大数据小白系列 —— MapReduce流程的深入说明

上一期我们介绍了MR的基本流程与概念，本期稍微深入了解一下这个流程，尤其是比较重要但相对较少被提及的Shuffling过程。

Mapping

上期我们说过，每一个mapper进程接收并处理一块数据，这块数据的大小默认就是一个HDFS数据块大小。

Mapper处理数据时，基于性能考虑，会使用缓存，缓存的大小有一个默认值(比如100MB)，满了之后，将会写入磁盘文件。

不过在写入之前，会在内存中进行分区(partition)，分区的数量取决于reducer的数量，实际上也就是由MR框架决定，例如上图中是3个。在每个分区内，数据会被按key进行排序，都完成之后，这些数据才会被写入磁盘。

由于缓存可能多次被占满(上图中是3次)，从而导致多次磁盘写入，产生多个磁盘文件，所以每个mapper结束之后，需要对自己所产生的多个文件进行合并(merge)，合并出来的大文件同样进行分区及分区内的排序。

通常，这个合并后的文件会被压缩，以便减少磁盘存储成本，同时也有利于降低shuffling时的网络传输成本。

这些都完成之后，这个所谓的“中间结果”文件，就静静地等待reducer来获取。

Reducing

当一个mapper完成工作之后，所有的reducer们都会收到通知，开始去取该mapper产生的数据文件，不同的reducer取走不同的分区内的数据。

所以取数这一步，并不是等到所有的mapper都完成才开始，而是某个mapper一完成，reducer就会去取。

当所有mapper都完成，所有的中间结果都已被拷贝至reducer，才开始真正的reduce操作，对取来的多个分区数据进行合并和统一排序，最终用户所写的reduce方法会作用在排序后的每一条数据上，以产生最终结果。

Shuffling

上述所说的发生在mapping与reducing之间的数据排序、合并、及拷贝的过程，包括mapping侧的一部分好reducing侧的一部分，即图中红色框出部分，统称为shuffling。

这一步骤的特点是什么？就是重磁盘IO、重网络IO，知道这一点很重要。

- END - 

好了，本期就先到这儿，下一期讲讲MR的优点、局限性等内容。

喜欢本文的朋友们，欢迎长按下图关注订阅号程序员杂书馆，提前获得更多更新内容，以及领取大数据及Java经典资料。