zoukankan      html  css  js  c++  java
  • MapTask工作机制

    read阶段:maptask通过用户编写的RecordReader,从输入InputSplit中解析出一个个k,v对;

    map阶段:该节点主要是将解析出的k,v交给用户编写map()函数处理,并产生新的k,v;

    collect阶段:在用户编写map函数中,当数据处理完成后,一般调用OutputCollector.collect()输出结果。在函数内部会生成k,v分区(调用partitioner),并写入一个环形内存缓冲区中。

    Spill阶段:当环形缓冲区满80%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(先对partition排序,在对key排序保证每个分区内有序),并在必要时对数据进行合并压缩操作。

      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排序,然后按照key排序。经过排序后数据以分区为单位聚集在一起,且统一分区内所有数据按照key有序;

      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代表当前溢写次数)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;

      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/spliiN.out.index中

    Combine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。

      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,同时生成相对应的索引文件output/file.out.index

      在文件合并过程中,MapTask以分区为单位进行合并。对于某个分区,它将采用多伦递归合并的方式,每轮合并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最终只会生成一个数据文件,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

  • 相关阅读:
    POJ 2027
    POJ 2017
    重定位(转载)
    常见储存器件的分辨(RAM、SRAM、SDRAM、ROM、FLASH、Nand Flash、Nor Flash、DDR、eMMC)
    虚拟机安装配置ubuntu共享文件夹
    ARM芯片时钟体系
    串行通信协议 —— UART
    串行通信协议——基础知识
    内存地址和内存空间
    中断与异常
  • 原文地址:https://www.cnblogs.com/dan2/p/13735888.html
Copyright © 2011-2022 走看看