今天抽时间又重新整体复习了下mapreduce在各个阶段的执行过程，感觉每一次学习都会有更大的收获，今天就把我学习到的东西全都和大家一起分享出来，方便自己梳理知识和记忆的同时，也希望能给其他小伙伴带来收获！每天进步一点点！

一.什么是MapReduce

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

MapReduce的核心思想是“分而治之，先分后合”，即将一个大的、复杂的工作或任务,拆分成多个小的任务,并行处理,最终进行合并==。适用于大量复杂的、时效性不高的任务处理场景(大规模离线数据处理场景)。其中Map阶段就是分，Reduce阶段是合。

map：以一条记录为单位做映射~！主要做映射，变换，过滤，1进N出（进来1条记录出去N条记录）

reduce：以一组（相同Key数据为一组）为单位做计算~！主要做分解，缩小，归纳，一组进N出（进来一组记录出去N条记录）

map与reduce之间的衔接：键值对（Key，Value）

（Key，Value）:由map映射实现，键值对的键划分数据分组

mapreduce简单的过程

二.MapReduce运行过程

1.MapReduce大致运行过程

MapReduce的大致运行过程

MapReduce分为Map阶段和Reduce阶段，从上图中可以看出所有Map任务完成后才可以进行Reduce阶段，Reduce的输入来自于Map的输出，两者之间是有依赖的，不是并行关系。

3个split（分片）是可以并行运行的，代表3个map任务，一个切片对应一个map计算，默认情况下，以HDFS的一个块（block）的大小（默认128M）为一个分片。

那么思考一下，为什么不直接用一个block直接对应一个map计算？而是要在加一个split呢？

这就是在软件工程学当中经常提到的加一层解耦，block块的大小是固定的，split的大小默认情况下等于block块的大小，当然我们也是可以根据自己的需求来设置split的大小，可以大于块大小，也可以小于块大小，这样就可以满足未来不同项目组的不同需求了，用起来相当灵活了。

可以看出，map的个数（并行度）是由split的数量决定的，每个split对应一个map计算，默认情况下，一个split就是一个块，split是可以复用block偏移量，大小，location信息的，split可以根据block的location相关信息来找到对应副本的机器，然后map程序可以移动到相应的机器上进行计算，很好的实现了计算向数据移动的语义。

接下来介绍下分组和分区的概念：

分组：将相同key的value进行合并，key相等的话，将分到同一个组里面

分区：决定当前的key交给哪个reduce进行处理，默认情况下，根据key的hash值，对reduce个数取余

Reduce的阶段也可以设置多个reduce任务来计算，一个分区由一个reduce任务处理，每个reduce任务可以计算同一分组或多组中的数据。也就是说一个分区包含一个组或多个组中的数据。相同组的数据是不可切割开的，如果切开了，计算结果是不准确的。如果一个reduce任务中有多个组，那么需要开启多个线程来处理不同组中的数据，

reduce的个数（并行度）由人来决定，可以根据不同需求自己手动设置。

2.MapReduce一个map,reduce阶段的详细过程

一个MapReduce的详细过程

如上图所示，MapReduce整体分为Map端任务和Reduce端任务，整个MapReduce程序又分为如下5个阶段。

input

首先读取HDFS上的文件，分出若干个分片（split），split会将文件内容格式化为记录，以记录为单位调用map方法，每一条记录都会调用一次map方法。

map

经过map方法后，map的输出映射为key,value，key,value会参与分区计算，拿着key算出分区号（根据key的hash值，对reduce个数取余），最终map输出key,value,分区（partition）。

shuffle:即为洗牌（包括Map端shuffle和Reduce端shuffle）***重要阶段****

maptask的输出是一个文件（中间数据集），存在本地的文件系统中，也就是说中间数据集并不是存放到HDFS中的。假设这个文件中有50000条记录，那么如何将这50000条记录放到本地文件系统中呢？是要每产出一条就写一条吗？内存进程和磁盘多次进行切换，这样速度会很慢，此时就会出现一个环形内存缓冲区（默认大小为100M）。

1.map端的shuffle：

（1）溢写（spill）

每个map处理之后的结果将会进入环形缓冲区。内存缓冲区是有大小限制的，默认是100MB。当map task的输出结果很多时，就可能会撑爆内存，所以需要在一定条件下将缓冲区中的数据临时写入磁盘，然后重新利用这块缓冲区。这个从内存往磁盘写数据的过程被称为spill，中文可理解为溢写。溢写是由单独线程来完成，不影响往缓冲区写map结果的线程。溢写线程启动时不应该阻止map的结果输出，所以整个缓冲区有个溢写的比例spill.percent。比例默认是0.8，也就是当缓冲区的数据值已经达到阈值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执行溢写过程。map task的输出结果还可以往剩下的20MB内存中写，互不影响。

（2）排序

当溢写线程启动后，需要对这80MB空间内的分区，key做排序（sort）。需要做一个2次排序，分区有序，且分区内key有序，保证未来相同一组key会相邻的排在一起。

（3）往磁盘溢写数据

当环形缓冲区达到阈值80%，开始将分区排序后的数据溢写磁盘变成文件，每次溢写会在磁盘上生成一个溢写文件，如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个溢写文件存在。最终会产生多个小文件。

（4）merge合并

将spill生成的小文件进行合并，将多个溢写文件合并到一个文件，上面的每个小文件都是内部有序，外部无序的，所以在合并时做一个归并排序来达到合并后的文件是有序的。

map task结束，通过appmaster,appmaster通过reduce过来拉取数据。

2.reduce的shuffle:

（1）copy过程

简单地拉取数据。Reduce进程启动一些数据copy线程（Fetcher），通过http方式请求map task所在的TaskTracker获取map task的输出文件。因为map task早已结束，这些文件就归TaskTracker管理在本地磁盘中。

（2）merge合并

将每个map task的结果中属于自己分区的数据进行合并，同样做归并排序，使得相同分区的数据的key是有序的。copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端更为灵活，它基于JVM的heap size设置，因为Shuffle阶段Reducer不运行，所以应该把绝大部分的内存都给Shuffle使用。

reduce

将合并后的数据f直接输入到reduce函数，进行相关计算，产出最终结果。

output

将最终结果存放到HDFS上。

分析了MapReduce的运行过程，可以发现MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。