2017.5.10 MapReduce内部逻辑

MapReduce内部逻辑

Split：HDFS 中的数据以 Split 方式作为 MapReduce 的输入

Block 是 HDFS 术语，Split 是 MapReduce 术语 通常1个 Split 对应1个 block，也可能对应多个block，具体是由 InputFormat 和压缩格式决定的

默认情况下，使用的是TextInputFormat，这时1个Split对应1个block，上图4个Split对应4个Block

Mapper解析出的数据输出到本地磁盘上

Map阶段由一批同时运行的Map Task 组成，每个 Map Task由3个部分组成：

InputFormat：对输入数据格式进行解析，默认为TextInputFormat，key代表每行偏移量，value代表每行数据内容。

Mapper：输入数据处理 Partitioner：数据分组， Mapper 的输出key会经过

Partitioner 分组选择不同的Reduce。默认Partitioner 会对 map 输出的key进行hash取模，比如有6个Reduce Task，它就是模（mod）6，如果key的hash值为0，就选择第0个 Reduce Task。这样不同的map 对相同key，它的 hash 值取模是一样的

Reduce 阶段由一批同时运行的 Reduce Task 组成，每个 Reduce Task由4个部分组成：

Shuffle： Reduce Task 远程拷贝每个 map 处理的结果，从每个 map 中读取一部分结果，每个 Reduce Task 拷贝哪些数据，是由 Partitioner 决定的

Sort：读取完数据后，会按照key排序，相同的key被分到一组

Reducer：数据处理，以WordCount为例，对相同的key计词频数 OutputFormat：数据输出格式， Reducer 的结果将按照

OutputFormat 格式输出，默认为 TextOutputFormat ，以WordCount为例，这里的key为单词，value为词频数

缓冲区默认为100M，由io.sort.mb属性控制

缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），写磁盘，最后合并，reduce端也一样，reduce端拿到的map端数据是按key排序