Map/Reduce 工作机制分析 --- 数据的流向分析

前言

　　在MapReduce程序中，待处理的数据最开始是放在HDFS上的，这点无异议。

　　接下来，数据被会被送往一个个Map节点中去，这也无异议。

　　下面问题来了：数据在被Map节点处理完后，再何去何从呢？

　　这就是本文探讨的话题。

Shuffle

　　在Map进行完计算后，将会让数据经过一个名为Shuffle的过程交给Reduce节点；

　　然后Reduce节点在收到了数据并完成了自己的计算后，会将结果输出到Hdfs。

　　那么，什么是Shuffle阶段，它具体做什么事情？

　　需要知道，这可是Hadoop最为核心的所在，也是号称“奇迹出现的地方“  = =#

Shuffle具体分析

　　首先，给出官方对于Shuffle流程的示意图：

　　

　　Shuffle过程植入于Map端和Reduce端两边

　　1. Map端工作：

　　　　a. 分区：根据键值对的Key值，选定键值对所属的Partition区间(与Reduce节点对应)。

　　　　b. 排序：对各分区内的键值对根据键进行排序。

　　　　c. 分割：Map端的结果先是存放在缓冲区内的，如果超出，自然就要执行分割的处理，将一部分数据发往硬盘。

　　　　d. 合并：对于要发送往同一个节点的键值对，我们需要对它进行合并。(这一步很可能针对硬盘，对于海量数据处理，缓冲区溢出是很正常的事情)

　　2. Reduce端工作：

　　　　a. Copy：以HTTP的方式从指定的Map端拉数据，注意是Map端的本地磁盘。

　　　　b. 合并：一个Reduce节点有可能从多个Map节点获取数据，获取到之后

　　　　c. 排序：对各分区内的键值对根据键进行排序。和Map端操作一样。

小结

　　对于这部分的内容，以后有机会做Hadoop性能方面的工作时，会继续学习研究。