整理mapReducer-的shuffle过程.docxVIP

整理mapReducer 的shuffle过程 首先说什么是shuffle,就会从map输出到reduce的输入,中间的过程就是shuffle 上图中分为Map任务和Reduce任务两个阶段，从map端输出到reduce端的红色和绿色的线表示数据流的一个过程，也我们所要了解的Shuffle过程。 Map端 总结 在map端首先接触的是InputSplit，在InputSplit中含有DataNode中的数据，每一个InputSplit都会分配一个Mapper任务，Mapper任务结束后产生K2,V2的输出，这些输出先存放在缓存中，每个map有一个环形内存缓冲区，用于存储任务的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8(io.sort.spil l.percent)，一个后台线程就把内容写到(spill)Linux本地磁盘中 的指定目录（mapred.local.dir）下的新建的一个溢出写文件。 写磁盘前，要进行partition、sort和combine等操作。通过分区，将不同类型的数据分开处理，之后对不同分区的数据进行排序，如果有Combiner，还要对排序后的数据进行combine。等最后记录写完，将全部溢出文件合并为一个分区且排序的文件。补充　最后将磁盘中的数据送到Reduce中，从图中可以看出Map输出有三个分区，有一个分区数据被送到图示的Reduce任务中，剩下的两个分区被送到其他Reducer任务中。而图示的Reducer任务的其他的三个输入则来自其他节点的Map输出。Reduce端Copy阶段：Reducer通过Http方式得到输出文件的分区。 reduce端可能从n个map的结果中获取数据，而这些map的执行速度不尽相同，当其中一个map运行结束时，reduce就会从JobTracker中获取该信息。map运行结束后TaskTracker会得到消息，进而将消息汇报给JobTracker，reduce定时从JobTracker获取该信息，reduce端默认有5个数据复制线程从map端复制数据。　Merge阶段：如果形成多个磁盘文件会进行合并　从map端复制来的数据首先写到reduce端的缓存中，同样缓存占用到达一定阈值后会将数据写到磁盘中，同样会进行partition、combine、排序等过程。如果形成了多个磁盘文件还会进行合并，最后一次合并的结果作为reduce的输入而不是写入到磁盘中。总结　Reducer的参数：最后将合并后的结果作为输入传入Reduce任务中。**整理源:/edisonchou/p/4298423.html2.编写测试案例一，案例二【案例分析一：网站PV UV分析】学习内容：1.离线hadoop大数据分析的一个ETL数据过滤清洗阶段 Eextarct,数据的抽取 TTransform LLaod2.了解应用hadoop分析网站统计指标3.网站统计分析的基本指标WebPvUvMapRedduce需要导入的包【案例分析二】统计每个手机号码的上行总流量、下行总流量，总流量（上行+下行）之和 FlowBean SumFlowMR