mapreduce 的过程

    从前面的例子我们已经大致了解了一个MapReduce的作业的过程，但是这样是不够的，本节将深入探讨MapReduce的整个过程。

• 从输入到输出

    从前而的WordCount可以看出，一个MapReduce作业经过了input, map, combine, reduce.output五个阶段，其中combine阶段并不一定发生，map输出中间结果被分发到 reducer 的过程被称为shuffle(数据混洗)，如下图所示。

    在shuffle阶段还会发生copy (复制)和Sort(排序)
    在MapReduce的过程中，一个作业被分成Map和Reduce计算两个阶段，它们分别由一个或者多个Map任务和Reduce任务组成。如下图示，一个MapReduce作业从数据的流向可以被划分为Map任务和 Reduce任务。正如前而所说，当用户向 Hadoop提交一个MapReduce作业时，JobTracker则会根据各个TaskTracker周期性发送过来的心跳信息、综合考虑TaskTracker的资源剩余量、作业优先级、作业提交时间等因素，为TaskTracke分配合适的任务Reduce任务默认会在Map任务数量完成5%后才开始启动。

    Map任务的执行过程可概括为:首先通过用户指定的InputFormat类（如WordCount中的FilelnputFormat类)中的getSplits方法和next方法将输入文件切片并解析成键值对作为map函数的输入。然后map函数经过处理之后输出并将中间结果交给指定的Partitioner处理，确保中间结果分发到指定的Reduce任务处理，此时如果用户指定了Combiner，将执行combine操作，最后map函数将中间结果保存到本地。
    Reduce任务的执行过程可概括为:首先击要将已经完成的Map任务的中间结果复制到Reduce任务所在的节点，待数据复制完成后，再以key进行排序，通过排序，将所有key相同的数据交给reduce函数处理，处理完成后，结果直接输出到HDFS  上。

• input

    如果使用HDFS上的文件作为MapReduce的输入（由于用户的数据大部分数据是以文件的形式形式存储在HDFS上，所以这是最常见的情况) MapReduce计算框架首先会用
org.apache.hadoop.mapreduce.InputFormat类的子类FileInputFormat类将作为输入的HDFS上的文件切分形成输入分片(InputSplit )，每个InputSplit将作为一个Map任务的输入，再将InputSplit解析为键值对。InputSplit的大小和数量对于MapReduce作业的性能有非常大的影响，因此有必要深入了解InputSplit。

    InputSplit只是逻辑上对输入数据进行分片，并不会将文件在磁盘上切成分片进行存储。InputSplit只一记录了分片的元数据节点信息，例如起始位置、长度以及所在的节点列表等。数据切分的算法需要确定InputSplit的个数，对于HDFS上的文件，FileInputFormat类使用computeSplitSize方法计算出InputSplit的大小，代码如下：

protected long computeSplitSize(long blockSize long minSize, long maxSize)
{
          return Math.max(minSize，Math.min(maxSize, blockSize))
}

    其中minSize由mapred-site.xml文件中的配置项mapred.min.split.size决定，默认为1;

           maxSize由mapred-site.xml文件中的配置项mapred.max.split.size决定，默认为9 223 372 036 854 775 807;

          而blockSize也是由hdfs-site.xml文件中的配置项dfs.block.size决定，默认为67 108 864字节(64 MB )。

  所以InputSplit的大小的确定公式为:

        max(mapred.min.split.size ,Math.min(mapred.max.split.size,dfs .block.size))

       代码理解：  从mapred.max.split.size与dfs .block.size当中选最小的来和mapred.min.split.size一起确定InputSplit的大小

一般来说，dfs.block.size的大小是确定不变的，所以得到目标InputSplit大小，只需改变mapred.min.split.size和InputSpIitSizeo InputSplitmapred.max.split.size的大小即可。InputSplit的数量为文件大小除以的元数据信息会通过以下代码取得:

splits .add (new FileSplit(path, lengthbytesRemaining, splitSize，blkLocations[blkIndex].getHosts()));

    从上面的代码可以发现，元数据的信息由4部分组成:文件路径、文件开始的位置、文件结束的位置、数据块所在的host。

    对于Map任务来说，处理的单位为一个InputSplitt。而InputSplit是一个逻辑概念，InputSplit所包含的数据是仍然是存储在HDFS的块里面，它们之间的关系如下图所示。

    InputSplit可以不和块对齐，根据前面的公式也可以看出，一个InputSplit的大小可以大于一个块的大小亦可以小于一个块的大小。Hadoop在进行任务调度的时候，会优先考虑本节点的数据，如果本节点没有可处理的数据或者是还需要其他节点的数据，Map任务所在的节点会从其他节点将数据通过网络传输给自己。当InputSplit的容量大于块的容量，Map任务就必须从其他节点读取一部分数据，这样就不能实现完全数据本地性，所以当使用FilelnputFormat实现lnputFormat时，应尽量使InputSplit的大小和块的大小相同以提高Map任务计算的数据本地性。

    当输入文件切分为InputSplit后，由FilelnputFormat 的类(如 TextlnputFormat 的createRecordReader方法将InputSplit解析为键值对，代码如下：

public RecordReader<LongWritable, Text>
createRecordReader(InputSplit split,TaskAttemptContext context) {
String delimiter = context.getConfiguration ().get ("textinputformac .record.delimiter"); byte[] recordDelimiterBytes » null;
 if (null !- delimiter)
recordDelimiterBytes - delimiter.getBytes();
 return new LineRecordReader(recordDelimiterBytes);
}

    此处默认是将行号作为键。解析出来的键值对将被用来作为map函数的输入。至此input阶段结束。

• map及中间结果的输出

    InputSplit将解析好的键值对交给用户编写的map函数处理，处理的后的中间}结果会写到本地磁盘上，在刷写磁盘的过程中，还做了partition(分区)和sort(排序)的操作
    map函数产生输出时，并不是简单地刷写磁盘。为了保证I/O效率，采取了先写到内存的环形缓冲区，并作一次预排序，如下图所示。

    每个Map任务都有一个环形内存缓冲区，用于存储map函数的输出。默认情况下，缓冲区的大小是100 MB，该值可以通过mapred-site.xml文件的io.sort.mb的配置项配置。一旦缓冲区内容达到阈值（由mapred-site.xml文件的io.sort.spill.percent的值决定，默认为0.80或80% )，一个后台线程便会将缓冲区的内容溢写( spill)到磁盘中。在写磁盘的过程中，map函数的输出继续被写到缓冲区，但如果在此期间缓冲区被填满，map会阻塞直到写磁盘过程完成。写磁盘会以轮询的方式写到mapred.local.dir ( mapred-site.xml文件的配置项)配置的作业特定目录下。

    在写磁盘之前，线程会根据数据最终要传送到的Reducer把缓冲区的数据划分成(默认是按照键)相应的分区。在每个分中，后台线程按键进行内排序，此时如果有一个Combiner.它会在排序后的输出上运行。

    一旦内存缓冲区达到溢出的阀值，就会新建一个溢出写文件，因此在Map任务写完其最后 一个输出记录之后，会有若干个溢出写文件。在Map任务完成之前，溢出写文件被合并成一个已分区且已排序的输出文件作为map输出的中问结果，这也是Map任务的输出结果。
    如果己经指定Combiner且溢出写次数至少为3时，Combiner就会在输出文件写到磁盘之前运行。如前文所述，Combiner可以多次运行，并不影响输出结果。运行Combiner的意义在于使map输出的中问结果更紧凑，使得写到本地磁盘和传给Reducer的数据更少。
    为了提高磁盘I/O性能，可以考虑压缩map的输出，这样会让写磁盘的速度更快，节约磁盘空间，从而使传送给Reducer的数据量减少。默认情况下，map的输出是不压缩的，但只要将mapred-site.xml文件的配置项mapred.compress.map.output设为true即可开启压缩功能。使用的压缩库由mapred-site.xml文件的配置mapred.map.output.compression.codec指定。下表列出了目前Hadoop支持的压缩格式。

    map输出的中间结果存储的格式为IFile, IFile足一种支持行压缩的存储格式，支持上述压缩算法。
    Reducer通过HTTP方式得到输出文件分区。将map输出的中间结果(map输出）发送到Reducer的工作线程的数量由mapred-site.xml文件tasktracker.http.threads配置项决定，此配置针对每个节点，即协个TaskTracker,  而不是每个 Map任务，默认是40, 可以根据作业大小，集群规模以及节点的计算能力而增大。

•    shuffle

    shuffle，也叫数据混洗。在某此语境}h，代表map函数产生输出到reduce的消化输入的整个过程，在本节中，我们将其理解为只代表Reduce任务获取Map任务输出 ( map output）的这部分过程。 shuffle是MapReduce 非常重要的一部分，理解其原理有助于优化MapReduce程序。
    如上一节所述，Map任务输出的结果位于运行Map任务的TaskTracker所在的节点的本地磁盘上。TaskTracker需要为这些分区文件(map输出)运行Reduce任务。但是，Reduce任务可能需要多个Map任务的输出作为其特殊的分区文件。每个Map任务的完成时间可能不同.当只要有一个任务完成，Reduce任务就开始复制其输出。这就是shuffle中的copy阶段，如图所示。Reduce任务有少量复制线程，可以井行取得Map任务的输出，默认值是5个线程，该值可以通过设置mapred-site.xml的mapred.reduce.parallel.copies配置项来改变。
    如果map输出相当小，则会被复制到 Reducer所在的TaskTracker的内存的缓冲区中，缓冲区的大小由mapred-site.xml文件中的mapred.job.shuffle.input.buffer.percent 配置项指定。否则，,map输出将会被复制到磁盘。一旦内存缓冲区达到阀值大小(由mapred-site.xml文件的mapred.job.shuffle.merge.percent配置项决定)或缓冲区的文件数达到阈值人小(由mapred-site.xml文件的mapred.inmem.merge.threshold配置项决定)，则合井后溢写到磁盘中。
    随着溢写到磁盘的文件增多，后台线程会将它们合并为更大的、有序的文件，这会为后面的合并节省时间。为了合并，压缩的中间结果都将在内存中解压缩。
    复制完所有的map输出，shuffle进入sort阶段。这个阶段将合并map的输出文件.并维持其顺序排序，其实做的是归并排序。排序的过程是循环进行，如果有50个map的输出文件，而合并因子(由mapred-site.xml文件的io.sort.factor配置项决定，默认为10)为 10，合并操们将进行5次，每次将10个文件合并成一个文件，最后会有5个文件，这5个文件由于.不满足合并条件(文件数小于合并因子).则不会进行合并，将会直接把这5个文件交给reduce函数处理。至此，shuffle阶段完成。

    从shuffle的过程可以看出，Map任务处理的是一个InputSplit，而Reduce任务处理的是所有Map任务同一个分区的中间结果。

• reduce及最后结果的输出

    reduce阶段操作的实质就是对经过shuffle处理后的文件调用reduce函数处理。由于经过了shuffle的处理，文件都是按键分区且有序，对相同分区的文件调用一次reduce函数处理。
    与map的中间结果不同的是，reduce的输出一般为HDFS 。

• sort

       排序贯穿于Map任务和Reduce任务，是MapReduce非常重要的一环，排序操作属于MapReduce计算框架的默认行为，不管流程是否需要，都会进行排序。在MapReduce计算框架中，主要用到了两种排序算法:快速排序和归并排序。

      (1)快速排序:通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。
      (2)归并排序:归并排序在分布式计算里面用得非常多，归并排序本身就是一个采用分治法的典型应用。归并排序是将两个(或两个以上)有序表合并成一个新的有序表，即把待排序序列分为若干个有序的护序列，再把有序的子序列合并为整体有序序列
  

     在Map任务和Reduce任务的过程中，一共发生了3次排序操作
     (1)当map函数产生输出时，会首先写入内存的环形缓冲区，当达到设定的阀值，在刷写磁盘之前，后台线程会将缓冲区的数据划分成相应的分区。在每个分区中，后台线程按键进行内排序，如下图所示。

    (2)在Map任务完成之前，磁盘上存在多个己经分好区，并排好序的、大小和缓冲区一样的溢写文件，这时溢写文件将被合并成一个己分区且已排序的输出文件。由于溢写文件已经经过第一次排序，所以合并文件时只需再做一次排序就可使输出文件整体有序。
    (3)在shuffle阶段，需要将多个Map任务的输出文件合井，由于经过第二次排序，所以合并文件时只需再做一次排序就可使输出文件整体有序，如下图B所示

在这3次排序中第一次是在内存缓冲区做的内排序，使用的算法是快速排序，第二次排序和第三次排序都是在文件合并阶段发生的，使用的是归并排序。

• 作业的进度组成

       一个MapReduce作业在Hadoop 上运行时，客户端的屏幕通常会打印作业日志，如下:

        对一个大型的MapReduce作业来说(比如说数据清洗)，执行时间可能会比较长，通过日志了解作业的运行状态和作业进度是非常重要的。
       对于map来说，进度代表实际处理输入所占比例，例如map 60% reduce 0%表示Map任务己经处理了作业输入文件的60%，而Reduce任务还没有开始。而对于reduce的进度来说，情况就比较复杂，从前面得知，reduce阶段分为copy, sort和reduce，这3个步骤共同组成了reduce的进度，各占1/3。如果Reduce己经处理了2/3的输入，那么整个Reduce的进度应该是1/3十1/3+ 1 /3 X (2/3) = 5/9，因为reduce开始处理输入时，copy和sort已经完成。