1 InputFormat数据输入
1.1 切片与MapTask并行度决定机制
1.2 Job提交流程源码和切片源码详解
Job提交流程源码详解
waitForCompletion() submit(); // 1建立连接 connect(); // 1）创建提交Job的代理 new Cluster(getConfiguration()); // （1）判断是本地yarn还是远程 initialize(jobTrackAddr, conf); // 2 提交job submitter.submitJobInternal(Job.this, cluster) // 1）创建给集群提交数据的Stag路径 Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf); // 2）获取jobid ，并创建Job路径 JobID jobId = submitClient.getNewJobID(); // 3）拷贝jar包到集群 copyAndConfigureFiles(job, submitJobDir); rUploader.uploadFiles(job, jobSubmitDir); // 4）计算切片，生成切片规划文件 writeSplits(job, submitJobDir); maps = writeNewSplits(job, jobSubmitDir); input.getSplits(job); // 5）向Stag路径写XML配置文件 writeConf(conf, submitJobFile); conf.writeXml(out); // 6）提交Job,返回提交状态 status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
2. MapReduce工作流程
2.1 流程示意图
2.2 流程详解
上面的流程是整个MapReduce最全工作流程，但是Shuffle过程只是从第7步开始到第16步结束，具体Shuffle过程详解，如下：
1）MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中
2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
3）多个溢出文件会被合并成大的溢出文件
4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
5）ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
6）ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
7）合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）
2.3 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。
缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M。
2.4 源码解析流程
context.write(k, NullWritable.get()); output.write(key, value); collector.collect(key, value,partitioner.getPartition(key, value, partitions)); HashPartitioner(); // 分区 collect() close() collect.flush() sortAndSpill() // 排序和溢写 sort() QuickSort mergeParts(); // 合并 |-- file.out |-- file.out.index collector.close();
3 shuffle机制
3.1 shuffle机制
Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle
3.2 parititon分区
3.3 WritableComparable排序
排序操作是MR中最重要的操作之一。MapTask和ReduceTask均会对数据按照Key进行排序，该操作是Hadoop的默认行为，任何应用程序中的数据都会被排序，而不管逻辑上是否需要。默认的排序顺序是字典顺序排序，而实现的排序方法是快速排序。
对于MapTask，它会将处理的结果暂时放入环形缓冲区，当环形缓冲区使用率到达一定的阈值后，对缓冲区的数据进行分区，然后对每个分区内的数据一次快速排序，并将这些有序数据写到磁盘上，而当数据处理完毕后（若干个分区内有序的小文件）它会对磁盘上所有文件进行一遍归并排序。
对于ReduceTask，它从每个MapTask上远程拷贝响应的数据文件，如果大小超过了一定的阈值，则进行一次归并排序以生成一个更大文件；如果内存中文件大小或者数据超过一定阈值，则进行一个合并后将数据溢写到磁盘。当所有的数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一个归并排序。
排序的分类
（1）部分排序：MR根据输入记录的键对数据集排序，保证输出的每个文件内部有序。
（2）全排序：最终输出结果只有一个文件，且文件内部有序，实现的方式是设置一个Reduce任务，但该方法的效率极低。
（3）辅助排序：再Reduce端对key进行分组。（GroupingCompartor分组）
（4）二次排序：在自定义排序过程中，如果compareTo的判断条件位两个即为二次排序。
自定义WritableComparable
bean对象做为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序。
3.4 combiner合并
（1）Combiner是MR程序中Mapper和Reducer之外的一种组件。
（2）Combiner组件的父类就是Reducer。
（3）Combiner和Reducer的区别在于运行的位置。
Combiner是在每一个MapTask所在的节点运行;Reducer是接收全局所有Mapper的输出结果；
（4）Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
（5）Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。
自定义combiner
（a）自定义一个Combiner继承Reducer，重写Reduce方法 public class WordcountCombiner extends Reducer<Text, IntWritable, Text, IntWritable>{ IntWritable v = new IntWritable(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException { int sum = 0; // 1 汇总操作 for (IntWritable value : values) { sum += value.get(); } v.set(sum); // 2 写出 context.write(key, v); } } （b）在Job驱动类中设置： job.setCombinerClass(WordcountCombiner.class);
3.5 MapTask的工作机制
（1）Read阶段：MapTask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10）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。
3.6 ReduceTask的工作机制
（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。
2．设置ReduceTask并行度（个数）
ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：
// 默认值是1，手动设置为4
job.setNumReduceTasks(4);
4 MapReduce优化方法
4.1 数据输入
（1）合并小文件：在实行MR任务前将小文件合并，大量的小文件会产生大量的MapTask，增大MapTask的装载次数，而任务的装在比较耗时。
（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件的场景。
4.2 Map阶段
（1）减少spill次数：通过调整io.sort.mb以及sort.spill.percent参数值，增大触发spill内存的上线，减少spill次数，从而减少磁盘IO。
（2）减少Merge次数：通过调整io.sort.factor，增大Merge文件数目，减少merge次数，从而缩短MR处理时间。
（3）在Map之后，不影响业务逻辑的前提下，先进行combine处理，减少IO。
4.3 Reduce阶段
（1）合理设置Map和Reduce数：两个都不能设置太多或太少。太多会导致Map、Reduce任务之间竞争资源，太少会导致task等待，延长处理时间。
（2）设置Map、Reduce共存：调整slowstart.completedmaps参数，使map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间。
（3）规避使用Reduce：因为Reduce在用于连接数据集时会产生大量的网络消耗。
（4）合理设置Reduce端的buffer：默认情况下，数据达到阈值时，buffer中的数据就会写入磁盘，然后reduce会从磁盘中获取所有的数据。也就是说，buffer和reduce时没有直接关联的，中间出现多次写磁盘->读磁盘的过程。可以通过参数配置，使得buffer中的部分数据直接输送到reduce：mapreduce.reduce.input.buffer.percent,默认位0.0,当大于0时，会保留指定比例的内存读buffer中的数据直接个reduce使用。
4.4 IO传输
（1）使用数据压缩的方式。安装snappy和lzo压缩编码器。
（2）使用SequenceFile二进制文件
4.5 数据倾斜问题
1.数据倾斜现象
数据频率倾斜——某一个区域的数据要远远大于其他区域
数据大小倾斜——部分记录大小远远大于平均值
2.减少数据倾斜的方法
- 抽样和范围分区，可以通过对原始数据进行抽样得到的结果来预设分区边界值
- 自定义分区：基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例。
- combine：使用Combine可以大量地减小数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据。
- 采用Map Join，尽量避免Reduce Join。
4.6 常用调优参数
1．资源相关参数
（1）以下参数是在用户自己的MR应用程序中配置就可以生效（mapred-default.xml）
| mapreduce.map.memory.mb | 一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。 |
| mapreduce.reduce.memory.mb | 一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。 |
| mapreduce.map.cpu.vcores | 每个MapTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.cpu.vcores | 每个ReduceTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.shuffle.parallelcopies | 每个Reduce去Map中取数据的并行数。默认值是5 |
| mapreduce.reduce.shuffle.merge.percent | Buffer中的数据达到多少比例开始写入磁盘。默认值0.66 |
| mapreduce.reduce.shuffle.input.buffer.percent | Buffer大小占Reduce可用内存的比例。默认值0.7 |
| mapreduce.reduce.input.buffer.percent | 指定多少比例的内存用来存放Buffer中的数据，默认值是0.0 |
（2）应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）
| yarn.scheduler.minimum-allocation-mb | 给应用程序Container分配的最小内存，默认值：1024 |
| yarn.scheduler.maximum-allocation-mb | 给应用程序Container分配的最大内存，默认值：8192 |
| yarn.scheduler.minimum-allocation-vcores | 每个Container申请的最小CPU核数，默认值：1 |
| yarn.scheduler.maximum-allocation-vcores | 每个Container申请的最大CPU核数，默认值：32 |
| yarn.nodemanager.resource.memory-mb | 给Containers分配的最大物理内存，默认值：8192 |
2．容错相关参数(MapReduce性能优化)
| mapreduce.map.maxattempts | 每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。 | |
| mapreduce.reduce.maxattempts | 每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。 | |
| mapreduce.task.timeout |
|