大数据05--图示wordcount shuffle过程

本文主要以wordcount为例详细阐述shuffle的实现过程

我们知道，HDFS里的文件是分块存放在Datanode上面的，而我们写的mapper程序也是跑在各个节点上的。这里就涉及到一个问题，哪一个节点上的mapper读哪一些节点上的文件块呢？hadoop会自动将这个文件分片（split），得到好多split，这每一个split放到一个节点的一个mapper里面去读。然后在每一台有mapper任务的节点上都执行了这么一个操作，将分得到的split切割成一行一行的键值对，然后传给map方法。键是这每一行在split中的偏移量，值是每一行得到的字符串。

二、执行map方法

 这个过程就是读到每一行，切割字符串，生成键值对写出去。

三、shuffle操作（一）

这个过程是在有map任务的节点上完成的

1. partition

将得到的键值对按照一定的规则分组，例如例子中将首字母为a的全部分到一组，将首字母为b的分到一组。这里只是为了讲明白这个方式，进行了过程简化，实际不一定是分为两组，也不一定是按照首字母分组。

2. sort

对每一个组中的键值对根据键的哈希码排序。

3. combine

将具有相同键的键值对合成一个新的键值对，这个新的键值对的键是原来的键，键值是所有键的键值之和。

四、shuffle操作（二）

这个过程是在有reduce任务的节点上完成的。

1. 拉取partition

hadoop决定有多少个reducer的时候会规定有多少个partition，每一个reducer拉取自己要处理的那个分组的全部成员。例如，某台节点要处理所有以a开头的键值对，它就会将所有mapper中的以a开头的那一组全部拉取过来。

2. merge

在每一个reducer上，将具有相同键的键值对生成另外一个新的键值对，键是以前的键，键值是一个以前键值的集合。

3. sort

在每一台reducer节点上，将新生成的键值对进行排序，根据 哈希码值。

五、reduce操作

 写过wordcount的朋友都知道，在reduce方法中，hadoop回传过来一个一个的键值对，键是每一个单词，键值就是四中新生成的键值对的键值。执行reduce操作，就是将每一个键值对中的键值累加起来。然后以键值对的形式将结果写出去。

六、文件写入HDFS

在每一台reducer节点上将文件写入，实际上是写成一个一个的文件块，但对外的表现形式是一整个大的结果文件。