网址导航华图seo快速优化排名

一、Mapreduce工作流程

（1）数据切片Split。数据切片数决定maptask并行度，默认情况下，一个切片大小=块大小。切片不是针对整体数据集，而是针对每一个文件单独切片，所以会有小文件问题（CombineTextInputFormat可用于小文件过多的场景，可以将多个小文件在逻辑上划分到一个切片中）。

（2）map。每个maptask并行执行，调用map方法对数据进行业务逻辑处理，并输出kv键值对。

（3）shuffle。shuffle过程从map方法输出outk outv键值对开始，键值对会被写入到环形缓冲区中，同时记录该条数据的分区信息（环形缓冲区一半记录数据的元数据信息，一半记录真实数据信息）当环形缓冲区写到80%的时候，环形缓冲区开始反向写入数据，并且已写入的80%数据开始溢写到磁盘（在真正写入磁盘之前，会在内存中首先按照key进行快速排序），一个mapTask可能会有多个溢写文件，这些文件在进入reduce之前，还会进行归并排序成一个大的溢写文件（如果有combiner，会在这先进行部分聚合）。reduceTask会从不同的mapTask主动拉取自己分区的数据，并对这些来自不同mapTask的数据再次进行归并排序，合并成一个大的文件，到这里shuffle阶段就结束了，之后就是调用reduce方法完成最终的聚合操作了。

（4）reduce。调用reduce方法，完成最后的逻辑聚合。

二、MapTask工作机制

一个MapTask总体上包含read、map、collect、溢写、merge五个阶段。

（1）read阶段。读取数据。

（2）map阶段。调用map方法处理输入的kv键值对。

（3）collect阶段。将map计算结果进行收集，写入到环形缓冲区。

（4）溢写阶段。环形缓冲区达到80%时会进行溢写，注意溢写前会先进行快排。

（5）merge阶段。一个maptask的多个溢写文件进行归并，形成一个大的溢写文件。

三、ReduceTask工作机制

一个ReduceTask总体上包含Copy、Sort、reduce三个阶段。

（1）Copy阶段。从不同的Maptask主动拷贝自己分区的数据文件。

（2）Sort阶段。对来自不同maptask的文件进行归并排序，整合为一个文件。

（3）reduce阶段。调用reduce方法，按照聚合逻辑进行聚合运算。

四、Shuffle机制

map方法结束到reduce方法之前的过程都属于shuffle过程。shuffle过程的理解主要就是三次排序过程（一次快排，两次归并）。

（1）一个maptask在溢写每个文件到磁盘前，都会在内存中对不同的分区内部进行快排，保证了每个溢写文件内部的分区内有序

（2）一个maptask可能会有多个溢写文件，每个溢写文件都划分了分区且分区内有序，这些溢写文件会进行归并排序合并成一个大的溢写文件，保留分区且分区内有序

（3）reduceTask会主动从不同的maptask拉取自己分区的数据，从不同maptask拷贝的文件在进入reduce方法之前还会进行一次归并排序。

五、部分调优参数

（1）shuffle中的缓冲区大小会影响溢写次数，缓冲区越大，溢写次数越少，磁盘的io越少，执行速度越快。缓冲区大小可以通过mapreduce.task.io.sort.mb参数进行调整。