分为MapTask和ReduceTask阶段
MapTask工作机制
(1)Read阶段:MapTask通过用户编写的RecordReader,从输入InputSplit中解析出一个个key/value。
(2)Map阶段:该节点主要是将解析出的key/value交给用户编写map()函数处理,并产生一系列新的key/value。
(3)Collect收集阶段:在用户编写map()函数中,当数据处理完成后,一般会调用OutputCollector.collect()输出结果。在该函数内部,它会将生成的key/value分区(调用Partitioner),并写入一个环形内存缓冲区中。
(4)Spill阶段:即“溢写”,当环形缓冲区满后,MapReduce会将数据写到本地磁盘上,生成一个临时文件。需要注意的是,将数据写入本地磁盘之前,先要对数据进行一次本地排序,并在必要时对数据进行合并、压缩等操作。
溢写阶段详情:
步骤1:利用快速排序算法对缓存区内的数据进行排序,排序方式是,先按照分区编号Partition进行排序,然后按照key进行排序。这样,经过排序后,数据以分区为单位聚集在一起,且同一分区内所有数据按照key有序。
步骤2:按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out(N表示当前溢写次数)中。如果用户设置了Combiner,则写入文件之前,对每个分区中的数据进行一次聚集操作。
步骤3:将分区数据的元信息写到内存索引数据结构SpillRecord中,其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB,则将内存索引写到文件output/spillN.out.index中。
(5)Combine阶段:当所有数据处理完成后,MapTask对所有临时文件进行一次合并,以确保最终只会生成一个数据文件。
当所有数据处理完后,MapTask会将所有临时文件合并成一个大文件,并保存到文件output/file.out中,同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中,MapTask以分区为单位进行合并。对于某个分区,它将采用多轮递归合并的方式。每轮合并io.sort.factor(默认10)个文件,并将产生的文件重新加入待合并列表中,对文件排序后,重复以上过程,直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件,可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。
MapTask的运行流程
1.阶段定义
MapTask分为两个阶段:
map(Mapper.map()中将输出的key-value写出之前)
sort(Mapper.map()中将输出的key-value写出之后)
MapTask写出记录: (hadoop,1),(hive,1),(spark,1),(zoo,1)
…
在执行context.write()并不是直接将key-value写出,而是先攒到一个缓存区(MapOutPutBuffer)中!
每个记录在进入缓冲区时,先调用Partitioner(分区器)为记录计算一个区号!
进入缓存区后
index partition keystart valuestart key value
0 1 0 6 hadoop 1
1 1 7 11 hive 1
2 0 xx xx spark 1
缓存区有两个线程,一个为收集线程,收集线程负责将Mapper写出的key-value收集到缓冲区!
第二个为溢写线程,溢写线程会在缓冲区已经收集了80%空间的数据时,被唤醒,唤醒后负责将缓冲区收集的数据溢写到磁盘!
一旦缓冲区满足溢写条件,先对缓冲区的所有数据,进行一次排序!排序只根据key进行比较,进行升序排序!
排序时,只排索引(记录有序的索引的顺序),不移动数据!
按照分区,进行溢写!每次溢写生成一个临时文件 spillx.out!
溢写多次,生成多个临时文件!
当所有的数据全部被溢写结束(最后一批数据不满足溢写条件会执行一次(flush,flush会将最后一批数据进行溢写)!
溢写结束后,会对所有的溢写片段执行一次merge(将多个临时文件合并成一个最终结果)操作!
合并时,将所有临时文件同一个分区的数据进行汇总,汇总后再排序,最后合并为一个文件,这个文件每个分区中的key-value都是有序的!
最终将数据写入到MapTask磁盘的某个文件中!
细节部分:
①先分区
②每次溢写前,都需要对缓冲区中的数据进行排序
排序时,只排索引,不会移动数据,使用快速排序!
③合并多个溢写片段为最终的文件时,在汇总后再排序,使用归并排序!
④缓冲区初始值是100M,溢写阈值是80%
ReduceTask工作机制
(1)Copy阶段:ReduceTask从各个MapTask上远程拷贝一片数据,并针对某一片数据,如果其大小超过一定阈值,则写到磁盘上,否则直接放到内存中。
(2)Merge阶段:在远程拷贝数据的同时,ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并,以防止内存使用过多或磁盘上文件过多。
(3)Sort阶段:按照MapReduce语义,用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起,Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序,因此,ReduceTask只需对所有数据进行一次归并排序即可。
(4)Reduce阶段:reduce()函数将计算结果写到HDFS上。