MapReduce：Shuffle过程详解

1、Map任务处理

　　

　　1.1 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。                <0,hello you>   <10,hello me>                    

　　1.2 覆盖map()，接收1.1产生的<k,v>，进行处理，转换为新的<k,v>输出。　　　　　　　　　　<hello,1> <you,1> <hello,1> <me,1>

　　1.3 对1.2输出的<k,v>进行分区。默认分为一个区。Partitioner

• • partitioner的作用是将mapper输出的键/值对拆分为分片（shard），每个reducer对应一个分片。 默认情况下，partitioner先计算目标的散列值（通常为md5值）。然后，通过reducer个数执行取模运算key.hashCode()%(reducer的个数)。 这种方式不仅能够随机地将整个键空间平均分发给每个reducer，同时也能确保不同mapper产生的相同键能被分发至同一个reducer。 如果用户自己对Partitioner有需求，可以订制并设置到job上。 job.setPartitionerClass(clz);

　　1.4 溢写Split

• • map之后的key/value对以及Partition的结果都会被序列化成字节数组写入缓冲区，这个内存缓冲区是有大小限制的，默认是100MB。
  • 当缓冲区的数据已经达到阈值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执行溢写过程。Map task的输出结果还可以往剩下的20MB内存中写，互不影响。 
  •  当溢写线程启动后，需要对这80MB空间内的key做排序sort（1.5）
  • 内存缓冲区没有对将发送到相同reduce端的数据做合并，那么这种合并应该是体现是磁盘文件中的。即Combine（1.6）。

　　1.5 对不同分区中的数据进行排序（按照k）Sort。

• • 排序：每个分区内调用job.setSortComparatorClass()设置的Key比较函数类排序。可以看到，这本身就是一个二次排序。如果没有通过job.setSortComparatorClass()设置 Key比较函数类，则使用Key实现的compareTo()方法，即字典排序。job.setSortComparatorClass(clz);       排序后：<hello,1> <hello,1> <me,1> <you,1>  

　　1.6 （可选）对分组后的数据进行归约。Combiner

• • combiner是一个可选的本地reducer，可以在map阶段聚合数据。combiner通过执行单个map范围内的聚合，减少通过网络传输的数据量。

  • 例如，一个聚合的计数是每个部分计数的总和，用户可以先将每个中间结果取和，再将中间结果的和相加，从而得到最终结果。

  • 求平均值的时候不能用，因为123的平均是2，12平均再和3平均结果就不对了。Combiner应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景，比如累加，最大值等。

　　1.7 合并Merge

• • 每次溢写会在磁盘上生成一个溢写文件，如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个溢写文件存在。
  • 最终的文件只有一个，所以需要将这些溢写文件归并到一起，这个过程就叫做Merge。
  • “hello”从两个map task读取过来，因为它们有相同的key，所以得merge成group。什么是group。group中的值就是从不同溢写文件中读取出来的，然后再把这些值加起来。group后：<hello,{1,1}><me,{1}><you,{1}>
  • 因为merge是将多个溢写文件合并到一个文件，所以可能也有相同的key存在，在这个过程中如果设置过Combiner，也会使用Combiner来合并相同的key。 

2、Reduce任务处理

　　

　　2.1 拉取数据Fetch

• • Reduce进程启动一些数据copy线程(Fetcher)，通过HTTP方式请求map task所在的TaskTracker获取map task的输出文件。因为map task早已结束，这些文件就归TaskTracker管理在本地磁盘中。

　　2.2 合并Merge

• • Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置，因为Shuffle阶段Reducer不运行，所以应该把绝大部分的内存都给Shuffle用。
  • 这里需要强调的是，merge有三种形式：1)内存到内存  2)内存到磁盘  3)磁盘到磁盘。
  • 默认情况下第一种形式不启用。
  • 当内存中的数据量到达一定阈值，就启动内存到磁盘的merge。与map 端类似，这也是溢写的过程，也有sort排序，如果设置有Combiner，也是会启用的，然后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行，直到没有map端的数据时才结束。
  • 然后启动第三种磁盘到磁盘的merge方式，有相同的key的键值队，merge成group，job.setGroupingComparatorClass设置的分组函数类，进行分组，同一个分组的value放在一个迭代器里面（二次排序会重新设置分组规则）。如果未指定GroupingComparatorClass则则使用Key的实现的compareTo方法来对其分组。group中的值就是从不同溢写文件中读取出来的，group后：<hello,{1,1}><me,{1}><you,{1}>
  • 最终的生成的文件作为Reducer的输入，整个Shuffle才最终结束。

　　2.3  Reduce

• • Reducer执行业务逻辑，产生新的<k,v>输出，将结果写到HDFS中。

3、WordCount代码

package mapreduce;

import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class WordCountApp {
    static final String INPUT_PATH = "hdfs://chaoren:9000/hello";
    static final String OUT_PATH = "hdfs://chaoren:9000/out";

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
        Path outPath = new Path(OUT_PATH);
        if (fileSystem.exists(outPath)) {
            fileSystem.delete(outPath, true);
        }

        Job job = new Job(conf, WordCountApp.class.getSimpleName());

        // 指定读取的文件位于哪里
        FileInputFormat.setInputPaths(job, INPUT_PATH);
        // 指定如何对输入的文件进行格式化，把输入文件每一行解析成键值对
        //job.setInputFormatClass(TextInputFormat.class);

        // 指定自定义的map类
        job.setMapperClass(MyMapper.class);
        // map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略
        //job.setOutputKeyClass(Text.class);
        //job.setOutputValueClass(LongWritable.class);

        // 指定自定义reduce类
        job.setReducerClass(MyReducer.class);
        // 指定reduce的输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);

        // 指定写出到哪里
        FileOutputFormat.setOutputPath(job, outPath);
        // 指定输出文件的格式化类
        //job.setOutputFormatClass(TextOutputFormat.class);
        
        // 分区
        //job.setPartitionerClass(clz);

        // 排序、分组、归约  
        //job.setSortComparatorClass(clz);
        //job.setGroupingComparatorClass(clz);
        //job.setCombinerClass(clz);

        // 有一个reduce任务运行
        //job.setNumReduceTasks(1);

        // 把job提交给jobtracker运行
        job.waitForCompletion(true);
    }

    /**
     * 
     * KEYIN     即K1     表示行的偏移量 
     * VALUEIN     即V1     表示行文本内容 
     * KEYOUT     即K2     表示行中出现的单词 
     * VALUEOUT 即V2        表示行中出现的单词的次数，固定值1
     * 
     */
    static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
        protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException, InterruptedException {
            String[] splited = v1.toString().split("	");
            for (String word : splited) {
                context.write(new Text(word), new LongWritable(1));
            }
        };
    }

    /**
     * KEYIN     即K2     表示行中出现的单词 
     * VALUEIN     即V2     表示出现的单词的次数 
     * KEYOUT     即K3     表示行中出现的不同单词
     * VALUEOUT 即V3     表示行中出现的不同单词的总次数
     */
    static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
        protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException, InterruptedException {
            long times = 0L;
            for (LongWritable count : v2s) {
                times += count.get();
            }
            ctx.write(k2, new LongWritable(times));
        };
    }
}