对所有文件进行归并排序合成一个文件(分区，且区内有序)

这个过程是：所有溢写文件的分区合并 在分区归并

5.Merge阶段

Merge阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

因为一个MapTask可能会包含多个溢写文件。当所有数据全部溢写完以后，会对所有文件进行**归并排序**合成一个文件(分区，且区内有序)

​ 当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。

​ 在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并mapreduce.task.io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

​ 让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

总结

​ （1）Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSplit中解析出一个个key/value。

​ （2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

​ （3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

​ （4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

​ 溢写阶段详情：

​ 步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。

​ 步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。

​ 步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

​ （5）Merge阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

​ 当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。

​ 在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并mapreduce.task.io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

​

​ 让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

对文件排序后，重复以上过程，直到最终得到一个大文件。

​

​ 让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。