hadoop核心逻辑shuffle代码分析-map端 (转)

一直对书和各种介绍不太满意, 终于看到一篇比较好的了,迅速转载.

首先要推荐一下:http://www.alidata.org/archives/1470

阿里的大牛在上面的文章中比较详细的介绍了shuffle过程中mapper和reduce的每个过程,强烈推荐先读一下。

不过,上文没有写明一些实现的细节,比如:spill的过程,mapper生成文件的 partition是怎么做的等等,相信有很多人跟我一样在看了上面的文章后还是有很多疑问,我也是带着疑问花了很久的看了cdh4.1.0版本 shuffle的逻辑,整理成本文,为以后回顾所用。

首先用一张图展示下map的流程:

hadoop核心逻辑shuffle代码分析-map端 (转)
 
在上图中,我们假设此次mapreduce有多个mapper和2个reducer,p0 p1分别代表该数据应该分配到哪个reducer端。我将mapper的过程大致分为5个过程。
 
1.prepare Input。
Mapreduce程序都需要指定输入文件,输入的格式有很多种,最常见的是保存在hdfs 上的文本文件。在用户提交job到jobtrack(ResourceManager)前的job就会根据用户的输入文件计算出需要多少mapper,多 少reducer,mapper的输入InputSplit有多大,block块名称等。mapper在prepare input阶段只需要根据inputFormat类型创建对应的RecordReader打开对应的inputSplit分片即可。如果job配置了 combiner还需初始化combiner。代码见MapTask类run方法
 
2.mapper process
这里的mapper指用户使用或自己继承的mapper类,这也是所有初学mapreduce的同学首先看到的类。
[java] view plaincopy
 
  1. <span style=    * Called once for each key/value pair in the input split. Most applications
  2. * should override this, but the default is the identity function.
  3. */ ()
  4. protectedvoid throws </span>
可以看到mapper默认的map方法就是取出key,value并放到context对象中。context对象包装了一个内存中的buf,下面会介绍。
[java] view plaincopy
 
  1. <span style=publicvoidthrows while   }</span>
run方法就是mapper实际运行的过程:不停的从context的inputSplit对象中取出keyvalue对,通过map方法处理再保存到context包装的内存buf中。
 
3.buffer in memery
key value在写入context中后实际是写入MapOutputBuffer类中。在第一个阶段的初始化过程中,MapOutputBuffer类会根据配置文件初始化内存buffer,我们来看下都有哪些参数:
[java] view
plain
copy
 
  1. <span style=
  2. finalfloat
    float0.8
    finalint);
  3. iffloat1.0float0.0
    thrownew

    if) != sortmb) {

  4. thrownew

    ,

  5. classclass), job);</span>
partition:mapper的数据需要分配到reduce端的个数,由用户的job指定,默认为1.
spillper:内存buf使用到此比例就会触发spill,将内存中的数据flush成一个文件。默认为0.8
sortmb:内存buf的大小,默认100MB
indexCacheMemoryLimit:内存index的大小。默认为1024*1024
sorter:对mapper输出的key的排序,默认是快排
 
内存buffer比较复杂,贴一张图介绍一下这块内存buf的结构:
hadoop核心逻辑shuffle代码分析-map端 (转)
当一对keyvalue写入时首先会从wrap
buf的右侧开始往左写,同时,会把一条keyvalue的meta信息(partition,keystart,valuestart)写入到最左边的
index区域。当wrap
buf大小达到spill的触发比例后会block写入,挖出一部分数据开始spill,直到spill完成后才能继续写,不过写入位置不会置零,而是类
似循环buf那样,在spill掉数据后可以重复利用内存中的buf区域。
 
这里单独讲一下partition:
[java] view
plain
copy
 
  1. <span style=
  2. publicvoidthrows

    }</span>

在keyvalue对写入MapOutputBuffer时会调用
partitioner.getPartition方法计算partition即应该分配到哪个reducer,这里的partition只是在内存的
buf的index区写入一条记录而已,和下一个部分的partition不一样哦。看下默认的partitioner:HashPartition

[java] view
plain
copy
 
  1. <span style=
  2. publicint
    int
    return
      }</span>

HashPartition只是把key hash后按reduceTask的个数取模,因此一般来说,不同的key分配到哪个reducer是随即的!所以,reducer内的所有数据是有序的,但reducer之间的数据却是乱序的!要想数据整体排序,要不只设一个reducer,要不使用TotalOrderPartitioner!

 
4.Partition Sort Store
在第四步中,partition是和sort一起做的,负责Spill的线程在拿到一段内存buf后会调用QuickSort的sort方法进行内存中的快排。
[java] view
plain
copy
 
  1. <span style=this, mstart, mend, reporter);</span>
排序的算法是先按keyvalue记录的partition排序后按key的compare方法:
[java] view
plain
copy
 
  1. <span style=publicintfinalintfinalint
    finalint
    finalint
    finalint
    finalint
  2. if
    return
  3. return

    }</span>

因此,mapper输出的keyvalue首先是按partition聚合。而我们如果指定key的compare方法会在这里生效并进行排序。最后,一次spill的输出文件类似下图。
hadoop核心逻辑shuffle代码分析-map端 (转)
在对内存中的buf排序后开始写文件。
[java] view
plain
copy
 
  1. <span style=forint; i < partitions; ++i) {
  2. null
    try
    long
    new

    ifnull

  3. new
    while

    finalint

    else
    int
    while

  4. if

    new

    }</span>

如果job没有定义combiner则直接写文件,如果有combiner则在这里进行combine。
在生成spill文件后还会将此次spillRecord的记录写在一个index文件中。

[java] view
plain
copy
 
  1. <span style=

    spillRec.writeToFile(indexFilename, job);</span>

[java] view
plain
copy
 
  1. <span style=

    spillRec.putIndex(rec, i);</span>

 
5.merge
当mapper执行完毕后,就进入merge阶段。首先看下相关的配置参数:
[java] view
plain
copy
 
  1. <span style=int);</span>
mergeFactor:同时merge的文件数。
 
merge阶段的目的是将多个spill生成的中间文件合并为一个输出文件,这里的合并不同
于combiner,无论有没有配置combiner这里的merge都会执行。merge阶段的输出是一个数据文件
MapFinalOutputFile和一个index文件。看下相关代码:
[java] view
plain
copy
 
  1. <span style=

    new

    null

  2. long

    new

    ifnull

    else

    }</span>

说下merge的算法。每个spill生成的文件中keyvalue都是有序的,但不同的文
件却是乱序的,类似多个有序文件的多路归并算法。Merger分别取出需要merge的spillfile的最小的keyvalue,放入一个内存堆中,
每次从堆中取出一个最小的值,并把此值保存到merge的输出文件中。这里和hbase中scan的算法非常相似,在分布式系统中多路归并排序真是当红小
生啊!

这里merge时不同的partition的key是不会比较的,只有相同的partition的keyvalue才会进行排序和合并。最后的输出文件类似下图。
hadoop核心逻辑shuffle代码分析-map端 (转)
如果用户定义了combiner,在merge的过程中也会进行combine,因为虽然第
四步中combine过但那只是部分输入的combine,在merge时仍然需要combine。这里有人问了,既然这里有combiner,为啥在
spill输出时还要combine纳,我认为是因为每次combine都会大大减少输出文件的大小,spill时就combine能减少一定的IO操
作。
 
在merge完后会把不同partition的信息保存进一个index文件以便之后reducer来拉自己部分的数据。
[java] view
plain
copy
 
  1. <span style=
  2. spillRec.putIndex(rec, parts);</span>

最后,我们再对mapper过程中的要点总结一下:
1.对map输出<key,value>的分区(partition)是在写入内存buf前就做好的了,方法是对key的hash。我们可以通过继承Partitioner类自己实现分区,将自己想要的数据分到同一个reducer中。
2.写入内存buf速度是非常快的,但spill过程会block写入。因此,对内存buf相关参数的调优是mapreduce调优的重点之一。
3.对数据的排序是基于MapOutKey排序的,因此,我们可以重载对应的方法实现customize的排序顺序
4.combine在spill和merge中都是进行。多次的combine会减少mapreduce中的IO操作,如果使用得当会很好的提高性能。但需要注意的是要深刻理解combine的意义,比如平均值就不适合用combine。
上一篇:VIM中的正则表达式及替换命令


下一篇:ListView优化中的细节问题