MapReduce运行流程分析

研究MapReduce已经有一段时间了。起初是从分析WordCount程序开始，后来开始阅读Hadoop源码，自认为已经看清MapReduce的运行流程。现在把自己的理解贴出来，与大家分享，欢迎纠错。

还是以最经典的WordCount程序作为基础，来分析map阶段、reduce阶段和最复杂的shuffle阶段。

文本1：hello world                                      文本2：map reduce

hello hadoop                                              java interface

abc qaz                                                      java hdfs

　　　　　java jvm                                                    spark storm

这样的2个小文本文件（不足64M），肯定会产生2个map任务，reduce任务默认是1个。当然，map任务和reduce任务的个数都可以在程序中或者配置文件中人为设置。为了说明partition的过程，我们把reduce任务的个数设为2。

1、map阶段

map1                                                            map2

输入：<xxxx, hello world>                                           <xxxx, map reduce>

<xxxx, hello hadoop>                                        <xxxx, java interface>

　　　 <xxxx, abc qaz>                                               <xxxx, java hdfs>

　　　 <xxxx, java jvm>                                              <xxxx, spark storm>

切分：<hello, 1>                                                           <map, 1>

<word, 1>                                                           <reduce, 1>

　　　<hello, 1>                                                           <java, 1>

　　　<hadoop, 1>                                                       <interface, 1>

　　　<abc, 1>                                                             <java, 1>

　　　<qaz, 1>                                                             <hdfs, 1>

　　　<java, 1>                                                            <spark, 1>

　　　<jvm, 1>                                                             <storm, 1>

2、shuffle阶段

切分完毕后，每一组<key, value>都会不断地被collect到一个内存缓冲区中，对应代码中的数据结构MapOutputBuffer。

partition过程：每一组<key, value>在被收集的时候，就已经确定了分区（partition），即在这个时候就已经确定了要交给哪个reduce任务处理。分区会给<key, value>加上一个索引标识。假设分区后（分区算法可以设定，默认是hash值模运算），数据如下：reduce1的标识是0，reduce2的标识是1

<hello, 1>                0                                          <map, 1>                         0

<word, 1>                1                                          <reduce, 1>                      1

　　　                                           <hello, 1>                0                                          <java, 1>                          0

　　　                                           <hadoop, 1>             1                                          <interface, 1>                   1

　　　                                           <abc, 1>                  0                                           <java, 1>                         0

　　　                                           <qaz, 1>                  1                                           <hdfs, 1>                         1

　　　                                           <java, 1>                 0                                           <spark, 1>                        0

　　　                                           <jvm, 1>                  1                                           <storm, 1>                       1

spill过程：缓冲区默认是100M，每当里面的数据达到80M（比例80%，这个比例也可以人为设置），就会另起一个线程SpillThread往磁盘溢写，每次溢写都会产生一个数据文件和对应的索引文件。

sort过程：在溢写的过程中一直在排序，比较算法可以定制，默认排序算法是快速排序（可以人为设定），排序的过程就是一些位置的索引在不断的变化。

排序之后的数据：

<abc, 1>                 0                                          <hdfs, 1>                         1

<hello, 1>                0                                          <interface, 1>                   1

<hello, 1>                0                                          <java, 1>                          0

<hadoop, 1>             1                                         <java, 1>                         0

　　　                                          <java, 1>                 0                                          <map, 1>                         0

　　　                                          <jvm, 1>                  1                                         <reduce, 1>                      1

　　　                                          <qaz, 1>                  1                                          <spark, 1>                        0

　　　                                          <word, 1>                1                                          <storm, 1>                       1 　

combine过程：这个过程默认是没有的，需要明确指定combiner。combiner其实就是一个reducer，可以让数据交给reduce任务之前，进行一些计算、合并。它的意义在于，使数据进一步减少，减轻了                       reduce任务通过网络获取数据的压力和reduce处理数据的压力。combiner也可以自己定制，每个溢写文件都会combine。

combiner会通过一个比较器对key进行比较，相同的key（比较结果为0，比较算法可以定制），会被放到一个集合的迭代器中，然后迭代进行一次reduce运算，产生一个输出。

combine之后的数据：

<abc, 1>                 0                                         <hdfs, 1>                        1

<hello, 1+1>             0                                        <interface, 1>                   1

<hadoop, 1>             1                                         <java, 1+1>                     0

　　　                                          <java, 1>                 0                                          <map, 1>                         0

　　　                                          <jvm, 1>                  1                                         <reduce, 1>                      1

　　　                                          <qaz, 1>                  1                                          <spark, 1>                        0

　　　                                          <word, 1>                1                                          <storm, 1>                       1

merge过程：一个map所有的溢写文件都会进行合并，产生一个最终的溢写文件和一个索引文件。合并是针对于不同的溢写文件中相同分区的数据。在这个合并的过程中，也会进行combine操作（如果设置了的话），此处的combine过程同上，不再细说。

copy数据过程：每个reduce任务会远程copy属于自己的多个map输出数据文件，通过http传输，在本地会合并。另外，这个过程也会进行combine，此次不过多说明。

结果如下：

reduce0                        reduce1

<abc, 1>                     <hadoop, 1>

　　　　　　　　　　　　　　　　　　　　　　<hello, 2>                    <jvm, 1>

<java, 1>                    <qaz, 1>

　　　　　　　　　　　　　　　　　　　　　　<java, 2>                     <word, 1>

<map, 1>                     <hdfs, 1>

<spark, 1>                   <interface, 1>

<reduce, 1>

<storm, 1>

sort过程：对上述结果进行排序，结果如下：

reduce0                        reduce1

<abc, 1>                     <hadoop, 1>

　　　　　　　　　　　　　　　　　　　　　　　<hello, 2>                    <hdfs, 1>

<java, 1>                    <interface, 1>

　　　　　　　　　　　　　　　　　　　　　　　 <java, 2>                     <jvm, 1>

<map, 1>                     <qaz, 1>

<spark, 1>                   <reduce, 1>

<storm, 1>

<word, 1>

3、reduce阶段

通过一个GroupComparator对key进行比较，相同的key（比较结果为0，比较算法可以定制），会被放到一个集合的迭代器中，然后迭代进行一次reduce运算，产生一个输出。类似combine过程。

最终的输出：                     reduce0                        reduce1

<abc, 1>                     <hadoop, 1>

　　　　　　　　　　　　　　　　　　　　　　　<hello, 2>                    <hdfs, 1>

<java, 3>                    <interface, 1>

　　　　　　　　　　　　　　　　　　　　　　　  <map, 1>                    <jvm, 1>

<spark, 1>                   <qaz, 1>

<reduce, 1>

<storm, 1>

<word, 1>

从上述过程的分析可以看出，合并和排序是核心！！！

PS：其实每个阶段没有这么分明，只不过是为了分析和理解的需要，才进行这样详细的划分，而且划分的还不一定正确，请大家及时纠错。另外，上述流程中涉及到好多的细节，没有一一说明。