MapReduce 图解流程超详细解答(2)-【map阶段】

接上一篇讲解：http://blog.csdn.net/mrcharles/article/details/50465626

map任务：溢写阶段

正如我们在执行阶段看到的一样，map会使用Mapper.Context.write()将map函数的输出溢写到内存中的环形缓冲区 (MapTask.MapOutputBuffer)。缓冲区的大小是固定的，通过mapreduce.task.io.sort.mb (default: 100MB)指定。

任何时候当这个缓冲区将要充满的时候（mapreduce.map. sort.spill.percent: 默认80% ），溢写将会被执行（这是一个并行过程，使用的是单独的线程，缓冲池还可以继续被写入）。如果溢写线程太慢，而缓冲区又忙了的话，map()就会暂停执行而等待。

溢写线程执行下面的动作：

1. 创建一个溢写记录SpillRecord 和一个FSOutputStream 文件输出流（本地文件系统）
2. 内存内排序缓冲中的块：输出的数据会使用快排算法按照partitionIdx, key排序
3. 排序之后的输出会分割成为分区：每一个分区对应一个reduce
4. 分区序列化写到本地文件

有多少个reduce任务呢？

一个job的ReduceTasks 的数量是通过配置mapreduce.job.reduces参数设置的

一个输出元组的分割指数是多少？

输出元组的分割指数指的是分区的指数。在 Mapper.Context.write()内部被指定：

partitionIdx = (key.hashCode() & Integer.MAX_VALUE) % numReducers

随着输出元组以元数据的形式保存在环形缓冲区。用户可以通过配置mapreduce.job.partitioner.class参数自己定制partitioner 

我们什么时候运行combiner

如果用户制定了一个特定的combiner ，那么，在溢写线程写出到文件之前，会在每一个分区含有元组数据的地方执行combiner 通常，我们做了如下事情：

1. 创建一个用户指定的Reducer.class实例（用户指定的combiner ）
2. 创建一个Reducer.Context：输出将会保存在本地文件系统
3. 运行Reduce.run()：请看reduce 任务的描述

Map任务：执行结束

在执行阶段结束的时候，溢写线程最后被触发，细节上，我们作如下事情：

1. 排序，溢写最后没有被溢写的元组数据
2. 开始SHUFFLE 相

注意，每一次环形缓冲区将要慢时，达到溢写的百分比的时候，我们就会得到一个溢写文件（溢写记录+输出文件）。每一个溢写文件包含若干分区（分段）

map执行后时期：洗牌shuffle

在一个map任务完成的最后时刻，所有的溢写文件会被合并一个分区文件，与相应的reducer对应。mapreduce.io.sort.merge参数控制合并流一次的数量，默认是100。如果至少有3个溢写文件，combiner将会再次执行。如果只有一个或者两个溢写文件，再次执行combiner从而减少map输出的数据量的大小已经没有什么效果，没有必要再次执行combiner了。分区输出文件通过http的方式提供给reducer。

Merger合并

略粗糙，望帮助大家

Charles 于2016-01-06  Phnom Penh

---

版权说明：

本文由Charles Dong原创，本人支持开源以及免费有益的传播，反对商业化谋利。

CSDN博客：http://blog.csdn.net/mrcharles

个人站：http://blog.xingbod.cn

EMAIL：charles@xingbod.cn