整个shuffle的流程图

Paste_Image.png

Map Shuffle的作用以及相应的设置

1. partition

   • 过程：输入的<key,value>对经过map()处理后输出新的<key,value>对，它首先会被存储到环形缓冲区中(字节数组实现)。该环形缓冲区的大小默认为100MB。并且会对每个<key,value>对hash一个partition值，相同partition值为同一个分区。
   • 作用：由于map()处理后的数据量可能会非常大，所以如果由一个reduce()处理效率不高，为了解决这个问题可以用分布式的思想，一个reduce()解决不了，就用多个reduce节点。一般来说有几类分区就对应有几个reduce节点，把相同分区交给一个reduce节点处理。
   • 设置
     • 环形缓冲区大小:mapred-site.xml中设置mapreduce.task.io.sort.mb的值
     • 环形缓冲区溢写的阈值:mapred-site.xml中设置mapreduce.map.sort.spill.percent的值

     • partition:job.setPartitionerClass(cls)

       Paste_Image.png

2. sort

   • 过程:把环形缓冲区中的数据根据partition值和key值两个关键字升序排序。同一partition内的按照key排序。
   • 作用:一般来讲mapreduce框架用来做各种排序操作，先在map端排序，减少reduce端排序的负担。
   • 设置:job.setSortComparatorClass(cls)
     Paste_Image.png

• combiner
  • 过程:将sort后的数据进行combiner操作
  • 作用:可以理解为map端的预reduce操作，在数据量非常大的时候，这样的优化可以节省很多网络带宽和本地磁盘IO流的读写。
  • 设置:job.setCombinerClass(cls)
    Paste_Image.png

1. compress

   • 过程:压缩combiner输出后的数据
   • 作用:减少本地磁盘的读写和减少reduce拷贝map端数据时的网络带宽
   • 设置

     1. Configuration对象用来解析XML文件，可以用set方法来设置属性值。

        Paste_Image.png

     2. 寻找要设置的相关属性

        compress.png

     3. 内置的三种压缩算法

        compresssuanfa.png

     4. 配置key,value

        peizhi.png

2. spill

   • 过程:将排序后的内存数据spill到本地磁盘中
   • 作用:因为数据量非常大，全部存放在内存中不太现实，所以最后还是会存到本地磁盘中

3. merge

   • 过程:因为可能会有几次spill，本身存放数据的out文件和存放数据偏移量索引index文件都会产生多个，把多个这样的文件合并。
   • 作用:方便reduce的一次性拷贝。
   • 设置:
     mapsort.png

Reduce Shuffle的作用以及相应的设置

1. merge

   • 过程:reduce拷贝map()最终输出的磁盘数据，一个reduce应该拷贝每个map节点的相同partition的数据。
   • 作用:因为有多个map节点，拷贝后的数据文件不止一份，先进性合并操作，为后面的排序做准备。

2. sort

   • 过程、作用:这里和map端的一样。

3. group

   • 过程:将排序好的<key,value>对进行分组，分组规则默认的是将相同key的value放在一起。
     fenzu.png
   • 作用:为了reduce()更好的计算相同key值出现的次数。
   • 设置:job.setGroupingComparatorClass(cls);
     比较2.png

shuffle阶段中Comparator的理解和作用

1. 被用来作为排序比较和分组比较的依据

2. 排序比较和分组比较都是通过实现下图中的接口方法

   sort.png
   比较2.png

   • 其中b1为第一个字节数组，s1为开始的index，l1为b1比较的长度，b2为第二个字节数组，s2为开始的index，l2为b2比较的长度

     比较3.png

   • 底层用到了java.util.Comparator.compare(T o1, T o2)函数

     比较4.png

MapReduce执行过程中中间数据的压缩配置和其余的配置

1. 压缩配置见map过程
2. 设置reduce的数目
   job.setNumReduceTasks(tasks);其中tasks为int型整数。合理的设置reduce数目是一种性能调优，实际生产环境中最好用测试的方式来抉择较好的reduce数目