杰霸霸博客

主题

Shuffle机制 ​

1. Shuffle流程 ​

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。 Alt text 具体Shuffle过程如下图：
Alt textShuffle具体内容：

  1. MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中
  2. 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
  3. 多个溢出文件会被合并成大的溢出文件
  4. 在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序(按照字典顺序快排)
  5. ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
  6. ReduceTask会抓取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并(归并排序)
  7. 合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程(从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法)

注意

  1. Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。
  2. 缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb默认100M。

2. Partition分区 ​

2.1 问题引出 ​

要求将统计结果按照条件输出到不同文件中。比如：将统计结果按照手机归属地不同省份输出到不同文件中。
解决办法：这时需要用到Partition分区，可以按照不同需求输出文件中去。

2.2 默认Partitioner分区 ​

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。缺点是用户没法控制哪个key存储到哪个分区。

java
public class HashPartitioner<K, V> extends Partitioner<K, V> {

    public int getPartition(K key, V value, int numReduceTasks) {
        return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
    }
}

2.3 自定义Partitioner ​

  1. 自定义类继承Partitioner，重写getPartition()方法
java
public class CustomPartitioner extends Partitioner<Text, FlowBean> {
     
    @Override
    public int getPartition(Text key, FlowBean value, int numPartitions) {
        // 控制分区代码逻辑
        … …
        return partition;
    }
}
  1. 在Job驱动中，设置自定义Partitioner
java
job.setPartitionerClass(CustomPartitioner.class);
  1. 根据自定义Partitioner的逻辑设置相应数量的ReduceTask
java
job.setNumReduceTasks(5);

  1. 分区总结

    • 如果ReduceTask的数量> getPartition的结果数，则会多产生几个空的输出文件part-r-000xx
    • 如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区数据无处安放，会抛出Exception
    • 如果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件 part-r-00000
    • 分区号必须从零开始，逐一累加

  2. 举例分析 例如：假设自定义分区数为5，则
    (1)job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件
    (2)job.setNumReduceTasks(2); 会报错
    (3)job.setNumReduceTasks(6); 大于5，程序会正常运行，会产生空文件

3. WritableComparable排序 ​

3.1 排序概述 ​

排序是MapReduce框架中最重要的操作之一。
MapTask和ReduceTask均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要。
也就意味着如果自定义序列化key对象的话，需要实现comparebale接口，Hadoop在reduce阶段取出k-v
默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。
对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序。
对于ReduceTask，它主动从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。

3.2 排序分类 ​

3.2.1 部分排序 ​

MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。

3.2.2 全排序 ​

最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。

3.2.3 辅助排序(GroupingComparator分组) ​

在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同(全部字段比较不相同)的key进入到同一个reduce方法时，可以采用分组排序。

3.2.4 二次排序 ​

在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。

3.3 自定义排序 ​

实现WritableComparable接口重写compareTo方法

java
@Override
public int compareTo(FlowBean bean) {
    int result;
    // 按照总流量大小，倒序排列
    if (this.sumFlow > bean.getSumFlow()) {
        result = -1;
    }else if (this.sumFlow < bean.getSumFlow()) {
        result = 1;
    }else {
        result = 0;
    }
    return result;
}

4. Combiner合并 ​

  1. Combiner是MR程序中Mapper和Reducer之外的一种组件。
  2. Combiner组件的父类就是Reducer。
  3. Combiner和Reducer的区别在于运行的位置:
    • Combiner是在每一个MapTask所在的节点运行
    • Reducer是接收全局所有Mapper的输出结果；
  4. Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
  5. Combiner能够应用的前提是不能影响最终的业务逻辑，而且Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。比如求平均数的处理

4.1 自定义Combiner实现步骤 ​

  1. 自定义一个Combiner继承Reducer，重写Reduce方法，比如：
java
public class WordCountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {

    private IntWritable outV = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable value : values) {
            sum += value.get();
        }
        outV.set(sum);
        context.write(key,outV);
    }
}
  1. 在Job驱动类中设置Combiner类
java
job.setCombinerClass(WordCountCombiner.class);

4.2 优化：直接将Reducer作为Combiner ​

java
//将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
job.setCombinerClass(WordCountReducer.class);

提示

如果设置job.setNumReduceTasks(0)就是指明没有Reduce阶段，整个Shuffle都不会执行，当然包括Combiner合并，同时运行结束输出文件只有part-m-00000文件，没有part-r-00000文件。

5. Shuffle优化 ​

5.1 MapReduce优化上 ​

Alt text

5.2 MapReduce优化下 ​

Alt text