前言

当今天下，大数据组件百花齐放，满足不同应用场景的计算框架层出不穷，mapreduce似乎早已很难有一席之地，但是天下武功，殊途同归，不管怎么变化，都离不开mapreduce的基础，今天，就一起揭开下最原始的计算框架mapreduce的面纱。

核心设计理念

分布式计算，即移动计算 而不移动数据。

原理剖析

如图1，官方给出的mapreduce剑谱，一招一式，尽显奥妙无穷，整体个人觉得分为4部分，split阶段，map阶段，shuffle阶段，reduce阶段，具体如下：

mapreduce jar包提交到集群运行截图 mapreduce的集群结构_环形缓冲


图1 官方mapreduce原理图谱

Split阶段

Map阶段之前还有个准备，就是split，中文意思就是分片，顾名思义就是当一个大文件要进行mapreduce计算时，假设2T，不可能把2T文件全部加载到内存，先要对文件进行切割，就是对应的split操作，那切割成多大才合理呢？split有个原理公式：

long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
 long maxSize = getMaxSplitSize(job);
 long blockSize = file.getBlockSize();
 long splitSize = computeSplitSize(blockSize, minSize, maxSize);
 protected long computeSplitSize(long blockSize, long minSize,
                                long maxSize) {
  return Math.max(minSize, Math.min(maxSize, blockSize));
}

简而言之就是Math.max(minSize, Math.min(maxSize, blockSize))，因此默认情况下，一个split的大小为一个blocksize的大小，hadoop2.x默认为128M，一个split调用一次map函数，即对应一个map的输入，输出个数。

好的，请听题：
   1.如何控制map的个数？
  答：可以根据公式Math.max(minSize, Math.min(maxSize, blockSize));如在hdfs-site.xml配置文件上，修改dfs.blocksize,如下所示，但是修改完后，如果用了Hive jdbc连接，请重启hive jdbc service，不然select 1都会报错hive元数据的blocksize和文件的blocksize不一致，初步估计是hive的jdbc是冷加载只会在启动hive的时候去加载配置，后面hadoop系统配置更新，hive jdbc却傻傻的不去更新了，这就是一直不提倡用jdbc的原因，最好用cli接口；当然也可以修改MaxSplitSize和MinSplitSize，读懂公式，玩转split！

<property>
  <name>dfs.blocksize</name>
  <value>67108864</value>
  </property>

2.文件被split成了多个分片来调用了多次map函数，请问，多次map函数调用之间的关系是并行的还是串行的？
  答：取决于被split文件的存储格式和压缩格式是否可splitable，如果文件格式本身不支持splitable，如txt文件，那么多次map的调动是串行的，并不能分配到多个node并行计算，因为文件本身不能split，分散的话，会导致每个 split之间找不到上下文；相反，如果文件本身是可splitable的，如RC，ORC，Parquet等hadoop系统主流文件，本身可splitable，就可以让多个split后的文件并行的调用map，切记 ，文件格式本身可splitable，加上任何压缩格式也是可以splitable的，因为数据在map前，是会被解压的，第二，文件是否splitable，只对map阶段有影响，不影响shuffle和reduce阶段，但是科学而言，如果可以，尽量选支持splitable的文件。

Map阶段

map阶段其实非常简单，但是要注意一个思想，那就是所有的map，reduce输入输出都是key，value的形式，map阶段，就是将文件split后，每个split调用一次程序员编写的map函数来处理数据，map函数该怎么写，取决于你的功能。
  好，请听题:
   1.图1这个Job有几个map？
  答：4个，别忘记下面的三根线。
   2.图1这个Job在hadoop2.x执行，默认blocksize是128M的情况下，这个Job处理的数据量大概多大？
  答：4个map，即有4个split，默认情况下每个split的大小等于blocksize的大小128M，所以，图1这个Job处理的数据量大小大概为：3128M~4128M之间，因为最后的split，就算不足128M也会生成一个单独的分片。

Shuffle阶段

Shuffle阶段是整个mapreduce的核心，也是最难理解的招式，拆招步骤如图2：

mapreduce jar包提交到集群运行截图 mapreduce的集群结构_mapreduce_02


图2 Shuffle阶段详解

1.文件分成split分片后作为map的输入，如统计wordcount，输入的key为每个split的行号，value为每一行的word，map函数实现把每一行的word单个列出，统计每一行每个word的次数，key为每个word，value为word出现的次数，map的key，value输出结果首先做partition，partition的作用是决定这个map最后将被哪一个reduce所处理，默然的partition函数是对map输出的key做hash后再根据reduce的个数取模得到的值，然后map的输出结果进入环形缓冲区，这个缓冲区默认的大小是100M；

2.map的输出结果在唤醒缓冲区内面临两种结果，一种情况比较特殊，是这个文件本身足够小，不足环形缓冲区的80%，那么这些map的输出结果直接在溢写成一个文件，直接根据各自的partition值被各自对应的reduce来copy过去做reduce处理，如图3的编号3处上面的小箭头，当map结束后，输出结果最终都是要溢写 成磁盘文件的；第二种普遍的情况，map输出到环形缓冲区的文件足够大，当达到环形缓冲区的80%时，map的输出结果会开始溢写到磁盘，溢写到磁盘前这些map的输出会根据map输出的key触发sort排序，如果是wordcount程序，得到的结果是,当然，如果程序员调用了combiner函数，那么会根据combiner函数的逻辑，对同一个map的输出结果进行一次合并处理，其实combiner就是单个map的reduce。reduce就是所有map的combiner，有点拗口，理解的去记忆，原理懂了就是这么好记忆；
   3.map的每次超过环形缓冲区80%的溢写，都会溢写成一个文件生成在磁盘，最终多次 的溢写有多个文件，需要对这些文件进行merge，即合并成一个大的文件，这些文件被各自的reduce来copy到reduce端，整个Shuffle阶段就完成了。

sort后：
aaa  2
bb 3
bb 5
c 4


如果有combinner后：
aaa  2
bb 8
c 4

好，请听题:
   1.为什么是达到环形缓冲区的80%开始溢写，而不是100%？
  答：原则上 可以设成100再溢写，但是一般没人这么做，因为你既要保证溢写额正常执行，也要保证后一个map的输出结果能顺利进入环形缓冲区，不然缓冲区内存不足，整个程序可能被迫强行挂起。

mapreduce.task.io.sort.mb 100 shuffle 的环形缓冲区大小，默认 100m
mapreduce.map.sort.spill.percent 0.8 环形缓冲区溢出的阈值，默认 80%

2.为什么溢写到磁盘要进行sort？
  答：map端的sort是为了给reduce端sort降低负担，那reduce为什么要sort呢？这个reduce阶段再讲。
   3.combiner一定要吗？如何正确使用combiner
  答：combiner不一定需要，其作用是将同一个map的输出结果相同key的value做一下和reduce一样的算法操作，什么情况下不适合用combinner，比如求平均数，并不是说把相同key的先合并掉好，如下

求1,1,2的平均数，这里map的key毫无意义，只看value即可,
combiner前
key value
1       1
1       1
2       2

##结果应该是(1+1+2)/3

combiner后
1     1
2     2
##结果：（1+2）/2
显然不对，当然这里瞎写了combiner的算法，只是盲目的保证了和reduce一致，如果改改combiner算法，也许也是可以的，这里就不做演讲了，重在说明combiner的正确用法
Reduce阶段

mapreduce jar包提交到集群运行截图 mapreduce的集群结构_环形缓冲_03


图3 reduce阶段详解

reduce阶段其实也相对比较简单，shuffle的结果被reduce copy过来后，reduce之前，会根据reduce的输入结果的key做sort和group，然后每个相同的key为一个group，每个group调用一次reduce，然后输出结果存回到hdfs中，整个reduce结束，也就意味着整个mapreduce结束，注意：一定要等所有map的shuffle结束后，reduce才会开启。
  好，请听题:
   1.reduce为什么要sort，map又为啥要sort？
  答：reduce sort是为了group，不然group会显得极其复杂，浪费计算资源，所有map端为什么要sort，就是减轻reduce端的负担。

如果不sort，所有的mapshuffle被copy到reduce端；
得到wordcount如下reduce输入：
key value
aaa 4
bb  6
aaa 5
ss 6
bb 6
……
这个情况下，再把key相同的分组group by 算法就比较复杂了，相反，
如果先sort后，得到的reduce输出如下：
key value
aaa 4
aaa 5
bb  6
bb 6
ss 6
group by时，只要参考前后两个key是否是一样即可。

2.reduce端和map的sort，用的是什么排序算法
  答：归并排序，其一：归并排序的精髓，非常适合分布式计算的原理；其二：归并排序时间复杂度为:mapreduce jar包提交到集群运行截图 mapreduce的集群结构_Math_04，
相比于其他经典的如插入排序,时间复杂度为 :
mapreduce jar包提交到集群运行截图 mapreduce的集群结构_环形缓冲_05
在大数据计算的时候，即n越大时，归并排序有优势，如图4的函数图谱：

mapreduce jar包提交到集群运行截图 mapreduce的集群结构_mapreduce_06


图4 归并排序和插入排序时间复杂度对比

实例解析

整个mapreduce流程大概就是如此，以下是wordcount的实例剖析，如图5，wordcount mapreduce例子。

mapreduce jar包提交到集群运行截图 mapreduce的集群结构_Math_07


图5 wordcount mapreduce例子