目录
- 前言
- 1. Reduce阶段整体概述
- 2. 前置：解读ReduceTask类
- 3. Shuffle-init
- 4. Shuffle-run
- 5. Shuffle-Copy阶段
- 6. Shuffle-Merge阶段
- 7. Shuffle-Sort阶段
- 8. Reducer
- 9. OutputFormat
前言
部分内容摘自尚硅谷、黑马等等培训资料
1. Reduce阶段整体概述
Reduce大致分为copy、sort、reduce三个阶段，重点在前两个阶段。
copy 阶段包含一个 eventFetcher 来获取已完成的 map 列表，由 Fetcher 线程去 copy 数据，到各个 maptask 那里去拉取属于自己分区的数据。在此过程中会启动两个 merge 线程，分别为inMemoryMerger和onDiskMerger，分别将内存中的数据 merge 到磁盘和将磁盘中的数据进行 merge。
待数据 copy 完成之后，copy 阶段就完成了，开始进行 sort 阶段，sort 阶段主要是执行finalMerge操作，纯粹的 sort 阶段。
完成之后就是 reduce 阶段，调用用户定义的reduce函数进行处理。
2. 前置：解读ReduceTask类
ReduceTask类作为 reducetask 的一个载体，调用的就是里面的 run 方法，然后开启 reduce 任务。
2.1 第一层调用（ReduceTask.run）
2.1.1 reduce阶段的任务划分
整个 reducetask 分为 3 个阶段：copy 拉取数据、sort 排序数据、reduce 处理数据。
2.1.2 shuffle操作
整个 shuffle 操作过程除了 shuffle 核心任务之外，还创建了 reducetask 工作相关的一些组件，包括但不限于：
codec解编码器：
CombineOutputCollector输出收集器：
shuffleConsumerPlugin（负责reduce端shuffle插件）：
并且对 shuffleConsumerPlugin 进行了初始化init、run运行。运行返回的结果就是 reduce shuffle 之后的全部数据。这是 shuffle 过程的核心，后续深入。
shuffleContext上下文对象：
GroupingComparator分组比较器：
2.1.3 运行reducer
shuffle 完的结果将进入到 reducer 进行最终的 reduce 处理。
2.2 第二层调用（runNewReducer）准备部分
默认情况下，框架使用 new API 来运行，所以将执行runNewReducer()。
runNewReducer 内第一大部分代码我们称之为 reducetask 运行的准备部分。
其主要逻辑是创建 reducetask 运行时需要的各种依赖，包括：
taskContext上下文：
创建用户编写设置的reducer类：
outputFormat输出数据组件：
ReducerContext上下文：
接下来我们进去看一下怎么创建的 reducerContext，我们进到它的实现类ReduceContextImpl里面：
2.3 第二层调用（runNewReducer）工作部分
2.3.1 reducer.run
在 runNewReducer 的代码中，最后还调用了 Reduer.run 方法开始针对 shuffle 后的数据进行 reduce 操作。
2.3.2 RecordWriter
3. Shuffle-init
注意 ShuffleConsumerPlugin 是一个接口，默认的实现只有一个Shuffle.class。
初始化的过程中，核心逻辑就是创建 MergeManagerImpl 类。在 MergeManagerImpl 类中，核心的有：确定 shuffle 时的一些条件、是否允许内存到内存合并、启动两个 merge 线程，分别为inMemoryMerger和onDiskMerger，分别将内存中的数据 merge 到磁盘和将磁盘中的数据进行合并。
3.1 shuffle条件
3.2 启动MemToMemMerge
因为 fetch 来数据首先放入在内存中的，正常情况下在内存中对数据进行合并是最快的，可惜的是，默认情况下，是不开启内存到内存的合并的。
3.3 启动inMemoryMerger
3.4 启动onDiskMerger
4. Shuffle-run
注意 ShuffleConsumerPlugin 是一个接口，默认的实现只有一个Shuffle.class。
4.1 EventFetcher线程
4.2 fetchers线程
5. Shuffle-Copy阶段
Reduce 进程启动一些数据 copy 线程（Fetcher），通过 HTTP 方式请求 maptask 获取属于自己的文件。如果是本地模式运行，启动一个 fetcher 线程拉取数据，否则启动 5 个线程并发拉取。
5.1 MapHost类
MapHost 类用于标记 MapTask 任务状态，记下 MapTask host 信息。
5.2 Fetcher.run
获得所有 maptask 处于 PENDING 待处理状态的主机。
然后进入核心方法，copyFromHost，从 map 拉取数据
5.2.1 copyFromHost
建立拉取数据的输入流
拉取 copy 数据
5.2.2 copyMapOutput
首先进行判断 copy 过来的数据放置在哪里？优先内存，超过限制放置磁盘。
因此获得的 mapOutput 就有两种具体的实现。通过 mapOutput.shuffle 开始拉取数据。
不断追踪下去，最终是两种不同的实现：
InMemoryMapOutput：把 copy 来的数据放置到 reducetask 内存中。
OnDiskMapOutput：把 copy 来的数据放置到磁盘上。
6. Shuffle-Merge阶段
在启动 Fetcher 线程 copy 数据过程中已经启动了两个 merge 线程，分别为inMemoryMerger和onDiskMerger，分别将内存中的数据 merge 到磁盘和将磁盘中的数据进行 merge。
可以从Shuffle.init
→
\rightarrow
→createMergeManager
→
\rightarrow
→new MergeManagerImpl中确定。
6.1 inMemoryMerger
inMemoryMerger 本质是一个 MergeThread 线程。进入线程 run 方法。
6.1.1 MergeThread.run
在内存中合并，合并的结果写入磁盘。
6.2 onDiskMerger
onDiskMerger 本质是一个 MergeThread 线程。进入线程 run 方法。
6.2.1 MergeThread.run
此时应该来到在磁盘上合并的实现类中：
6.2.2 closeOnDiskFile
不管是在内存中合并还是在磁盘上合并，最终都调用了 closeOnDiskFile 方法，关闭磁盘文件。
6.3 finalMerge
当所有的 Fetcher 拉取数据结束之后，会进行最终一次合并，最终合并的所有数据保存在 kvIter。
可以在 shuffle 类的 run 中发现。
7. Shuffle-Sort阶段
在合并的过程中，会对数据进行 Sort 排序，默认情况下是 key 的字典序（WritableComparable），如果用户设置比较器，则以用户设置的为准。
8. Reducer
当合并排序结束之后，进入到 reduce 阶段。
在 runNewReducer 方法的最后，调用了 reducer.run 方法运行 reducer。
8.1 Reducer.run
点击进入 run 方法
首先在 Reduce.run 中调用 context.nextKey() 决定是否进入 while，，然后调用 nextKeyValue 将 key/value 的值从 input 中读出，其次通过 context.getValues 将 Iterator 传入 reduce 中，在 reduce 中通过 Iterator.hasNext 查看此 key 是否有下个 value，然后通过 Iterator.next 调用 nextKeyValue 去 input 中读取 value。
然后循环迭代 Iterator，读取 input 中相同 key 的 value。
也就是说 reduce 中相同key的value值在Iterator.next中通过nextKeyValue读取的，每调用一次next就从input中读一个value。
通俗理解：key相同的被分为一组，一组中所有的value会组成一个Iterable。key则是当前的value与之对应的key。
8.2 Reducer.reduce
对于 reduce 方法，如果用户不重写，父类中也有默认实现逻辑。其逻辑为：输入什么，原封不动的输出什么，也就意味着不对数据进行任何处理。
通常会基于业务需求重新父类的 reduce 方法。
9. OutputFormat
reduce 阶段的最后是通过调用 context.write 方法将数据写出的。
负责输出数据的组件叫做 OutputFormat，默认实现是TextOutPutFormat。而真正负责写数据的组件叫做 LineRecordWriter，Write 方法就定义在其中，这一点和输入组件很是类似。
LineRecordWriter 的行为是一次输出写一行，再有输出换行写。
在构造 LineRecordWriter 的时候，已经设置了输出的key,value之间是以\t制表符分割的。