Mapreduce运行机制（1）

https://www.cnblogs.com/sharpxiajun/p/3151395.html

一、Mapreduce简介：

1、Mapreduce是一个计算框架，表现形式是有个输入（input)，Mapreduce操作这个输入(input)，通过本身定义好的计算模型，得到一个输出（output)，这输出就是我们所需要的结果。

2、我们要学习的是这个计算模型的运行规则。

　　在运行一个Mapreduce计算任务的时候，任务分为两个阶段：map阶段和reduce阶段，每个阶段都是用键值对（key/value）作为输入（input）和输出（output）。

　　程序员要做的就是定义好这两个阶段的函数：map函数和reduce函数。

3、map（分）主要将复杂任务分解为若干个简单任务进行并行处理，这些任务之间没有依赖关系。reduce（合）对map阶段的结果进行全局汇总。

4、Mapreduce运行在yarn集群：

• ResourceManager：指派任务
• NodeManager：执行任务

（hadoop 2.x)

来自：https://blog.csdn.net/mrlevo520/article/details/76781186

1、ResourceManager接受client提出的处理任务，ResourceManager启动一个Applications Manager进程来管理这个任务

2、Applications Manager将任务分发给yarn集群的一个从节点Node Manager，然后启动一个程序MR APPMstr来管理这个任务

3、这个MR APPMaster程序主要向Appcations Manager申请资源，如所需内存、CPU 

4、Resource Scheduler将资源下发给MR APPMaster

5、MR APPMaster拿到资源后将资源分派给各个Node Manager

6、Node Manager拿到资源后启动对应的Map Task或者Reduce  Task

7、Map Task或者Reduce  Task产生的结果汇总给MR APPMaster

8、MR APPMaster把结果上报给Applications Manager。

二、Mapreduce简单代码解析

package org.apache.hadoop.examples;
 
import java.io.IOException;
import java.util.StringTokenizer;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
import org.apache.hadoop.util.Tool;
 
// Mapreduce类中需要继承Configured类以及实现Tool接口，Tool接口需要实现其run方法。
public class WordCount extends Configured implements Tool {

  　public int run(String[] args) throws Exception{
   //创建一个任务对象
   //不能这样写，new Configuration()是重新新建一个配置对象，但是同一个任务中应该使用同一个Configuration（）
   //Job.getInstance(conf:new Configuration(),JobName：“wordcount”） 
   // 继承父类Configured的main函数里的conf对象可以通过super.getConf()函数获得。
　　Job job = Job.getInstance(super.getConf(),"wordcount");  //构建一个job,在mapreduce框架里一个Mapreduce任务叫作业也叫job，具体的map和reduce运算是task，构建一个job，构建时有两个参数，一个是conf，一个是job名称。

　　//第一步：设置读取文件的类：K1和V1
　　job.setInputFormatClass(TextInputFormat.class);
　　TextInputFormat.addInputPath(job,new Path("输入的数据所在路经otherArgs[0]");
        //第二步：设置Mapper类
        job.setJarByClass(WordCount.class); // 装载程序员编写的计算程序，如程序类名为WordCount。虽然我们编写mapreduce程序只需要实现map函数和reduce函数，但是实际开发我们要实现三个类，第三个类是为了配置mapreduce如何运行map和reduce函数，准确的说就是构建一个mapreduce能执行的job了，例如WordCount类。
        job.setMapperClass(TokenizerMapper.class); //【3】第三行和第五行就是装载map函数和reduce函数实现类了，这里多了个第四行，这个是装载Combiner类，这个我后面讲mapreduce运行机制时候会讲述，其实本例去掉第四行也没有关系，但是使用了第四行理论上运行效率会更好。
        //设置Map阶段的输出类型：K2和V2的类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(Text.class);

        job.setCombinerClass(IntSumReducer.class); //【4】

        //第三步：设置Reducer类
        job.setReducerClass(IntSumReducer.class); //【5】

        //这个是定义Reducer输出的key/value的类型，也就是最终存储在hdfs上结果文件的key/value的类型。
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //第四步：构建输出类
        job.setOutputFormatClass(TextOutputFormat.class);
        //第五步：构建输出的数据文件，最后一行如果job运行成功了，我们的程序就会正常退出。TextInputFormat和TextOutputFormat是很有学问的
        TextOutputFormat.setOutputPath(job, new Path("输出路经otherArgs[1]“));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
  }


//main函数的调用

  public static void main(String[] args) throws Exception {

    //运行Mapreduce程序之前需要初始化Configuration，这个类是读取Mapreduce系统配置信息，
    //这些信息包括HDFS还有Mapreduce，即安装Hadoop时的配置文件:core-site.xml，hdfs-site.xml和mapred-site.xml等等文件里的信息。
    // 这样做的原因是：开发Mapreduce时仅仅在map函数和reduce函数里编写实际的业务逻辑，其他工作都是交给Mapreduce框架操作的，这需要我们告诉它怎么操作，如hdfs在哪，Mapreduce的jobstracker在哪，这些信息就在conf包下的配置文件里。

    Configuration conf = new Configuration();  
    //启动一个任务，run函数中的第一个参数是配置对象conf，第二个参数可以是该执行类对象，第三个参数是参数args。
    //返回值为0或1,0表示执行成功，非0为失败。
　　int run = ToolRunner.run(conf,new WordCount(), args)
    System.exit(run);
  }


//修改Mapper类，集成Mapper基类
/*
## Mapper基类的变量泛型
## 这里的K1为Object类型
## 这里的V1为String, Mapreduce对应的为Text类型。
## K2为Text类型
## V2为IntWritable类型，在java中为Int，但是Mapreduce自己定义了一种泛型，效率会更高，即IntWritable。
*/
  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{
     
    private final static IntWritable one = new IntWritable(1); //context.write(word,one)方法里的word和one需要是IntWritable和Text类型，所以要先new一个对象。
    private Text word = new Text();
       
    // 前面IntWritable key, Text value就是输入的key和value，
    //Context context这是可以记录输入的key和value，例如：context.write(word, one);此外context还会记录map运算的状态。
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken()); //将值赋给word对象
        context.write(word, one);
      }
    }
  }
   
// 修改Reducer类，继承Reducer类
//reduce的输入key-value为<K2,V2>, <K2,V2>为<hello,（1,1,1）>形式，即文本中hello出现3次。
//reduce的输出key-value为<K3,V3>

  public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();
 
    // 对于reduce函数的输入也是一个key/value形式，不过它的value是一个迭代器的形式，即reduce的输入是一个key对应一个集合value，reduce的context和map的context作用一致。
    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

}        

三、Mapreduce运行机制

1、从实体角度来看：

　　（1）设计的实体：

　　首先讲讲物理实体，参入mapreduce作业执行涉及4个独立的实体：

1. 1. 客户端（client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；
   2. JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行；
   3. TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。保持与JobTracker的通信，在分配的数据片段上执行Map或Reduce任务，TaskTracker和JobTracker的不同有个很重要的方面，就是在执行任务时候TaskTracker可以有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode一样存在单点故障，我会在后面的mapreduce的相关问题里讲到这个问题的）
   4. Hdfs：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面

　　（2）运行过程：

      配置job：首先是客户端要编写好mapreduce程序，配置好mapreduce的作业也就是job，

      提交job：接下来就是提交job了，提交job是提交到JobTracker上的，这个时候JobTracker就会构建这个job，具体就是分配一个新的job任务的ID值，接下来它会做检查操作，这个检查就是确定输出目录是否存在，如果存在那么job就不能正常运行下去，JobTracker会抛出错误给客户端，接下来还要检查输入目录是否存在，如果不存在同样抛出错误，如果存在JobTracker会根据输入计算输入分片（Input Split），如果分片计算不出来也会抛出错误，至于输入分片我后面会做讲解的，这些都做好了JobTracker就会配置Job需要的资源了。

　　初始化job：分配好资源后，JobTracker就会初始化作业，初始化主要做的是将Job放入一个内部的队列，让配置好的作业调度器能调度到这个作业，作业调度器会初始化这个job，初始化就是创建一个正在运行的job对象（封装任务和记录信息），以便JobTracker跟踪job的状态和进程 

　　任务分配：初始化完毕后，作业调度器会获取输入分片信息（input split），每个分片创建一个map任务。接下来就是任务分配了，这个时候tasktracker会运行一个简单的循环机制定期发送心跳给jobtracker，心跳间隔是5秒，程序员可以配置这个时间，心跳就是jobtracker和tasktracker沟通的桥梁，通过心跳，jobtracker可以监控tasktracker是否存活，也可以获取tasktracker处理的状态和问题，同时tasktracker也可以通过心跳里的返回值获取jobtracker给它的操作指令。

　　执行任务：任务分配好后就是执行任务了。在任务执行时候jobtracker可以通过心跳机制监控tasktracker的状态和进度，同时也能计算出整个job的状态和进度，而tasktracker也可以本地监控自己的状态和进度。当jobtracker获得了最后一个完成指定任务的tasktracker操作成功的通知时候，jobtracker会把整个job状态置为成功，然后当客户端查询job运行状态时候（注意：这个是异步操作），客户端会查到job完成的通知的。如果job中途失败，mapreduce也会有相应机制处理，一般而言如果不是程序员程序本身有bug，mapreduce错误处理机制都能保证提交的job能正常完成。

(hadoop 1.x)

摘自：https://blog.csdn.net/mrlevo520/article/details/76781186

1、在客户端启动一个作业。拿个比方说，我提交了一个hive程序

客户端（Client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；

2、向JobTracker请求一个Job ID，就像你排队买车一样，你不得摇个号啊，没有这个号你就不能买车(执行任务)。

• JobTracker：JobTracker是一个后台服务进程，启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。
• 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
• 状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。主要作用：容错和为任务调度提供决策依据。
• JobTracker只有一个，他负责了任务的信息采集整理，你就把它当做包工头把，这个和采用Master/Slave结构中的Master保持一致
• JobTracker 对应于 NameNode
• 一般情况应该把JobTracker部署在单独的机器上

3、将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门为该作业创建的文件夹中。文件夹名为该作业的Job ID。JAR文件默认会有10个副本（mapred.submit.replication属性控制）；输入划分信息(Split)告诉了JobTracker应该为这个作业启动多少个map任务等信息。

• HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面
• NameNode： 管理文件目录结构，接受用户的操作请求,管理数据节点(DataNode)
• DataNode：是HDFS中真正存储数据的
• Block：是hdfs读写数据的基本单位，默认64MB大小，就是说如果你有130MB数据，那就要分成三个block，两个存放64MB，最后一个存放2MB数据，虽然最后一个block块是64MB，但实际上占用空间为2MB
• Sencondary NameNode：它的目的是帮助 NameNode 合并编辑日志，减少 NameNode 启动时间，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。可参考[Secondary NameNode:它究竟有什么作用？

4、JobTracker接收到作业后，将其放在一个作业队列里(一般来说，公司部门都与自己的队列，默认的调度方法是FIFO，也就是first in first out-队列)，等待作业调度器对其进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息(Split)为每个划分创建一个map任务，并将map任务分配给TaskTracker执行。对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

• TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。
• 从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等
• 将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker，节点健康情况、资源使用情况，任务执行进度、任务运行状态等，比如说map task我做完啦，你什么时候让reduce task过来拉数据啊
• TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。
• TaskTracker都需要运行在HDFS的DataNode上

5、TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。

 

2、从逻辑实体来看Mapreduce的运行机制：

这些按照时间顺序包括：输入（input ）、分片（split）、map阶段、combiner阶段、shuffle阶段和reduce阶段。

1、输入（input）：数据存储位置，类似于hdfs的分布式存储

2、切片（split）：因为map task只读split，split基本上和hdfs的基本存储块block同样大小。split是逻辑分片，一个split默认对应一个map（可理解成map的单位块，进入map的时候须是这样的格式），如只收硬币的地铁站，只能投1元硬币，投5毛不行。是map task只读的单位，存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组

在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务，输入分片（input split）存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组，输入分片（input split）往往和hdfs的block（块）关系很密切，假如我们设定hdfs的块的大小是64mb，如果我们输入有三个文件，大小分别是3mb、65mb和127mb，那么mapreduce会把3mb文件分为一个输入分片（input split），65mb则是两个输入分片（input split）而127mb也是两个输入分片（input split），换句话说我们如果在map计算前做输入分片调整，例如合并小文件，那么就会有5个map任务将执行，而且每个map执行的数据大小不均，这个也是mapreduce优化计算的一个关键点。

3、map阶段：就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行；

4、combiner阶段：combiner阶段是程序员可以选择的，combiner其实也是一种reduce操作，因此我们看见WordCount类里是用reduce进行加载的。

Combiner是一个本地化的reduce操作，它是map运算的后续操作，主要是在map计算出中间文件前做一个简单的合并重复key值的操作，

例如我们对文件里的单词频率做统计，map计算时候如果碰到一个hadoop的单词就会记录为1，但是这篇文章里hadoop可能会出现n多次，那么map输出文件冗余就会很多，因此在reduce计算前对相同的key做一个合并操作，那么文件会变小，这样就提高了宽带的传输效率，毕竟hadoop计算力宽带资源往往是计算的瓶颈也是最为宝贵的资源，但是combiner操作是有风险的，使用它的原则是combiner的输入不会影响到reduce计算的最终输入，

例如：如果计算只是求总数，最大值，最小值可以使用combiner，但是做平均值计算使用combiner的话，最终的reduce计算结果就会出错。

5、shuffle阶段：将map的输出作为reduce的输入的过程就是shuffle了，这个是mapreduce优化的重点地方。这里我不讲怎么优化shuffle阶段，讲讲shuffle阶段的原理，因为大部分的书籍里都没讲清楚shuffle阶段。

 shuffle阶段解决什么问题？

在Hadoop这样的集群环境中，大部分map task与reduce task的执行是在不同的节点上。当然很多情况下Reduce执行时需要跨节点去拉取其它节点上的map task结果。如果集群正在运行的job有很多，那么task的正常执行对集群内部的网络资源消耗会很严重。这种网络消耗是正常的，我们不能限制，能做的就是最大化地减少不必要的消耗。还有在节点内，相比于内存，磁盘IO对job完成时间的影响也是可观的。从最基本的要求来说，我们对Shuffle过程的期望可以有：

• • 完整地从map task端拉取数据到reduce 端。
  • 在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗。
  • 减少磁盘IO对task执行的影响。

Shuffle一开始就是map阶段做输出操作，一般mapreduce计算的都是海量数据，map输出时候不可能把所有文件都放到内存操作，因此map写入磁盘的过程十分的复杂，更何况map输出时候要对结果进行排序，内存开销是很大的，

map在做输出时候会在内存里开启一个环形内存缓冲区，这个缓冲区专门用来输出的，默认大小是100mb，并且在配置文件里为这个缓冲区设定了一个阀值，默认是0.80（这个大小和阀值都是可以在配置文件里进行配置的），

同时map还会为输出操作启动一个守护线程，如果缓冲区的内存达到了阀值的80%时候，这个守护线程就会把内容写到磁盘上，这个过程叫spill，

另外的20%内存可以继续写入要写进磁盘的数据，写入磁盘和写入内存操作是互不干扰的，

如果缓存区被撑满了，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再继续执行写入内存操作，前面我讲到写入磁盘前会有个排序操作，这个是在写入磁盘操作时候进行，不是在写入内存时候进行的，如果我们定义了combiner函数，那么排序前还会执行combiner操作。

每次spill操作也就是写入磁盘操作时候就会写一个溢出文件，也就是说在做map输出有几次spill就会产生多少个溢出文件，等map输出全部做完后，map会合并这些输出文件。

这个过程里还会有一个Partitioner操作，对于这个操作很多人都很迷糊，其实Partitioner操作和map阶段的输入分片（Input split）很像，一个Partitioner对应一个reduce作业，如果我们mapreduce操作只有一个reduce操作，那么Partitioner就只有一个，如果我们有多个reduce操作，那么Partitioner对应的就会有多个，Partitioner因此就是reduce的输入分片，这个程序员可以编程控制，主要是根据实际key和value的值，根据实际业务类型或者为了更好的reduce负载均衡要求进行，这是提高reduce效率的一个关键所在。

到了reduce阶段就是合并map输出文件了，Partitioner会找到对应的map输出文件，然后进行复制操作，复制操作时reduce会开启几个复制线程，这些线程默认个数是5个，程序员也可以在配置文件更改复制线程的个数，这个复制过程和map写入磁盘过程类似，也有阀值和内存大小，阀值一样可以在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操作和合并文件操作，这些操作完了就会进行reduce计算了。

6、reduce阶段：和map函数一样也是程序员编写的，最终结果是存储在hdfs上的。

Mapreduce相关问题：

1. jobtracker的单点故障：jobtracker和hdfs的namenode一样也存在单点故障，单点故障一直是hadoop被人诟病的大问题，为什么hadoop的做的文件系统和mapreduce计算框架都是高容错的，但是最重要的管理节点的故障机制却如此不好，我认为主要是namenode和jobtracker在实际运行中都是在内存操作，而做到内存的容错就比较复杂了，只有当内存数据被持久化后容错才好做，namenode和jobtracker都可以备份自己持久化的文件，但是这个持久化都会有延迟，因此真的出故障，任然不能整体恢复，另外hadoop框架里包含zookeeper框架，zookeeper可以结合jobtracker，用几台机器同时部署jobtracker，保证一台出故障，有一台马上能补充上，不过这种方式也没法恢复正在跑的mapreduce任务。
2. 做mapreduce计算时候，输出一般是一个文件夹，而且该文件夹是不能存在，我在出面试题时候提到了这个问题，而且这个检查做的很早，当我们提交job时候就会进行，mapreduce之所以这么设计是保证数据可靠性，如果输出目录存在reduce就搞不清楚你到底是要追加还是覆盖，不管是追加和覆盖操作都会有可能导致最终结果出问题，mapreduce是做海量数据计算，一个生产计算的成本很高，例如一个job完全执行完可能要几个小时，因此一切影响错误的情况mapreduce是零容忍的。
3. Mapreduce还有一个InputFormat和OutputFormat，我们在编写map函数时候发现map方法的参数是之间操作行数据，没有牵涉到InputFormat，这些事情在我们new Path时候mapreduce计算框架帮我们做好了，而OutputFormat也是reduce帮我们做好了，我们使用什么样的输入文件，就要调用什么样的InputFormat，InputFormat是和我们输入的文件类型相关的，mapreduce里常用的InputFormat有FileInputFormat普通文本文件，SequenceFileInputFormat是指hadoop的序列化文件，另外还有KeyValueTextInputFormat。OutputFormat就是我们想最终存储到hdfs系统上的文件格式了，这个根据你需要定义了，hadoop有支持很多文件格式，这里不一一列举，想知道百度下就看到了。

三、编程规范

 Map阶段2个步骤

1、设置InputFormat类，（InputFormat类是用来读取源文件的数据），获取数据后将数据切分为Key-Value对（K1-V1)，输入第二步，[这里的K1常为行偏移量]

2、自定义Map逻辑，将第一步的结果转换成另外的Key-Value对(K2-V2)，输出结果。

Shuffle阶段4个步骤

3、对输出的Key-Value对(K2-V2)进行分区，[数据量过大需对其进行分类]

4、对不同分区的数据按照相同的Key排序

5、（可选）对分组过的数据初步归约，降低数据的网络拷贝

6、对数据进行分组，相同Key的Value放入一个集合中

Reduce阶段2个步骤

7、对多个Map任务的结果进行排序以及合并，编写Reduce函数实现自己的逻辑，对输入的Key-Value进行处理，转为新的Key-Value（K3-V3)输出

8、设置OutputFormat处理并保存Reduce输出的Key-Value数据，[OutputFormat为输出数据的设置]

来自https://blog.csdn.net/mrlevo520/article/details/76781186

四、Mapper阶段运行机制

原文链接：https://blog.csdn.net/mrlevo520/java/article/details/76781186

1、Map处理阶段

InputSplit：输入数据来源于HDFS的block，当然在MapReduce概念中，map task只读取Split，也就是是我们所说的分片。在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务。

Block是HDFS的基本存储单元，上文也有写，Block默认大小是64MB
Split是map task只读的单位，存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组
Split与block的对应关系可能是多对一，默认是一对一

Running map task： 就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行，这也就是上问所提到的 数据本地化！数据本地化（Data-Local）：意思是将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

2、Map的shuffle阶段

• 分区partition：

partition是分割map每个节点的结果，按照key分别映射给不同的reduce，也是可以自定义的。这里其实可以理解归类。我们对于错综复杂的数据归类。比如在动物园里有牛羊鸡鸭鹅，他们都是混在一起的，但是到了晚上他们就各自牛回牛棚，羊回羊圈，鸡回鸡窝。partition的作用就是把这些数据归类。只不过在写程序的时候，mapreduce使用哈希HashPartitioner帮我们归类了。默认是hash(key)%R(Reduce task的数量)哈希函数分散到各个reducer去

简单的hash做分配，就比如说我map task输出键值对(1,1),(2,1),(3,1), 我有三个reducer，假设我写个hash是除3取余的值为分配到的reducer位置(其实是要将key先变hash code再除的，我这里简略)，那么(1,1)被分配到第一个reduce，(2,1)被分配到第二个reduce，(3,1)被分配到第三个reduce，同理再来个(4,1)被分配到第一个reduce，HashPartitioner的目的就是合理的分组策略将使得每个Reducer获得的计算负载差距不大，从而整体reduce的性能更加均衡。

没理解HashPartitioner的胖友，可以参考下这个MapReduce 编程 系列十 使用HashPartitioner来调节Reducer的计算负载

• 环形缓冲区和溢出spill：

  map task输出结果首先会进入一个缓冲区内，这个缓冲区的大小是100MB，如果map task内容太大，是很容易撑爆内存的，所以会有一个守护进程，每当缓冲区到达上限80%的时候，就会启动一个Spill(溢写)进程，它的作用是把内存里的map task的结果写入到磁盘。这里值得注意的是，溢写程序是单独的一个进程，不会影响map task的继续输出（在写磁盘过程中，另外的20%内存可以继续写入数据，两种操作互不干扰，但如果在此期间缓冲区被填满，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再执行写入内存。）。

• 排序：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。shuffle排序可以参考这里

（1）在这个缓冲区内会有二次排序，先对partition分区排序，然后对同一个partition内的数据进行排序。
（2）很多人的误解在Map阶段，如果不使用Combiner便不会排序，这是错误的，不管你用不用Combiner，Map Task均会对产生的数据排序（如果没有Reduce Task，则不会排序， 实际上Map阶段的排序就是为了减轻Reduce端排序负载）
（3）数据按照partition值和key两个关键字升序排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位聚集在一起，同一partition内的按照key有序。

• 归约（combiner)：

  ​ Combiner：如果client设置过Combiner，那么现在就是使用Combiner的时候了。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简单说就是map端的reduce！。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。那哪些场景才能使用Combiner呢？从这里分析，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。但对于均值就会有影响；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。

• 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。当map task真正完成时，内存缓冲区中的数据也全部溢写到磁盘中形成一个溢写文件。最终磁盘中会至少有一个这样的溢写文件存在(如果map的输出结果很少，当map执行完成时，只会产生一个溢写文件)，因为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。

Merge是怎样的？比如“aaa”从某个map task读取过来时值是5，从另外一个map 读取时值是8，因为它们有相同的key，所以得merge成group。什么是group。对于“aaa”就是像这样的：{“aaa”, [5, 8, 2, …]}，数组中的值就是从不同溢写文件中读取出来的，然后再把这些值放在一起。

归约（Combine）和归并（Merge）的区别：
两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>，每个map都会有一个环形缓冲区，merge默认对此溢写文件进行合并，而combine则需要设置，设置后，同个key的value会相加

补充一下，combine这个如果设置了，会在两个地方被触发；
（1）第一次是在溢写磁盘前，缓冲区对key进行排序后，会触发一次；
（2）第二次是在merge最终将一堆溢写文件合并成单个文件时，也会触发一次，但在这里触发的时候需在 numSpills>mapreduce.map.combine.minspills(默认3) ，combiner时才执行；如果map输出规模较少，只存在一两个溢写的文件，那么不值得调用combine带来的开销。

• 排序：在shuffle阶段中map端涉及到的排序，在spill的过程中时，会对partition和key进行排序，确保partition内的key是有序的，这里用的是优化后的快排；

然后再溢写到小文件之后，针对这些小文件，最终需要merge到一个文件，这里也会出现一次排序，这里用的基本思想就是归并排序，其实是可以理解的，因为在溢写的文件块内，已经保证局部有序了，相当于只需要将局部有序的列表进行合并，形成一个全局有序的，这个让归并来做实在合适，甚至只需要做归并的后半部分！

至此，map端的所有工作都已结束，最终生成的这个文件也存放在TaskTracker够得着的某个本地目录内。每个reduce task不断地通过RPC从JobTracker那里获取map task是否完成的信息，如果reduce task得到通知，获知某台TaskTracker上的map task执行完成，Shuffle的后半段过程开始启动。

关于这个过程更详细的请见 MapReduce shuffle过程详解

配置参数：

五、Reducer阶段的运行机制

在Reduce端，shuffle主要分为复制Map输出、排序合并两个阶段。 

• Copy：

Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。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。

（1）默认情况下，当整个MapReduce作业的所有已执行完成的Map Task任务数超过Map Task总数的5%后，JobTracker便会开始调度执行Reduce Task任务。然后Reduce Task任务默认启动mapred.reduce.parallel.copies(默认为5）个MapOutputCopier线程到已完成的Map Task任务节点上分别copy一份属于自己的数据。 这些copy的数据会首先保存的内存缓冲区中，当内冲缓冲区的使用率达到一定阀值后，则写到磁盘上。
（2）有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了。还有就是map端已经做完了partition，reduce根据partition标识符来拉自己需要的数据

• Merge sort：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，merge有三种形式：1)内存到内存 2)内存到磁盘 3)磁盘到磁盘。

（1）如果内存缓冲区中能放得下这次数据的话就直接把数据写到内存中，即内存到内存merge。默认不启用。

（2）Reduce要向每个Map去拖取数据，在内存中每个Map对应一块数据，当内存缓存区中存储的Map数据占用空间达到一定程度的时候，开始启动内存中merge，把内存中的数据merge输出到磁盘上一个文件中，即内存到磁盘merge。在将buffer中多个map输出合并写入磁盘之前，如果设置了Combiner，则会化简压缩合并的map输出。Reduce的内存缓冲区可通过mapred.job.shuffle.input.buffer.percent配置，默认是JVM的heap size的70%。内存到磁盘merge的启动门限可以通过mapred.job.shuffle.merge.percent配置，默认是66%。（这种merge方式一直在运行，直到没有map端的数据时才结束）

（3）当属于该reducer的map输出全部拷贝完成，则会在reducer上生成多个文件（如果拖取的所有map数据总量都没有内存缓冲区，则数据就只存在于内存中），这时开始执行合并操作，即磁盘到磁盘merge，Map的输出数据已经是有序的，Merge进行一次合并排序，所谓Reduce端的sort过程就是这个合并的过程。一般Reduce是一边copy一边sort，即copy和sort两个阶段是重叠而不是完全分开的。最终Reduce shuffle过程会输出一个整体有序的数据块。

• Sort 阶段：按照 MapReduce 语义，用户编写 reduce()函数输入数据是按 key 进行聚集的一组数据。为了将 key 相同的数据聚在一起，Hadoop 采用了基于排序的策略。由于各个 MapTask 已经实现对自己的处理结果进行了局部排序，因此，ReduceTask 只需对所有数据进行一次归并排序即可。

Reducer的输入文件（中间文件）：不断地merge后，最后会生成一个“最终文件”。为什么加引号？因为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。当Reducer的输入文件已定，整个Shuffle才最终结束。

• reduce阶段：和map函数一样也是程序员编写的，最终结果是存储在hdfs上的。