、MapReduce計算模型

我們知道MapReduce計算模型主要由三個階段構成：Map、shuffle、Reduce。

Map是映射，負責數據的過濾分法，將原始數據轉化為鍵值對；Reduce是合并，將具有相同key值的value進行處理后再輸出新的鍵值對作為最終結果。為了讓Reduce可以并行處理Map的結果，必須對Map的輸出進行一定的排序與分割，然后再交給對應的Reduce，而這個將Map輸出進行進一步整理并交給Reduce的過程就是Shuffle。整個MR的大致過程如下：

Map和Reduce操作需要我們自己定義相應Map類和Reduce類，以完成我們所需要的化簡、合并操作，而shuffle則是系統自動幫我們實現的，了解shuffle的具體流程能幫助我們編寫出更加高效的Mapreduce程序。

Shuffle過程包含在Map和Reduce兩端，即Map shuffle和Reduce shuffle

二、Map shuffle

在Map端的shuffle過程是對Map的結果進行分區、排序、分割，然后將屬于同一劃分（分區）的輸出合并在一起并寫在磁盤上，最終得到一個分區有序的文件，分區有序的含義是map輸出的鍵值對按分區進行排列，具有相同partition值的鍵值對存儲在一起，每個分區里面的鍵值對又按key值進行升序排列（默認），其流程大致如下：

Partition

對于map輸出的每一個鍵值對，系統都會給定一個partition，partition值默認是通過計算key的hash值后對Reduce task的數量取模獲得。如果一個鍵值對的partition值為1，意味著這個鍵值對會交給第一個Reducer處理。

我們知道每一個Reduce的輸出都是有序的，但是將所有Reduce的輸出合并到一起卻并非是全局有序的，如果要做到全局有序，我們該怎么做呢？最簡單的方式，只設置一個Reduce task，但是這樣完全發揮不出集群的優勢，而且能應對的數據量也很受限。最佳的方式是自己定義一個Partitioner，用輸入數據的最大值除以系統Reduce task數量的商作為分割邊界，也就是說分割數據的邊界為此商的1倍、2倍至numPartitions-1倍，這樣就能保證執行partition后的數據是整體有序的。

另一種需要我們自己定義一個Partitioner的情況是各個Reduce task處理的鍵值對數量極不平衡。對于某些數據集，由于很多不同的key的hash值都一樣，導致這些鍵值對都被分給同一個Reducer處理，而其他的Reducer處理的鍵值對很少，從而拖延整個任務的進度。當然，編寫自己的Partitioner必須要保證具有相同key值的鍵值對分發到同一個Reducer。

Collector

Map的輸出結果是由collector處理的，每個Map任務不斷地將鍵值對輸出到在內存中構造的一個環形數據結構中。使用環形數據結構是為了更有效地使用內存空間，在內存中放置盡可能多的數據。

這個數據結構其實就是個字節數組，叫Kvbuffer，名如其義，但是這里面不光放置了數據，還放置了一些索引數據，給放置索引數據的區域起了一個Kvmeta的別名，在Kvbuffer的一塊區域上穿了一個IntBuffer（字節序采用的是平臺自身的字節序）的馬甲。數據區域和索引數據區域在Kvbuffer中是相鄰不重疊的兩個區域，用一個分界點來劃分兩者，分界點不是亙古不變的，而是每次Spill之后都會更新一次。初始的分界點是0，數據的存儲方向是向上增長，索引數據的存儲方向是向下增長，如圖所示：

Kvbuffer的存放指針bufindex是一直悶著頭地向上增長，比如bufindex初始值為0，一個Int型的key寫完之后，bufindex增長為4，一個Int型的value寫完之后，bufindex增長為8。

索引是對在kvbuffer中的鍵值對的索引，是個四元組，包括：value的起始位置、key的起始位置、partition值、value的長度，占用四個Int長度，Kvmeta的存放指針Kvindex每次都是向下跳四個“格子”，然后再向上一個格子一個格子地填充四元組的數據。比如Kvindex初始位置是-4，當第一個鍵值對寫完之后，(Kvindex+0)的位置存放value的起始位置、(Kvindex+1)的位置存放key的起始位置、(Kvindex+2)的位置存放partition的值、(Kvindex+3)的位置存放value的長度，然后Kvindex跳到-8位置，等第二個鍵值對和索引寫完之后，Kvindex跳到-12位置。

Kvbuffer的大小可以通過io.sort.mb設置，默認大小為100M。但不管怎么設置，Kvbuffer的容量都是有限的，鍵值對和索引不斷地增加，加著加著，Kvbuffer總有不夠用的那天，那怎么辦？把數據從內存刷到磁盤上再接著往內存寫數據，把Kvbuffer中的數據刷到磁盤上的過程就叫Spill，多么明了的叫法，內存中的數據滿了就自動地spill到具有更大空間的磁盤。

關于Spill觸發的條件，也就是Kvbuffer用到什么程度開始Spill，還是要講究一下的。如果把Kvbuffer用得死死得，一點縫都不剩的時候再開始Spill，那Map任務就需要等Spill完成騰出空間之后才能繼續寫數據；如果Kvbuffer只是滿到一定程度，比如80%的時候就開始Spill，那在Spill的同時，Map任務還能繼續寫數據，如果Spill夠快，Map可能都不需要為空閑空間而發愁。兩利相衡取其大，一般選擇后者。Spill的門限可以通過io.sort.spill.percent，默認是0.8。

Spill這個重要的過程是由Spill線程承擔，Spill線程從Map任務接到“命令”之后就開始正式干活，干的活叫SortAndSpill，原來不僅僅是Spill，在Spill之前還有個頗具爭議性的Sort。

Sort

當Spill觸發后，SortAndSpill先把Kvbuffer中的數據按照partition值和key兩個關鍵字升序排序，移動的只是索引數據，排序結果是Kvmeta中數據按照partition為單位聚集在一起，同一partition內的按照key有序。

Spill

Spill線程為這次Spill過程創建一個磁盤文件：從所有的本地目錄中輪訓查找能存儲這么大空間的目錄，找到之后在其中創建一個類似于“spill12.out”的文件。Spill線程根據排過序的Kvmeta挨個partition的把數據吐到這個文件中，一個partition對應的數據吐完之后順序地吐下個partition，直到把所有的partition遍歷完。一個partition在文件中對應的數據也叫段(segment)。在這個過程中如果用戶配置了combiner類，那么在寫之前會先調用combineAndSpill()，對結果進行進一步合并后再寫出。Combiner會優化MapReduce的中間結果，所以它在整個模型中會多次使用。那哪些場景才能使用Combiner呢？Combiner的輸出是Reducer的輸入，Combiner絕不能改變最終的計算結果。所以從我的想法來看，Combiner只應該用于那種Reduce的輸入key/value與輸出key/value類型完全一致，且不影響最終結果的場景。比如累加，最大值等。Combiner的使用一定得慎重，如果用好，它對job執行效率有幫助，反之會影響reduce的最終結果。

所有的partition對應的數據都放在這個文件里，雖然是順序存放的，但是怎么直接知道某個partition在這個文件中存放的起始位置呢？強大的索引又出場了。有一個三元組記錄某個partition對應的數據在這個文件中的索引：起始位置、原始數據長度、壓縮之后的數據長度，一個partition對應一個三元組。然后把這些索引信息存放在內存中，如果內存中放不下了，后續的索引信息就需要寫到磁盤文件中了：從所有的本地目錄中輪訓查找能存儲這么大空間的目錄，找到之后在其中創建一個類似于“spill12.out.index”的文件，文件中不光存儲了索引數據，還存儲了crc32的校驗數據。spill12.out.index不一定在磁盤上創建，如果內存（默認1M空間）中能放得下就放在內存中，即使在磁盤上創建了，和spill12.out文件也不一定在同一個目錄下。每一次Spill過程就會最少生成一個out文件，有時還會生成index文件，Spill的次數也烙印在文件名中。索引文件和數據文件的對應關系如下圖所示：

在Spill線程如火如荼的進行SortAndSpill工作的同時，Map任務不會因此而停歇，而是一無既往地進行著數據輸出。Map還是把數據寫到kvbuffer中，那問題就來了：只顧著悶頭按照bufindex指針向上增長，kvmeta只顧著按照Kvindex向下增長，是保持指針起始位置不變繼續跑呢，還是另謀它路？如果保持指針起始位置不變，很快bufindex和Kvindex就碰頭了，碰頭之后再重新開始或者移動內存都比較麻煩，不可取。Map取kvbuffer中剩余空間的中間位置，用這個位置設置為新的分界點，bufindex指針移動到這個分界點，Kvindex移動到這個分界點的-16位置，然后兩者就可以和諧地按照自己既定的軌跡放置數據了，當Spill完成，空間騰出之后，不需要做任何改動繼續前進。分界點的轉換如下圖所示：

Map任務總要把輸出的數據寫到磁盤上，即使輸出數據量很小在內存中全部能裝得下，在最后也會把數據刷到磁盤上。

Merge

Map任務如果輸出數據量很大，可能會進行好幾次Spill，out文件和Index文件會產生很多，分布在不同的磁盤上。最后把這些文件進行合并的merge過程閃亮登場。

Merge過程怎么知道產生的Spill文件都在哪了呢？從所有的本地目錄上掃描得到產生的Spill文件，然后把路徑存儲在一個數組里。Merge過程又怎么知道Spill的索引信息呢？沒錯，也是從所有的本地目錄上掃描得到Index文件，然后把索引信息存儲在一個列表里。到這里，又遇到了一個值得納悶的地方。在之前Spill過程中的時候為什么不直接把這些信息存儲在內存中呢，何必又多了這步掃描的操作？特別是Spill的索引數據，之前當內存超限之后就把數據寫到磁盤，現在又要從磁盤把這些數據讀出來，還是需要裝到更多的內存中。之所以多此一舉，是因為這時kvbuffer這個內存大戶已經不再使用可以回收，有內存空間來裝這些數據了。（對于內存空間較大的土豪來說，用內存來省卻這兩個io步驟還是值得考慮的。）

然后為merge過程創建一個叫file.out的文件和一個叫file.out.Index的文件用來存儲最終的輸出和索引，一個partition一個partition的進行合并輸出。對于某個partition來說，從索引列表中查詢這個partition對應的所有索引信息，每個對應一個段插入到段列表中。也就是這個partition對應一個段列表，記錄所有的Spill文件中對應的這個partition那段數據的文件名、起始位置、長度等等。

然后對這個partition對應的所有的segment進行合并，目標是合并成一個segment。當這個partition對應很多個segment時，會分批地進行合并：先從segment列表中把第一批取出來，以key為關鍵字放置成最小堆，然后從最小堆中每次取出最小的輸出到一個臨時文件中，這樣就把這一批段合并成一個臨時的段，把它加回到segment列表中；再從segment列表中把第二批取出來合并輸出到一個臨時segment，把其加入到列表中；這樣往復執行，直到剩下的段是一批，輸出到最終的文件中。最終的索引數據仍然輸出到Index文件中。

三、Reduce shuffle

在Reduce端，shuffle主要分為復制Map輸出、排序合并兩個階段。

Copy

Reduce任務通過HTTP向各個Map任務拖取它所需要的數據。Map任務成功完成后，會通知父TaskTracker狀態已經更新，TaskTracker進而通知JobTracker（這些通知在心跳機制中進行）。所以，對于指定作業來說，JobTracker能記錄Map輸出和TaskTracker的映射關系。Reduce會定期向JobTracker獲取Map的輸出位置，一旦拿到輸出位置，Reduce任務就會從此輸出對應的TaskTracker上復制輸出到本地，而不會等到所有的Map任務結束。

Merge Sort

Copy過來的數據會先放入內存緩沖區中，如果內存緩沖區中能放得下這次數據的話就直接把數據寫到內存中，即內存到內存merge。Reduce要向每個Map去拖取數據，在內存中每個Map對應一塊數據，當內存緩存區中存儲的Map數據占用空間達到一定程度的時候，開始啟動內存中merge，把內存中的數據merge輸出到磁盤上一個文件中，即內存到磁盤merge。在將buffer中多個map輸出合并寫入磁盤之前，如果設置了Combiner，則會化簡壓縮合并的map輸出。Reduce的內存緩沖區可通過mapred.job.shuffle.input.buffer.percent配置，默認是JVM的heap size的70%。內存到磁盤merge的啟動門限可以通過mapred.job.shuffle.merge.percent配置，默認是66%。

當屬于該reducer的map輸出全部拷貝完成，則會在reducer上生成多個文件（如果拖取的所有map數據總量都沒有內存緩沖區，則數據就只存在于內存中），這時開始執行合并操作，即磁盤到磁盤merge，Map的輸出數據已經是有序的，Merge進行一次合并排序，所謂Reduce端的sort過程就是這個合并的過程。一般Reduce是一邊copy一邊sort，即copy和sort兩個階段是重疊而不是完全分開的。最終Reduce shuffle過程會輸出一個整體有序的數據塊。

轉載于:https://www.cnblogs.com/ng1991/p/8032679.html

總結

以上是生活随笔為你收集整理的mapreduce原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。