MapReduce五大过程已经分析过半了。上次分析完Map的过程，着实花费了我的非常多时间。只是收获非常大，值得了额，这次用相同的方法分析完了Reduce的过程，也算是彻底摸透了MapReduce思想的2个最最重要的思想了吧。
好，废话不多，切入正题，在学习Reduce过程分析的之前，我特意查了书籍上或网络上相关的资料。我发现非常大都是大同小异。缺乏对于源代码的參照分析。所以我个人觉得。我了能够在某些细节上讲得跟明确些，或许会比較好。由于Map和Reduce的过程的总体流程是非常相近的，假设你看过之前我写的Map Task的分析，相信你也能非常快理解我的Reduce过程的分析的。
Reduce过程的集中表现体现于Reduce Task中，Reduce Task与Map Reduce一样，分为Job-setup Task, Job-cleanup Task, Task-cleanup Task和Reduce Task。我分析的主要是最后一个Reduce Task 。
Reduce Task 主要分为5个阶段:
Shuffle------------------->Merge------------------->Sort------------------->Reduce------------------->Write
当中最重要的部分为前3部分，我也会花最多的时间描写叙述前面3个阶段的任务。
Shuffle阶段。我们知道，Reduce的任务在最最開始的时候，就是接收Map任务中输出的中间结果的数据，key-value依据特定的分区算法，给对应的Reduce任务做处理，所以这时须要Reduce任务去远程拷贝Map输出的中间数据了，这个过程就称作Shuffle阶段，所以这个阶段也称为Copy阶段。在Shuffle阶段中。有个GetMapEventsThread。会定期发送RPC请求。获取远程运行好的Map Task的列表，把他们的输出location映射到mapLocation中。
....
//GetMapEventsThread线程是远程调用获得已经完毕的Map任务的列表
int numNewMaps = getMapCompletionEvents();
if (LOG.isDebugEnabled()) {
if (numNewMaps > 0) {
LOG.debug(reduceTask.getTaskID() + ": " +
"Got " + numNewMaps + " new map-outputs");
}
}
Thread.sleep(SLEEP_TIME);
} 进入getMapCompletionEvents方法。继续看:
...
for (TaskCompletionEvent event : events) {
switch (event.getTaskStatus()) {
case SUCCEEDED:
{
URI u = URI.create(event.getTaskTrackerHttp());
String host = u.getHost();
TaskAttemptID taskId = event.getTaskAttemptId();
URL mapOutputLocation = new URL(event.getTaskTrackerHttp() +
"/mapOutput?job=" + taskId.getJobID() +
"&map=" + taskId +
"&reduce=" + getPartition());
List<MapOutputLocation> loc = mapLocations.get(host);
if (loc == null) {
loc = Collections.synchronizedList
(new LinkedList<MapOutputLocation>());
mapLocations.put(host, loc);
}
//loc中加入新的已经完毕的，mapOutputLocation,mapLocations是全局共享的
loc.add(new MapOutputLocation(taskId, host, mapOutputLocation));
numNewMaps ++;
}
break;
....为了避免出现网络热点。Reduce Task对输出的位置进行了混洗的操作。然后保存到scheduleCopies中，兴许的拷贝操作都是环绕着这个列表进行的。这个变量保存在了一个叫ReduceCopier的类里面。确认拷贝的目标位置。还仅仅是Shuffle阶段的前半部分，这时看一下，运行的入口代码在哪里。回到Reduce
Task的入口run()代码:
public void run(JobConf job, final TaskUmbilicalProtocol umbilical)
throws IOException, InterruptedException, ClassNotFoundException {
this.umbilical = umbilical;
job.setBoolean("mapred.skip.on", isSkipping());
if (isMapOrReduce()) {
//设置不同阶段任务的进度
copyPhase = getProgress().addPhase("copy");
sortPhase = getProgress().addPhase("sort");
reducePhase = getProgress().addPhase("reduce");
}
// start thread that will handle communication with parent
//创建Task任务报告，与父进程进行联系沟通
TaskReporter reporter = new TaskReporter(getProgress(), umbilical,
jvmContext);
reporter.startCommunicationThread();
//推断是否使用的是新的额API
boolean useNewApi = job.getUseNewReducer();
initialize(job, getJobID(), reporter, useNewApi);
// check if it is a cleanupJobTask
//和map任务一样，Task有4种，Job-setup Task, Job-cleanup Task, Task-cleanup Task和ReduceTask
if (jobCleanup) {
//这里运行的是Job-cleanup Task
runJobCleanupTask(umbilical, reporter);
return;
}
if (jobSetup) {
//这里运行的是Job-setup Task
runJobSetupTask(umbilical, reporter);
return;
}
if (taskCleanup) {
//这里运行的是Task-cleanup Task
runTaskCleanupTask(umbilical, reporter);
return;
}
/* 后面的内容就是開始运行Reduce的Task */
// Initialize the codec
codec = initCodec();
boolean isLocal = "local".equals(job.get("mapred.job.tracker", "local"));
if (!isLocal) {
reduceCopier = new ReduceCopier(umbilical, job, reporter);
if (!reduceCopier.fetchOutputs()) {
......到了reduceCopier.fetchOutps()这里必须停一步了。由于后面的Shuffle阶段和Merge阶段都在这里实现:
/**
* 开启n个线程远程拷贝Map中的输出数据
* @return
* @throws IOException
*/
public boolean fetchOutputs() throws IOException {
int totalFailures = 0;
int numInFlight = 0, numCopied = 0;
DecimalFormat mbpsFormat = new DecimalFormat("0.00");
final Progress copyPhase =
reduceTask.getProgress().phase();
//单独的线程用于对本地磁盘的文件进行定期的合并
LocalFSMerger localFSMergerThread = null;
//单独的线程用于对内存上的文件进行进行定期的合并
InMemFSMergeThread inMemFSMergeThread = null;
GetMapEventsThread getMapEventsThread = null;
for (int i = 0; i < numMaps; i++) {
copyPhase.addPhase(); // add sub-phase per file
}
//建立拷贝线程列表容器
copiers = new ArrayList<MapOutputCopier>(numCopiers);
// start all the copying threads
for (int i=0; i < numCopiers; i++) {
//新建拷贝线程，逐一开启拷贝线程
MapOutputCopier copier = new MapOutputCopier(conf, reporter,
reduceTask.getJobTokenSecret());
copiers.add(copier);
//加入到列表容器中，并开启此线程
copier.start();
}
//start the on-disk-merge thread
localFSMergerThread = new LocalFSMerger((LocalFileSystem)localFileSys);
//start the in memory merger thread
inMemFSMergeThread = new InMemFSMergeThread();
//定期合并的2个线程也开启，也就是说copy阶段和merge阶段是并行操作的
localFSMergerThread.start();
inMemFSMergeThread.start();
// start the map events thread
getMapEventsThread = new GetMapEventsThread();
getMapEventsThread.start();
.....在上面的代码中出现非常多陌生的Thread的定义。这个能够先不用管。我们发现getMapEventsThread就是在这里开启的，去获取了最新的位置，位置获取完毕当然是要启动非常多的拷贝线程了，这里叫做MapOutputCopier线程，作者是把他放入一个线程列表中，逐个开启。看看里面的详细实现，他是怎样进行远程拷贝的呢。
@Override
public void run() {
while (true) {
try {
MapOutputLocation loc = null;
long size = -1;
synchronized (scheduledCopies) {
//从scheduledCopies列表中获取获取map Task的输出数据的位置
while (scheduledCopies.isEmpty()) {
//假设scheduledCopies我空，则等待
scheduledCopies.wait();
}
//获取列表中的第一个数据作为拷贝的地址
loc = scheduledCopies.remove(0);
}
CopyOutputErrorType error = CopyOutputErrorType.OTHER_ERROR;
readError = false;
try {
shuffleClientMetrics.threadBusy();
//标记当前的map输出位置为loc
start(loc);
//进行仅仅要的copy操作，返回拷贝字节数的大小
size = copyOutput(loc);
shuffleClientMetrics.successFetch();
//假设进行到这里，说明拷贝成功吗，标记此error的标记为NO_ERROR
error = CopyOutputErrorType.NO_ERROR;
} catch (IOException e) {
//抛出异常，做异常处理
....从location列表中去取出，然后进行拷贝操作，核心方法在copyOutput()，接着往里跟踪:
.....
// Copy the map output
//依据loc Map任务的数据输出位置。进行RPC的拷贝
MapOutput mapOutput = getMapOutput(loc, tmpMapOutput,
reduceId.getTaskID().getId());继续往里：
private MapOutput getMapOutput(MapOutputLocation mapOutputLoc,
Path filename, int reduce)
throws IOException, InterruptedException {
// Connect
//打开url资源定位符的连接
URL url = mapOutputLoc.getOutputLocation();
URLConnection connection = url.openConnection();
//得到远程数据的输入流
InputStream input = setupSecureConnection(mapOutputLoc, connection);
......
//We will put a file in memory if it meets certain criteria:
//1. The size of the (decompressed) file should be less than 25% of
// the total inmem fs
//2. There is space available in the inmem fs
// Check if this map-output can be saved in-memory
//向ShuffleRamManager申请内存存放拷贝的数据。推断内存是否内存是否装得下，装不下则放入DISK磁盘
boolean shuffleInMemory = ramManager.canFitInMemory(decompressedLength);
// Shuffle
MapOutput mapOutput = null;
if (shuffleInMemory) {
if (LOG.isDebugEnabled()) {
LOG.debug("Shuffling " + decompressedLength + " bytes (" +
compressedLength + " raw bytes) " +
"into RAM from " + mapOutputLoc.getTaskAttemptId());
}
//假设内存装得下，则将输入流中的数据放入内存
mapOutput = shuffleInMemory(mapOutputLoc, connection, input,
(int)decompressedLength,
(int)compressedLength);
} else {
if (LOG.isDebugEnabled()) {
LOG.debug("Shuffling " + decompressedLength + " bytes (" +
compressedLength + " raw bytes) " +
"into Local-FS from " + mapOutputLoc.getTaskAttemptId());
}
//装不下。则放入文件里
mapOutput = shuffleToDisk(mapOutputLoc, input, filename,
compressedLength);
}
return mapOutput;
}
在这里我们看到了，Hadoop通过URL资源定位符，获取远程输入流，进行操作的。在复制到本地的时候，还分了2种情况处理，当当前的内存能方得下当前数据的时候，放入内存中。放不下则写入到磁盘中。这里还出现了ShuffleRamManager的使用方法。至此，Shuffle阶段宣告完毕。还是比較深的。一层。又一层的。
Merger阶段。
Merge阶段事实上是和Shuffle阶段并行进行的，刚刚也看到了，在fetchOutputs中，这些相关进程都是同一时候开启的，
public boolean fetchOutputs() throws IOException {
int totalFailures = 0;
int numInFlight = 0, numCopied = 0;
DecimalFormat mbpsFormat = new DecimalFormat("0.00");
final Progress copyPhase =
reduceTask.getProgress().phase();
//单独的线程用于对本地磁盘的文件进行定期的合并
LocalFSMerger localFSMergerThread = null;
//单独的线程用于对内存上的文件进行进行定期的合并
InMemFSMergeThread inMemFSMergeThread = null;
....Merge的主要工作就是合并数据，当内存中或者磁盘中的文件比較多的时候。将小文件进行合并变成大文件。挑出当中的一个run方法....
public void run() {
LOG.info(reduceTask.getTaskID() + " Thread started: " + getName());
try {
boolean exit = false;
do {
exit = ramManager.waitForDataToMerge();
if (!exit) {
//进行内存merger操作
doInMemMerge();目的很明白，就是Merge操作，这是内存文件的合并线程的run方法，LocalFSMerger与此类似，不分析了。这个Mergr处理是并与Shuffle阶段的。在这里这2个阶段都完毕了。还是有点复杂的。以下是相关的一些类关系图，主要要搞清4个线程是什么作用的。
4个线程的调用都是在ReduceCopier.fetchOutput()方法中进行的。在Shuffle，Merge阶段的后面就来到了，Sort阶段。
Sort阶段。的任务和轻松。就是完毕一次对内存和磁盘总的一次Merge合并操作，当中还会对当中进行一次sort排序操作。
....
//标识copy操作已经完毕
copyPhase.complete(); // copy is already complete
setPhase(TaskStatus.Phase.SORT);
statusUpdate(umbilical);
//进行内存和磁盘中的总的merge阶段的操作。Sort包括当中运行
final FileSystem rfs = FileSystem.getLocal(job).getRaw();
RawKeyValueIterator rIter = isLocal
? Merger.merge(job, rfs, job.getMapOutputKeyClass(),
job.getMapOutputValueClass(), codec, getMapFiles(rfs, true),
!conf.getKeepFailedTaskFiles(), job.getInt("io.sort.factor", 100),
new Path(getTaskID().toString()), job.getOutputKeyComparator(),
reporter, spilledRecordsCounter, null)
: reduceCopier.createKVIterator(job, rfs, reporter);那么Sort操作在哪里呢。就在最以下的createKVIterator中:
private RawKeyValueIterator createKVIterator(
JobConf job, FileSystem fs, Reporter reporter) throws IOException {
.....
//在Merge阶段对全部的数据进行归并排序
Collections.sort(diskSegments, new Comparator<Segment<K,V>>() {
public int compare(Segment<K, V> o1, Segment<K, V> o2) {
if (o1.getLength() == o2.getLength()) {
return 0;
}
return o1.getLength() < o2.getLength() ? -1 : 1;
}
});
// build final list of segments from merged backed by disk + in-mem
List<Segment<K,V>> finalSegments = new ArrayList<Segment<K,V>>();。Sort阶段的任务就是这么简单。以下看一下前3个阶段基本的运行流程。这3个阶段构成了Reduce
Task的核心。
Reduce阶段，尾随这个图的运行方向。接下来我们应该运行的是key-value的reduce()函数了，没错就是循环键值对，运行此函数
....
//推断运行的是新的API还是旧的API
if (useNewApi) {
runNewReducer(job, umbilical, reporter, rIter, comparator,
keyClass, valueClass);
} else {
runOldReducer(job, umbilical, reporter, rIter, comparator,
keyClass, valueClass);
}在这里我们运行的就是runReducer方法了。我们往老的API跳:
private <INKEY,INVALUE,OUTKEY,OUTVALUE>
void runOldReducer(JobConf job,
TaskUmbilicalProtocol umbilical,
final TaskReporter reporter,
RawKeyValueIterator rIter,
RawComparator<INKEY> comparator,
Class<INKEY> keyClass,
Class<INVALUE> valueClass) throws IOException {
Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer =
ReflectionUtils.newInstance(job.getReducerClass(), job);
// make output collector
String finalName = getOutputName(getPartition());
//获取输出的key，value
final RecordWriter<OUTKEY, OUTVALUE> out = new OldTrackingRecordWriter<OUTKEY, OUTVALUE>(
reduceOutputCounter, job, reporter, finalName);
OutputCollector<OUTKEY,OUTVALUE> collector =
new OutputCollector<OUTKEY,OUTVALUE>() {
public void collect(OUTKEY key, OUTVALUE value)
throws IOException {
//将处理后的key,value写入输出流中。最后写入HDFS作为终于结果
out.write(key, value);
// indicate that progress update needs to be sent
reporter.progress();
}
};
// apply reduce function
try {
//increment processed counter only if skipping feature is enabled
boolean incrProcCount = SkipBadRecords.getReducerMaxSkipGroups(job)>0 &&
SkipBadRecords.getAutoIncrReducerProcCount(job);
//推断是否为跳过错误记录模式
ReduceValuesIterator<INKEY,INVALUE> values = isSkipping() ?
new SkippingReduceValuesIterator<INKEY,INVALUE>(rIter,
comparator, keyClass, valueClass,
job, reporter, umbilical) :
new ReduceValuesIterator<INKEY,INVALUE>(rIter,
job.getOutputValueGroupingComparator(), keyClass, valueClass,
job, reporter);
values.informReduceProgress();
while (values.more()) {
reduceInputKeyCounter.increment(1);
//Record迭代器中获取每一对，运行用户定义的Reduce函数，此阶段为Reduce阶段
reducer.reduce(values.getKey(), values, collector, reporter);
if(incrProcCount) {
reporter.incrCounter(SkipBadRecords.COUNTER_GROUP,
SkipBadRecords.COUNTER_REDUCE_PROCESSED_GROUPS, 1);
}
//获取下一个key。value
values.nextKey();
values.informReduceProgress();
}
//...和Map Task的过程非常类似。也正如我们预期的那样，循环迭代运行，这就是Reduce阶段。
Write阶段。
Write阶段是最后一个阶段。在用户自己定义的reduce中。一般用户都会调用collect.collect方法。这时候就是写入的操作了。
这时的写入就是将最后的结果写入HDFS作为终于结果了。这里先定义了OutputCollector的collect方法:
OutputCollector<OUTKEY,OUTVALUE> collector =
new OutputCollector<OUTKEY,OUTVALUE>() {
public void collect(OUTKEY key, OUTVALUE value)
throws IOException {
//将处理后的key,value写入输出流中。最后写入HDFS作为终于结果
out.write(key, value);
// indicate that progress update needs to be sent
reporter.progress();
}
};至此。完毕了Reduce任务的全部阶段。以下是一张时序图，便于理解：
掌握了Map ，Reduce2个过程核心实现的过程将会帮助我们更加理解Hadoop作业执行的整个流程。整个分析的过程或许会有点枯燥，可是苦中作乐。
