MapReduce-原理剖析之shuffle(下)

码农大腿哥 2021-03-11

288

前言：

分区的逻辑是什么？环形缓冲区的结构又是什么样？combiner隐藏着那些玄机？

这一切的背后，是人性的扭曲还是道德的沦丧，是玄学的操纵还是科技的支配

请收看大腿大数据之《走进shuffle-下》

本篇目标：

掌握分区、环形缓冲区、combiner的运行原理

分区

(Key , Value)格式数据进入环形缓冲区，会先进行一个分区的操作，得到每个数据的分区值，然后以(Key , Value , Partitions)形式返回

同一个分区的数据最终会发到同一个ReduceTask中进行聚合。所以分区的作用就是将数据分类划分，然后交给不同的ReduceTask去执行

1.默认分区

默认分区的逻辑是：用key的hashCode对numReduceTasks取余，这样每个key值就分到一个区号

numReduceTasks是设置的ReduceTasks的数量，默认为1，也可以手动设置

分区代码如下：

public class HashPartitioner<K,V> extends Partitioner<K,V>{
  public int getPartition(K key , V value , int numReduceTasks ){  
    return  (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks ;
  }
}

2.自定义分区

采用默认的分区模式，无法控制哪些key会被分到同一个分区，所以我们可以自定义分区逻辑

不过自定义分区开发中很少用到，这里就不深入讲了

环形缓冲区

1.环形缓冲区是什么

每个MapTask都会在内存开启一个环形缓冲区，用于存储map任务的输出。环形缓冲区是一种数据结构，本质是个字节数组，又叫做KvBuffer

环形缓冲区默认大小100MB，一旦达到阈值0.8，也就是80MB，一个后台线程就把数据溢写到磁盘

环形缓冲区的大小可以通过io.sort.mb属性进行设置

2.运行机制

1）数据写入

数据写入环形缓冲区时，不仅写入数据，还会写入元(索引)数据，放置元数据的区域被称为Kvmeta

数据区域和元数据区域在KvBuffer中是相邻但不重叠的两个区域，通过一个分界点来划分。分界点是会变的，每次溢写之后都会更新一次

数据包括两部分内容：

key：数据的偏移量

value：数据内容

元数据包括四部分内容：

index：序号

partition：数据的分区值

keyStart：内存中key的起始位置

valueStart：内存中value起始位置

每读取一条数据，就会在数组里插入一条数据，另一方向写一条元数据。然后一直不停向下写

2）反向写入

数据一直往环形缓冲区里写，迟早会写满

所以，当环形缓冲区写满80%时，将剩余的20%的中间设置为新的分界点。数据从该点继续往回写

同时，环形缓冲区开始往磁盘溢写数据

3）溢写

环形缓冲区大小虽然可以通过参数设置，但数据和元数据一直在写，总会有写满的时候。这时就要把数据从内存刷到磁盘上再接着往内存写数据

写磁盘时先创建一个名称类似"spill3.out"的临时文件，把数据写到这个文件中

然后再将溢写数据的元信息写到内存数据结构SpillRecord中，元信息记录了临时文件的：partition的起始位置、原始数据大小和压缩后数据大小。如果元信息超过1MB，则写入"spill3.out.index"的磁盘文件中

4）排序

溢写之前要对数据进行排序，先根据环形缓冲区中数据的partition编号排序，然后按照key进行排序，两个关键字按字典序排序

排序移动的只是元数据，只要修改元数据记录的key起始位置和value起始位置即可实现排序

排序结果是数据按照partition为单位聚集在一起，同一partition内的按照key有序

combiner

combiner又称为预聚合，它是可选的，也可以不使用

1.combiner作用

像WordCount这样的需求，数据在MapTask端排好顺序，然后在ReduceTask端统一进行聚合，如下图：

在这种情况下 "(a , 1)" 要多次传输到ReduceTask进行聚合。为了提高效率，可以提前在MapTask里做一次聚合，再进行传输

如上图，只要传输2次 "(a , 3)" ，就可以最终实现同样的结果

Combiner的作用就是对每个MapTask的数据进行局部汇总，减少网络传输，提高程序效率

2.combiner作用时机

combiner在MapTask中有两次执行的时机：

第一次是环形缓冲区数据溢写前。数据分区排序后要溢写到磁盘，此时会进行一次combiner

第二次是环形缓冲区溢写文件合并时。同一个分区的多个溢写文件需要进行合并，如果溢写文件数量>=3个，则合并时会再次运行Combiner(文件少于3个不会触发combiner，因为数据量少，启动Combiner不划算)

combiner在ReduceTask中merge数据时也会执行，前提是在程序中开启了combiner

3.combiner使用限制

并非所有情况都可以用Combiner，如求平均值的时候，使用Combiner机制可能会导致数据错误

如上图，如果在求平均值时提前使用combiner就会导致结果错误

至此，我们已经把shuffle机制梳理清楚了。shuffle虽然复杂，但是仔细体会这其中的原理与机制后，不由得让人感叹：

这迷人的shuffle，真TM精辟！

你学废了吗？

— END —

数据库

文章转载自码农大腿哥，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

MapReduce-原理剖析之shuffle(下)

评论