MapTask工作机制

蔚落 2023-06-12 06:17 1阅读 0赞

## 一、MapTask并行度决定机制 ##

![1007094-20191017140523531-822286082.png][]

## 二、MapTask的工作机制 ##

![1007094-20191017142552386-699962626.png][]

###  　　（1）Read阶段： ###

Map Task通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。

### 　　（2）Map阶段： ###

该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

### 　　（3）Collect收集阶段： ###

在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

### 　　（4）Spill阶段： ###

即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

**溢写阶段详情：**  
  
    　　步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。  
  
  　　  步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。  
  
  　　  步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

### 　　（5）Combine阶段： ###

当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。  
　　　　在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认100）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。  
    　　　让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

## 三、MapTask的Shuffle过程 ##

从Mapper的map（）写出

（1）context.write(K,V)

（2）创建一个SortingCollector（MapOutPutBuffer）

（3）MapOutputBuffer在初始化时，确定当前job所使用的很组件

确定MapOutputBuffer的初始化大小（100M），溢写百分比（0.8）

确定排序器（Sorter），默认是有QuickSort（快排），只排索引，并不交换数据在内存中的位置

确定KV序列化器

确定输出的压缩解码器

确定key的比较器（只会对key排序）

确定combiner（合并器）

（4）每次调用context.write（K,V），调用SortingCollector.collect（K，V，分区号）先使用partitioner计算当前KV的分区号

（5）放入缓冲区，记录KV的meta信息，例如：index，起始偏移量等

（6）一旦收集超过阈值，唤醒溢写线程，开始溢写，先执行SortAndSpill（）

在溢写前，先对所有数据进行排序，排序后按照分号依次溢写。

在溢写前，确定是否设置Combiner，如果设了Combiner，那么久先进行Combine操作，再将合并后的KV溢写到指定的分区。

（7）循环执行第六步，多次溢写生成多个溢写的片段splillN.out

在溢写时，也会将溢写的数据的index信息也溢写

先缓存，超过缓存就溢写到磁盘

（8）将最后的数据flush（）到磁盘，执行mergeParts（），合并多个溢写片段成为一个最终的数据文件

（9）MapTask运行完成后，在磁盘生成finalXXXX，finalXXX.index

[1007094-20191017140523531-822286082.png]: /images/20230531/48ce6a3f9c4b4b1d90d4cdca4215a84c.png
[1007094-20191017142552386-699962626.png]: /images/20230531/623d5e98dbfc41e097be4d7074475c1a.png