MapReduce快速入门系列(5) | MapReduce任务流程和shuffle机制的简单解析

网友投稿 820 2022-05-28

Hello,大家好,在本系列的第一篇博文中,博主已经为大家介绍了MapReduce的相关概念。其中谈到了MapReduce主要由Map和Reduce两个过程组成!事实上,为了让Reduce可以并行处理Map的结果,需要对Map的输出进行一定的分区(Partition),排序(Sort),合并(Combine),分组(Group)等操作,得到形式的中间结果,再交给对应的Reduce 进行处理,这个过程也就是小菌需要为大家介绍的,叫做Shuffle(混洗)。

目录

1. Shuffle机制

2. Shuffle阶段的四个操作

3. MapReduce工作流程

3.1 MapReduce的整个任务执行过程

3.2 MapReduce工作流程图(全)

3.3 注意

1. Shuffle机制

Shuffle机制如下:

是不是发现可能看不懂!没关系下面开始细化详解一下。

2. Shuffle阶段的四个操作

下图为Shuffle阶段的四个操作的具体功能演示:

如果对上图的一脸懵逼,不要慌!下面即为详细解答:

第5步:对输出的key,value对进行分区。相同key的数据发送到同一个reduce里面去,相同key合并,value形成一个集合

第6步:对不同分区的数据按照相同的key进行排序

第7步:对分组后的数据进行规约(combine操作),降低数据的网络拷贝(可选步骤)

第8步:对排序后的额数据进行分组,分组的过程中,将相同key的value放到一个集合当中

3. MapReduce工作流程

3.1 MapReduce的整个任务执行过程

由于空间有限,2,3步骤过程较为抽象,只做文字说明

具体每步的详细流程如下:

MapReduce快速入门系列(5) | MapReduce任务流程和shuffle机制的简单解析

第1步:InputFormat InputFormat 到hdfs上读取数据 将数据传给Split 第2步:Split Split将数据进行逻辑切分, 将数据传给RR 第3步:RR(RecordReader) RR:将传入的数据转换成一行一行的数据,输出行首字母偏移量和偏移量对应的数据 将数据传给MAP 第4步:MAP MAP:根据业务需求实现自定义代码 将数据传给Shuffle的partition 第5步:partition partition:按照一定的分区规则,将key value的list进行分区。 将数据传给Shuffle的Sort 第6步:Sort Sort:对分区内的数据进行排序 将数据传给Shuffle的combiner 第7步:combiner combiner:对数据进行局部聚合。 将数据传给Shuffle的Group 第8步:Group Group:将相同key的key提取出来作为唯一的key, 将相同key对应的value获取出来作为value的list 将数据传给Reduce 第9步:Reduce Reduce:根据业务需求进行最终的合并汇总。 将数据传给outputFormat 第10步:outputFormat outputFormat:将数据写入HDFS

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

3.2 MapReduce工作流程图(全)

1. MapReduce详细工作流程(一)

2. MapReduce详细工作流程(二)

3. 详细流程解析

上面的流程是整个MapReduce最全工作流程,但是

Shuffle过程

只是从第7步开始到第16步结束,具体Shuffle过程详解,如下:

① MapTask收集我们的map()方法输出的kv对,放到内存缓冲区中

② 从内存缓冲区不断溢出本地磁盘文件,可能会溢出多个文件

③ 多个溢出文件会被合并成大的溢出文件

④ 在溢出过程及合并的过程中,都要调用Partitioner进行分区和针对key进行排序

⑤ ReduceTask根据自己的分区号,去各个MapTask机器上取相应的结果分区数据

⑥ ReduceTask会取到同一个分区的来自不同MapTask的结果文件,ReduceTask会将这些文件再进行合并(归并排序)

⑦ 合并成大文件后,Shuffle的过程也就结束了,后面进入ReduceTask的逻辑运算过程(从文件中取出一个一个的键值对Group,调用用户自定义的reduce()方法)

3.3 注意

Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率,原则上说,缓冲区越大,磁盘io的次数越少,执行速度就越快。

缓冲区的大小可以通过参数调整,参数:io.sort.mb默认100M

本次关于MapReduce任务流程和shuffle机制的简单解析就到这里了,关于流程中shuffle阶段的Partition分区算法以及split的逻辑切分规律,博主会在后续的博客中为大家解答,感兴趣的小伙伴们记得关注博主呀!

MapReduce

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:【精选单品】华为IdeaHub Enterprise智能协作平板 | 智慧办公,一站到位
下一篇:php配置mongodb扩展、安装mongodb服务教程
相关文章