深入理解MapReduce

化簡（reducing）：遍歷集合中的元素來返回乙個綜合的結果。即，輸出表單裡一列數字的和這個任務屬於reducing。

input，資料讀入

123456

// 設定資料輸入**
fileinputformat.setinputpaths(job, args[0]);
fileinputformat.setinputdirrecursive(job, true); //遞迴
job.setinputformatclass(textinputformat.class); //設定輸入格式

123

4567

891011

1213

1415

1617

1819

2021

2223

2425

2627

2829

3031

3233

3435

/**

* k1 : 行序號

* v1 : 行資訊

* k2 : 單詞

* v2 : 次數

*/ text k2 = new text() ;

longwritable v2 = new longwritable();

@override

protected void map(longwritable key, text value, context context)

throws ioexception, interruptedexception

}}使用reducer合併計算

123

4567

891011

1213

1415

1617

1819

2021

2223

2425

2627

//設定job的reducer計算類和k3、v3型別
job.setreducerclass(wordcountreducer.class); //自定義的reducer類
job.setoutputkeyclass(text.class); //輸出key型別
job.setoutputvalueclass(longwritable.class); //輸出value型別
//wordcountreducer 類
/** * 自定義的reduce 需要繼承reducer
* k2 : 字串
* v3 : 次數（分組）
* k3 : 字串
* v3 : 次數（統計總的）
*/public static class wordcountreducer extends reducer
v3.set(sum);
context.write( key , v3 );}}

output，資料寫出

fileoutputformat.setoutputpath(job, new path(args[1]));

各個角色實體;

執行的時間先後順序。

任務執行，在 container 上啟動任務（通過yarnchild程序來執行），執行map/reduce任務。

輸入分片（input split）

每個輸入分片會讓乙個map任務來處理，預設情況下，以hdfs的乙個塊的大小（預設為128m，可以設定）為乙個分片。map輸出的結果會暫且放在乙個環形記憶體緩衝區中（預設mapreduce.task.io.sort.mb=100m）,當該緩衝區快要溢位時（預設mapreduce.map.sort.spill.percent=0.8）,會在本地檔案系統中建立乙個溢位檔案，將該緩衝區中的資料寫入這個檔案；

map階段：由我們自己編寫，最後呼叫 context.write(…)；

partition分割槽階段

3.1. 在map中呼叫 context.write(k2,v2)方法輸出，該方法會立刻呼叫 partitioner類對資料進行分割槽，乙個分割槽對應乙個 reduce task。

3.2. 預設的分割槽實現類是 hashpartitioner ，根據k2的雜湊值 % numreducetasks，可能出現「資料傾斜」現象。

3.3. 可以自定義 partition ，呼叫 job.setpartitioner(…)自己定義分割槽函式。

combiner合併階段：將屬於同乙個reduce處理的輸出結果進行合併操作

4.1. 是可選的；

4.2. 目的有三個：1.減少key-value對；2.減少網路傳輸；3.減少reduce的處理。

shuffle階段：即map和reduce中間的這個過程

5.1. 首先 map 在做輸出時候會在記憶體裡開啟乙個環形記憶體緩衝區，專門用來做輸出，同時map還會啟動乙個守護執行緒；

5.2. 如緩衝區的記憶體達到了閾值的80%，守護執行緒就會把內容寫到磁碟上，這個過程叫spill，另外的20%記憶體可以繼續寫入要寫進磁碟的資料；

5.3. 寫入磁碟和寫入記憶體操作是互不干擾的，如果快取區被撐滿了，那麼map就會阻塞寫入記憶體的操作，讓寫入磁碟操作完成後再繼續執行寫入記憶體操作;

5.4. 寫入磁碟時會有個排序操作，如果定義了combiner函式，那麼排序前還會執行combiner操作；

5.5. 每次spill操作也就是寫入磁碟操作時候就會寫乙個溢位檔案，也就是說在做map輸出有幾次spill就會產生多少個溢位檔案，等map輸出全部做完後，map會合併這些輸出檔案，這個過程裡還會有乙個partitioner操作（如上）

5.6. 最後 reduce 就是合併map輸出檔案，partitioner會找到對應的map輸出檔案，然後進行複製操作，複製操作時reduce會開啟幾個複製執行緒，這些執行緒預設個數是5個（可修改），這個複製過程和map寫入磁碟過程類似，也有閾值和記憶體大小，閾值一樣可以在配置檔案裡配置，而記憶體大小是直接使用reduce的tasktracker的記憶體大小，複製時候reduce還會進行排序操作和合併檔案操作，這些操作完了就會進行reduce計算了。

reduce階段：由我們自己編寫，最終結果儲存在hdfs上的。

參考（shuffle階段講的很好）

深入理解MapReduce

深入理解MapReduce

MapReduce理解深入理解MapReduce

深入理解C語言深入理解指標

深入理解MapReduce

深入理解MapReduce

MapReduce理解 深入理解MapReduce

深入理解C語言 深入理解指標

相關推薦

MapReduce理解深入理解MapReduce

深入理解C語言深入理解指標