0、Shuffle机制
初学耗时:0.5h
注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。
一、Shuffle机制
1.1 阶段流程。
1.2 简单概述。
1.3 详细步骤。
记忆词:
Shuffle机制
一、Shuffle机制
1.1 ~ 阶段流程。
1.2 ~ 简单概述。
- map 阶段处理的数据如何传递给 reduce 阶段,是 MapReduce 框架中最关键的一个流程,这个流程就叫 shuffle。
- shuffle: 洗牌、发牌——(核心机制:数据分区,排序,合并)。
- shuffle 是 Mapreduce 的核心,它分布在 Mapreduce 的 map 阶段和 reduce阶段。
- 一般把从 Map 产生输出开始到 Reduce 取得数据作为输入之前的过程称作 shuffle。
1.3 ~ 详细步骤。
1.3.1 . 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,Partition 分区信息等。
1.3.2 . Spill 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。
1.3.3 . 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。
1.3.4 . 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。
1.3.5 . Merge 阶段。
- 在 ReduceTask 远程复制数据的同时,会在后台开启两个线
程对内存到本地的数据文件进行合并操作。
1.3.6 . 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。
- 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。
- 缓冲区的大小可以通过参数调整, 参数:io.sort.mb 默认 100M。
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
^ 至此,Shuffle机制完成。
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
※ 世间诱惑何其多,坚定始终不动摇。
若D1 = {a1,a2,a3},D2 = {1,2,3},则D1×D2集合共有元组________个。
…
9
- - - - - - - - - - - - - - - - - - - - - - - - - - - -
注:CSDN手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。
我知道我的不足,我也知道你的挑剔,但我就是我,不一样的烟火,谢谢你的指指点点,造就了我的点点滴滴:)!