大數(shù)據(jù)面試 | 05 分點(diǎn)整理后Shuffle也可以很簡(jiǎn)單

目錄

1. Shuffle的引入

2. Shuffle過(guò)程

3.Map端Shuffle

4. Reduce Shuffle

1. Shuffle的引入

Map 是映射多糠,負(fù)責(zé)數(shù)據(jù)的過(guò)濾分法工秩,將原始數(shù)據(jù)轉(zhuǎn)化為鍵值對(duì);
Reduce 是合并,將具有相同的 key 值的 value 進(jìn)行處理后再輸出新的鍵值對(duì)作為最終結(jié) 果。
為了讓 Reduce 可以并行處理 Map 的結(jié)果醇坝,必須對(duì) Map 的輸出進(jìn)行一定 的排序與分割扰柠,然后再交給對(duì)應(yīng)的 Reduce,Map 端的輸出作為 Reduce 的輸 入的過(guò)程叫做 Shuffle.

在了解shuffle的具體流程之前藐吮,應(yīng)先對(duì)以下兩個(gè)概念有所了解:

block塊(物理劃分)

block是HDFS中的基本存儲(chǔ)單位溺拱,默認(rèn)大小為64M。文件上傳到HDFS谣辞,就要?jiǎng)澐謹(jǐn)?shù)據(jù)成塊迫摔,這里的劃分屬于物理的劃分,塊的大小可通過(guò) dfs.block.size配置泥从。block采用冗余機(jī)制保證數(shù)據(jù)的安全:默認(rèn)為3份句占,可通過(guò)dfs.replication配置。

split分片(邏輯劃分)

Hadoop中split劃分屬于邏輯上的劃分躯嫉,目的只是為了讓map task更好地獲取數(shù)據(jù)纱烘。split是通過(guò)hadoop中的InputFormat接口中的getSplit()方法得到的杨拐。

2. Shuffle過(guò)程

Shuffle.png

如圖所示,這是Shuffle的整個(gè)流程擂啥,我們一步一步解釋:

Shuffle 過(guò)程包含在 Map 和 Reduce 兩端哄陶,即 Map shuffle 和 Reduce shuffle。

3. Map端shuffle

  • 分區(qū)partition

  • 寫(xiě)入環(huán)形內(nèi)存緩沖區(qū)

  • 執(zhí)行溢出寫(xiě):排序sort--->合并combiner--->生成溢出寫(xiě)文件

  • 歸并merge

(1)分區(qū)Partition

在將map()函數(shù)處理后得到的(key,value)對(duì)寫(xiě)入到緩沖區(qū)之前哺壶,需要先進(jìn)行分區(qū)操作屋吨,這樣就能把map任務(wù)處理的結(jié)果發(fā)送給指定的reducer去執(zhí)行,從而達(dá)到負(fù)載均衡山宾,避免數(shù)據(jù)傾斜至扰。MapReduce提供默認(rèn)的分區(qū)類(HashPartitioner)。

簡(jiǎn)單理解就是按照統(tǒng)計(jì)結(jié)果按照條件輸入到不同文件當(dāng)中(分區(qū))资锰。比如將手機(jī)號(hào)按照 135 137 187開(kāi)頭的分別放到一個(gè)獨(dú)立的文件當(dāng)中 敢课,其他的放到一個(gè)文件夾。

(2)寫(xiě)入環(huán)形內(nèi)存緩沖區(qū)

因?yàn)轭l繁的磁盤(pán)I/O操作會(huì)嚴(yán)重的降低效率台妆,因此“中間結(jié)果”不會(huì)立馬寫(xiě)入磁盤(pán)翎猛,而是優(yōu)先存儲(chǔ)到map節(jié)點(diǎn)的“環(huán)形內(nèi)存緩沖區(qū)”,并做一些預(yù)排序以提高效率接剩,當(dāng)寫(xiě)入的數(shù)據(jù)量達(dá)到預(yù)先設(shè)置的闕值后便會(huì)執(zhí)行一次I/O操作將數(shù)據(jù)寫(xiě)入到磁盤(pán)切厘。

這個(gè)閾值一般是0.8,也就是80MB懊缺,另外的20%內(nèi)存可以繼續(xù)寫(xiě)入要寫(xiě)進(jìn)磁盤(pán)的數(shù)據(jù)疫稿,寫(xiě)入磁盤(pán)和寫(xiě)入內(nèi)存操作是互不干擾的*,如果緩存區(qū)被撐滿了鹃两,那么map就會(huì)阻塞寫(xiě)入內(nèi)存的操作遗座,讓寫(xiě)入磁盤(pán)操作完成后再繼續(xù)執(zhí)行寫(xiě)入內(nèi)存操作

(3)執(zhí)行溢寫(xiě)出

一旦緩沖區(qū)內(nèi)容達(dá)到閾值,就會(huì)鎖定這80%的內(nèi)存俊扳,并在每個(gè)分區(qū)中對(duì)其中的鍵值對(duì)按鍵進(jìn)行sort排序

具體是將數(shù)據(jù)按照partition和key兩個(gè)關(guān)鍵字進(jìn)行排序途蒋,排序結(jié)果為緩沖區(qū)內(nèi)的數(shù)據(jù)按照partition為單位聚集在一起,同一個(gè)partition內(nèi)的數(shù)據(jù)按照key有序馋记。排序完成后會(huì)創(chuàng)建一個(gè)溢出寫(xiě)文件(臨時(shí)文件)号坡,然后開(kāi)啟一個(gè)后臺(tái)線程把這部分?jǐn)?shù)據(jù)以一個(gè)臨時(shí)文件的方式溢出寫(xiě)(spill)到本地磁盤(pán)中

如果客戶端自定義了Combiner(相當(dāng)于map階段的reduce),則會(huì)在分區(qū)排序后到溢寫(xiě)出前自動(dòng)調(diào)用combiner梯醒,將相同的key的value相加宽堆,這樣的好處就是減少溢寫(xiě)到磁盤(pán)的數(shù)據(jù)量。這個(gè)過(guò)程叫“合并”

剩余的20%的內(nèi)存在此期間可以繼續(xù)寫(xiě)入map輸出的鍵值對(duì)茸习。溢出寫(xiě)過(guò)程按輪詢方式將緩沖區(qū)中的內(nèi)容寫(xiě)到mapreduce.cluster.local.dir屬性指定的目錄中畜隶。

(4)歸并merge

當(dāng)一個(gè)map task處理的數(shù)據(jù)很大,以至于超過(guò)緩沖區(qū)內(nèi)存時(shí),就會(huì)生成多個(gè)spill文件籽慢。此時(shí)就需要對(duì)同一個(gè)map任務(wù)產(chǎn)生的多個(gè)spill文件進(jìn)行歸并生成最終的一個(gè)已分區(qū)且已排序的大文件浸遗。
歸并得到的文件內(nèi)鍵值對(duì)有可能擁有相同的key,這個(gè)過(guò)程如果client設(shè)置過(guò)Combiner嗡综,也會(huì)合并相同的key值的鍵值對(duì)(根據(jù)上面提到的combine的調(diào)用時(shí)機(jī)可知)乙帮。

(5)壓縮

寫(xiě)磁盤(pán)時(shí)壓縮map端的輸出,因?yàn)檫@樣會(huì)讓寫(xiě)磁盤(pán)的速度更快极景,節(jié)約磁盤(pán)空間察净,并減少傳給reducer的數(shù)據(jù)量。默認(rèn)情況下盼樟,輸出是不壓縮的

2.png

4. reduce shuffle

reduce shuffle 有復(fù)制和合并氢卡。

Reduce 通過(guò)*** Http 的方式從 map 獲取數(shù)據(jù)***, reduce 有少量的復(fù)制線程晨缴,可以并行的從 map 上復(fù)制數(shù)據(jù)译秦。
Reduce 可能需要 從多個(gè) map 任務(wù)中獲取數(shù)據(jù),因此只要多個(gè) map 中的一個(gè)完成击碗,reduce 便可 以從 map 復(fù)制數(shù)據(jù)筑悴。
如果 map 的輸出數(shù)據(jù)較小,會(huì)直接復(fù)制到內(nèi)存;如果數(shù) 據(jù)比較大稍途,當(dāng)達(dá)到緩沖區(qū)閾值時(shí)會(huì)溢出到磁盤(pán)阁吝,最后會(huì)排序合并這些溢出文件。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末械拍,一起剝皮案震驚了整個(gè)濱河市突勇,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌坷虑,老刑警劉巖甲馋,帶你破解...
    沈念sama閱讀 222,729評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異迄损,居然都是意外死亡定躏,警方通過(guò)查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,226評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門(mén)芹敌,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)共屈,“玉大人,你說(shuō)我怎么就攤上這事党窜。” “怎么了借宵?”我有些...
    開(kāi)封第一講書(shū)人閱讀 169,461評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵幌衣,是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我,道長(zhǎng)豁护,這世上最難降的妖魔是什么哼凯? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 60,135評(píng)論 1 300
  • 正文 為了忘掉前任,我火速辦了婚禮楚里,結(jié)果婚禮上断部,老公的妹妹穿的比我還像新娘。我一直安慰自己班缎,他們只是感情好蝴光,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,130評(píng)論 6 398
  • 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著达址,像睡著了一般蔑祟。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上沉唠,一...
    開(kāi)封第一講書(shū)人閱讀 52,736評(píng)論 1 312
  • 那天疆虚,我揣著相機(jī)與錄音,去河邊找鬼满葛。 笑死径簿,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的嘀韧。 我是一名探鬼主播篇亭,決...
    沈念sama閱讀 41,179評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼乳蛾!你這毒婦竟也來(lái)了暗赶?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 40,124評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤肃叶,失蹤者是張志新(化名)和其女友劉穎蹂随,沒(méi)想到半個(gè)月后,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體因惭,經(jīng)...
    沈念sama閱讀 46,657評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡岳锁,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,723評(píng)論 3 342
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了蹦魔。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片激率。...
    茶點(diǎn)故事閱讀 40,872評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖勿决,靈堂內(nèi)的尸體忽然破棺而出乒躺,到底是詐尸還是另有隱情,我是刑警寧澤低缩,帶...
    沈念sama閱讀 36,533評(píng)論 5 351
  • 正文 年R本政府宣布嘉冒,位于F島的核電站曹货,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏讳推。R本人自食惡果不足惜顶籽,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,213評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望银觅。 院中可真熱鬧礼饱,春花似錦、人聲如沸究驴。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 32,700評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)纳胧。三九已至镰吆,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間跑慕,已是汗流浹背万皿。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,819評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留核行,地道東北人牢硅。 一個(gè)月前我還...
    沈念sama閱讀 49,304評(píng)論 3 379
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像芝雪,于是被迫代替她去往敵國(guó)和親减余。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,876評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容