MapReduce分为两个阶段: Map 和 Ruduce.
Map阶段:
- input. 在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务
- map. 就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行
- Partition. 需要计算每一个map的结果需要发到哪个reduce端,partition数等于reducer数.默认采用HashPartition.
- spill.此阶段分为sort和combine.首先分区过得数据会经过排序之后写入环形内存缓冲区.在达到阈值之后守护线程将数据溢出分区文件.
- sort. 在写入环形缓冲区前,对数据排序.<key,value,partition>格式排序
- combine(可选). 在溢出文件之前,提前开始combine,相当于本地化的reduce操作。合并重复key值。
- merge. spill结果会有很多个文件,但最终输出只有一个,故有一个merge操作会合并所有的本地文件,并且该文件会有一个对应的索引文件.
Reduce阶段:
- copy. 拉取数据,reduce启动数据copy线程(默认5个),通过Http请求对应节点的map task输出文件,copy的数据也会先放到内部缓冲区.之后再溢写,类似map端操作.
- merge. 合并多个copy的多个map端的数据.在一个reduce端先将多个map端的数据溢写到本地磁盘,之后再将多个文件合并成一个文件. 数据经过 内存->磁盘 , 磁盘->磁盘的过程.
- output.merge阶段最后会生成一个文件,将此文件转移到内存中,shuffle阶段结束
- reduce. 开始执行reduce任务,最后结果保留在hdfs上.
