画图加文件讲解MapReduce的shuffle 过程

大数据系列

• Map shuffle 主要做了哪些事？ 哪些可以设置及如何设置
• Reduce shuffle 主要做了哪些事？ 那些可以设置及如何设置
• 在shuffle阶段中的Combiner 如何理解作用？
• MapReduce 执行过程中中间数据的压缩配置

1. Map shuffle 主要做了哪些事？ 哪些可以设置及如何设置

    1.1 map 端的shuffle ,map task 任务

• 1.1.1 在map task执行时，它的输入数据来源于HDFS的block，当然在MapReduce概念中，map task只读取split。Split与block的对应关系可能是多对一，默认是一对一。如：在WordCount例子里，假设map的输入数据是 “yangyang”这样的字符串。

• 1.1.2 在经过mapper的运行后，我们得知mapper的输出是这样一个key/value对： key是可以是一个字符串，value是数值1。因为当前map端只做加1的操作，在reduce task里才去合并结果集。
  MapReduce提供Partitioner接口，它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个 reduce task处理。默认对key hash后再以reduce task数量取模。默认的取模方式只是为了平均reduce的处理能力，如果用户自己对Partitioner有需求，可以订制并设置到job上。

  例如： 输入wordcount 输入的字符串为"yangyang"
  “yangyang”经过Partitioner后返回0，也就是这对值应当交由第一个reducer来处理。接下来，需要将数据写入内存缓冲区 中，缓冲区的作用是批量收集map结果，减少磁盘IO的影响。我们的key/value对以及Partition的结果都会被写入缓冲区。当然写入之 前，key与value值都会被序列化成字节数组。

注： 整个内存缓冲区就是一个字节数组
内存缓冲区是有大小限制的，默认是100MB。当map task的输出结果很多时，就可能会撑爆内存，所以需要在一定条件下将缓冲区中的数据临时写入磁盘，然后重新利用这块缓冲区。这个从内存往磁盘写数据的过 程被称为Spill，中文可译为溢写，字面意思很直观。这个溢写是由单独线程来完成，不影响往缓冲区写map结果的线程。溢写线程启动时不应该阻止map 的结果输出，所以整个缓冲区有个溢写的比例spill.percent。这个比例默认是0.8，也就是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)。排序是MapReduce模型默认的行为，这里的排序也是对序列化的字节做的排序。

2. Reduce shuffle 主要做了哪些事？ 哪些可以设置及如何设置

• 2.1 整个Copy过程，简单地拉取数据。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nodemanager获取map task的输出文件。因为map task早已结束，这些文件就归nodemanager管理在本地磁盘中。

• 2.2 Merge阶段。这里的merge如map端的merge动作，只是数组中存放的是不同map端copy来的数值。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，让人比较困惑，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，这个过程中如果你设置有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方式生成最终的那个文件。

• 2.3 Reducer的输入文件。不断地merge后，最后会生成一个“最终文件”。这个文件可能存在于磁盘上，也可能存在于内存中。对我们 来说，当然希望它存放于内存中，直接作为Reducer的输入，但默认情况下，这个文件是存放于磁盘中的。至于怎样才能让这个文件出现在内存中，之后的性能优化篇我再说。当Reducer的输入文件已定，整个Shuffle才最终结束。然后就是Reducer执行，把结果放到HDFS上。

注： Shuffle在reduce端的过程。当前reduce copy数据的前提是它要从resourcemanager获得有哪些map task已执行结束，Reducer真正运行之前，所有的时间都是在拉取数据，做merge，且不断重复地在做。

3.在shuffle阶段中的Combiner 如何理解作用？

• 3.1 将有相同key的key/value对的value加起来，减少溢 写到磁盘的数据量。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果。所以从我的想法来看，Combiner只应该用于那种 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。Combiner的使用一定 得慎重，如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果。

4. MapReduce 执行过程中中间数据的压缩配置

• 4.1.输入的文件的压缩
  如果输入的文件是压缩过的，那么在被mapreduce读取时，它们会被自动解压
• 4.2.mapreduce作业的输出的压缩
  如果要压缩mapreduce作业的输出，请在作业配置文件中将mapred.output.compress属性设置为true。将mapred.output.compression.codec属性设置为自己打算使用的压缩编码/解码器的类名。
  如果为输出使用了一系列文件，可以设置mapred.output.compression.type属性来控制压缩类型，默认为record，它压缩单独的记录。将它改为block，则可以压缩一组记录。由于它有更好的压缩比。
• 4.3.map作业输出结果的压缩
  即使mapreduce应用使用非压缩的数据来读取和写入，我们也可以受益于压缩map阶段的中间输出。因为map作业的输出会被写入磁盘并通过网络传输到reducer节点，所以如果使用lzo之类的快速压缩，能得到更好的性能，因为传输的数据量大大减少了。以下代码显示了启用rnap输出压缩和设置压缩格式的配置属性。
  conf.setcompressmapoutput(true);
  conf.setmapoutputcompressorclass(gzipcodec.class);