Hadoop显示行数 hadoopshuffle

转载

mob6454cc782a8c 2023-05-25 20:28:17

1. 什么是Shuffle机制？

在Hadoop中数据从Map阶段传递给Reduce阶段的过程就叫Shuffle，Shuffle机制是整个MapReduce框架中最核心的部分。
Shuffle翻译成中文的意思为：洗牌、发牌（核心机制：数据分区、排序、缓存)

2. Shuffle的作用范围

一般把数据从Map阶段输出到Reduce阶段的过程叫Shuffle，所以Shuffle的作用范围是Map阶段数据输出到Reduce阶段数据输入这一整个中间过程！

3. Shuffle的执行阶段流程

1)Collect阶段：
将MapTask的结果输出到默认大小为100M的环形缓冲区，保存的是key/value序列化数据，Partition分区信息等。
2)Spill溢出阶段：
当内存中的数据量达到一定的阀值的时候，就会将数据写入本地磁盘，
在将数据写入磁盘之前需要对数据进行一次排序的操作，如果配置了combiner，还会将有相同分区号和key的数据进行排序。
3)Merge阶段：
把所有溢出的临时文件进行一次合并操作，以确保一个MapTask最终只产生一个中间数据文件。
4)Copy阶段：
ReduceTask启动Fetcher线程到已经完成MapTask的节点上复制一份属于自己的数据，
这些数据默认会保存在内存的缓冲区中，当内存的缓冲区达到一定的阀值的时候，就会将数据写到磁盘之上。
5)Merge阶段：
在ReduceTask远程复制数据的同时，会在后台开启两个线程
(一个是内存到磁盘的合并，一个是磁盘到磁盘的合并)对内存到本地的数据文件进行合并操作。
6)Sort阶段：
在对数据进行合并的同时，会进行排序操作，由于MapTask阶段已经对数据进行了局部的排序，
ReduceTask只需保证Copy的数据的最终整体有效性即可

4. 注意:

Shuffle中的缓冲区大小会影响到 mapreduce 程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少,
执行速度就越快,正是因为Shuffle的过程中要不断的将文件从磁盘写入到内存，再从内存写入到磁盘，
从而导致了Hadoop中MapReduce执行效率相对于Storm等一些实时计算来说比较低下的原因。