Hadoop中Terasort算法分析1<转>

Hadoop中TeraSort算法分析

1、概述
1TB排序通常用于衡量分布式数据处理框架的数据处理能力。Terasort是Hadoop中的的一个排序作业，在2008年，Hadoop在1TB排序基准评估中赢得第一名，耗时209秒。那么Terasort在Hadoop中是怎样实现的呢？本文主要从算法设计角度分析Terasort作业。
2、算法思想

实际上，当我们要把传统的串行排序算法设计成并行的排序算法时，通常会想到分而治之的策略，即：把要排序的数据划成M个数据块（可以用Hash的方法做到），然后每个maptask对一个数据块进行局部排序，之后，一个reducetask对所有数据进行全排序。这种设计思路可以保证在map阶段并行度很高，但在reduce阶段完全没有并行。

为了提高reduce阶段的并行度，TeraSort作业对以上算法进行改进：在map阶段，每个maptask都会将数据划分成R个数据块（R为reducetask个数），其中第i（i>0）个数据块的所有数据都会比第i+1个中的数据大；在reduce阶段，第i个reducetask处理（进行排序）所有maptask的第i块，这样第i个reducetask产生的结果均会比第i+1个大，最后将1~R个reducetask的排序结果顺序输出，即为最终的排序结果。这种设计思路很明显比第一种高效，但实现难度较大，它需要解决以下两个技术难点：第一，如何确定每个maptask数据的R个数据块的范围？第二，对于某条数据，如果快速的确定它属于哪个数据块？答案分别为【采样】和【trie树】。

3、Terasort算法
3.1Terasort算法流程
对于Hadoop的Terasort排序算法，主要由3步组成：采样–>>maptask对于数据记录做标记–>>reducetask进行局部排序。

数据采样在JobClient端进行，首先从输入数据中抽取一部分数据，将这些数据进行排序，然后将它们划分成R个数据块，找出每个数据块的数据上限和下线（称为“分割点”），并将这些分割点保存到分布式缓存中。
在map阶段，每个maptask首先从分布式缓存中读取分割点，并对这些分割点建立trie树（两层trie树，树的叶子节点上保存有该节点对应的reducetask编号）。然后正式开始处理数据，对于每条数据，在trie树中查找它属于的reducetask的编号，并保存起来。
在reduce阶段，每个reducetask从每个maptask中读取其对应的数据进行局部排序，最后将reducetask处理后结果按reducetask编号依次输出即可。
3.2Terasort算法关键点（1）采样
Hadoop自带了很多数据采样工具，包括IntercalSmapler，RandomSampler，SplitSampler等（具体见org.apache.hadoop.mapred.lib）。
采样数据条数：sampleSize=conf.getLong(“terasort.partitions.sample”,100000);
选取的split个数：samples=Math.min(10,splits.length);splits是所有split组成的数组。每个split提取的数据条数：recordsPerSample=sampleSize/samples;
对采样的数据进行全排序，将获取的“分割点”写到文件_partition.lst中，并将它存放到分布式缓存区中。
举例说明：比如采样数据为b，abc，abd，bcd，abcd，efg，hii，afd，rrr，mnk经排序后，得到：abc，abcd，abd，afd，b，bcd，efg，hii，mnk，rrr如果reducetask个数为4，则分割点为：abd，bcd，mnk（2）maptask对数据记录做标记
每个maptask从文件_partition.lst读取分割点，并创建trie树（假设是2-trie，即组织利用前两个字节）。

Maptask从split中一条一条读取数据，并通过trie树查找每条记录所对应的reducetask编号。比如：abg对应第二个reducetask，mnz对应第四个reducetask。

（3）reducetask进行局部排序
每个reducetask进行局部排序，依次输出结果即可。4、参考资料
(1)hadoop的1TB排序terasort：
http://hi.baidu.com/dtzw/blog/item/cffc8e1830f908b94bedbc12.html(2)Hadoop-0.20.2代码
(3)http://sortbenchmark.org