MapReduce中shuffle过程

Posted whcwkw1314

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了MapReduce中shuffle过程相关的知识,希望对你有一定的参考价值。

shuffle是MapReduce的核心,map和reduce的中间过程。

Map负责过滤分发,reduce归并整理,从map输出到reduce输入就是shuffle过程。

实现的功能

分区

决定当前key交给哪个reduce处理

默认:按照key的hash值对reduce的个数取余进行分区

 技术分享图片技术分享图片

分组

将相同key的value合并

排序

按照key对每一个keyvalue进行排序,字典排序

过程

技术分享图片

 技术分享图片

map端shuffle

spill阶段:溢写

每一个map task处理的结果会进入环形缓冲区(内存100M)

分区

对每一条key进行分区(标上交给哪个reduce)

hadoop      1       reduce0
hive        1       reduce0
spark       1       reduce1
hadoop      1       reduce0
hbase       1       reduce1
排序

按照key排序,将相同分区的数据进行分区内排序

hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1
溢写

当整个缓冲区达到阈值80%,开始进行溢写


将当前分区排序后的数据写入磁盘变成一个文件file1
最终生成多个spill小文件

可以在mapred-site.xml中设置内存的大小和溢写的阈值

在mapred-site.xml中设置内存的大小
?
    <property>
?
      <name>mapreduce.task.io.sort.mb</name>
?
      <value>100</value>
?
    </property>
?
在mapred-site.xml中设置内存溢写的阈值  
?
    <property>
?
      <name>mapreduce.task.io.sort.spill.percent</name>
?
      <value>0.8</value>
?
    </property>

 

merge:合并

将spill生成的多个小文件进行合并

排序:将相同分区的数据进行分区内排序,实现comparator比较器进行比较。最终形成一个文件。


file1
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1
?
file2
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hbase       1       reduce1
spark       1       reduce1
?
end_file:
hadoop      1       reduce0
hadoop      1       reduce0
hadoop      1       reduce0
hadoop      1       reduce0
hive        1       reduce0
hive        1       reduce0
hbase       1       reduce1
hbase       1       reduce1
spark       1       reduce1
spark       1       reduce1

map task 结束,通知app master,app master通知reduce拉取数据

reduce端shuffle

map task1
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hive        1       reduce0
        hive        1       reduce0
        hbase       1       reduce1
        hbase       1       reduce1
        spark       1       reduce1
        spark       1       reduce1
map task2
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hadoop      1       reduce0
        hive        1       reduce0
        hive        1       reduce0
        hbase       1       reduce1
        hbase       1       reduce1
        spark       1       reduce1
        spark       1       reduce1

reduce启动多个线程通过http到每台机器上拉取属于自己分区的数据

reduce0:
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hadoop      1       reduce0
    hive        1       reduce0
    hive        1       reduce0
    hive        1       reduce0
    hive        1       reduce0

merge:合并,将每个map task的结果中属于自己的分区数据进行合并

排序:对整体属于我分区的数据进行排序

分组:对相同key的value进行合并,使用comparable完成比较。

hadoop,list<1,1,1,1,1,1,1,1>
hive,list<1,1,1,1>

  

优化

combine

在map阶段提前进行一次合并。一般等同于提前执行reduce


job.setCombinerClass(WCReduce.class);

compress

压缩中间结果集,减少磁盘IO以及网络IO

压缩配置方式

1.default:所有hadoop中默认的配置项
2.site:用于自定义配置文件,如果修改以后必须重启生效
3.conf对象配置每个程序的自定义配置
4.运行时通过参数实现用户自定义配置
bin/yarn jar xx.jar -Dmapreduce.map.output.compress=true -Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.Lz4Codec main_class input_path ouput_path

查看本地库支持哪些压缩

bin/hadoop checknative

技术分享图片

通过conf配置对象配置压缩

public static void main(String[] args) {
        Configuration configuration = new Configuration();
        //配置map中间结果集压缩
        configuration.set("mapreduce.map.output.compress","true");
        configuration.set("mapreduce.map.output.compress.codec", "org.apache.hadoop.io.compress.Lz4Codec");
        //配置reduce结果集压缩
        configuration.set("mapreduce.output.fileoutputformat.compress","true");
        configuration.set("mapreduce.output.fileoutputformat.compress.codec", "org.apache.hadoop.io.compress.Lz4Codec");
        try {
            int status = ToolRunner.run(configuration, new MRDriver(), args);
            System.exit(status);
        } catch (Exception e) {
            e.printStackTrace();
        }
}

  

 



以上是关于MapReduce中shuffle过程的主要内容,如果未能解决你的问题,请参考以下文章

大数据技术专题篇MapReduce shuffle过程详解

spark和mapreduce的shuffle

MapReduce中shuffle过程

MapReduce中的shuffle过程

MapReduce的Shuffle过程介绍

Hadoop从入门到精通33:MapReduce核心原理之Shuffle过程分析