Shuffle 机制

1. 概述

• Map 方法之后，Reduce 方法之前的数据处理过程称之为 Shuffle。

2. Partition 分区

• 需求：要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按照手机归属地，不同省份输出到不同文件中（分区）。

// 默认 Partitioner 分区
public class HashPartitioner<K, V> extends Partitioner<K, V> {
    public int getPartition(K key, V value, int numReduceTasks) {
      return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
    }
}

2.1 自定义 Partitioner 步骤

// 1. 自定义类继承 Partitioner， 重写 getPartition() 方法
public class CustomPartitioner extends Partitioner<Text, FlowBean> {
    
    @Override
    public int getPartition(Text key, FlowBean value, int numPartitions) {
      // 控制区代码逻辑

      ......
    }
}

// 2. 在 Job 驱动中，设置自定义 Partitioner
job.setPartitionerClass(CustomPartitioner.class);

// 3. 自定义 Partition 后，要根据自定义 Partitioner 的逻辑设置相应数量的 ReduceTask
job.setNumReduceTasks(自定义的数量);

2.2 分区总结

• 如果 ReduceTask 的数量大于getPartition的结果数，则会多产生几个空的输出文件 part-r-000xx;
• 如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区数据无处安放，会产生IOException；
• 如果ReduceTask的数量为1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件 part-r-00000;
• 分区号必须从零开始，逐一累加。

3. WritableComparable 排序

• MapTask 和 ReduceTask 均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要。
• 默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。

3.1 排序概述

• MapTask：它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它回对磁盘上所有文件进行归并排序。
• ReduceTask：它从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写到磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大的文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask 统一对内存和磁盘上的所有数据进行一次归并排序。

3.1 排序分类

• 部分排序
  • MapReduce 根据输入记录的键对数据集排序。保证输出的每个文件内部有序。
• 全排序
  • 最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。
• 辅助排序（GroupingComparator 分组）
  • 在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序。
• 二次排序
  • 在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。

3.2 Combiner 合并

• Combiner是MR程序中Mapper和Reducer之外的一种组件；
• Combiner组件的父类就是Reducer；
• Combiner和Reducer的区别在于运行的位置：
  • Combiner是在每一个MapTask所在的节点运行；
  • Reducer是接收全局所有Mapper的输出结果；
• Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减少网络传输量。
• Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来；

3.3 GroupingComparator 分组（辅助排序）

• 对Reduce阶段的数据根据某一个或几个字段进行分组。

// 分组排序步骤：
// 1. 自定义类继承 WritableComparator
// 2. 重写 compare（）方法
// 3. 创建一个构造将比较对象的类传给父类

4. Shuffle 机制