MapReduce工作机制详解

一、MapTask工作机制

详细步骤：

 首先，读取数据组件 InputFormat （默认 TextInputFormat）会通过 getSplits
方法对输入目录中文件进行逻辑切片规划得到 splits，有多少个 split 就对
应启动多少个 MapTask。split 与 block 的对应关系默认是一对一。

 将 输 入 文 件 切 分 为 splits 之 后 ， 由 RecordReader 对 象 （ 默 认
LineRecordReader）进行读取，以\n 作为分隔符，读取一行数据，返回<key，
value>。Key 表示每行首字符偏移值，value 表示这一行文本内容。

 读取 split 返回<key,value>，进入用户自己继承的 Mapper 类中，执行用户
重写的 map 函数。RecordReader 读取一行这里调用一次。

 map 逻辑完之后，将 map 的每条结果通过 context.write 进行 collect 数据
收集。在 collect 中，会先对其进行分区处理，默认使用 HashPartitioner。
MapReduce 提供 Partitioner 接口，它的作用就是根据 key 或 value 及 reduce 的数量
来决定当前的这对输出数据最终应该交由哪个 reduce task 处理。默认对 key hash 后再以
reduce task 数量取模。默认的取模方式只是为了平均 reduce 的处理能力，如果用户自己
对 Partitioner 有需求，可以订制并设置到 job 上。

 接下来，会将数据写入内存，内存中这片区域叫做环形缓冲区，缓冲区的作
用是批量收集 map 结果，减少磁盘 IO 的影响。我们的 key/value 对以及
Partition 的结果都会被写入缓冲区。当然写入之前，key 与 value 值都会
被序列化成字节数组。
环形缓冲区其实是一个数组，数组中存放着 key、value 的序列化数据和 key、value 的
元数据信息，包括 partition、key 的起始位置、value 的起始位置以及 value 的长度。环
形结构是一个抽象概念。
缓冲区是有大小限制，默认是 100MB。当 map task 的输出结果很多时，就可能会撑爆
内存，所以需要在一定条件下将缓冲区中的数据临时写入磁盘，然后重新利用这块缓冲区。
这个从内存往磁盘写数据的过程被称为 Spill，中文可译为溢写。这个溢写是由单独线程来
完成，不影响往缓冲区写 map 结果的线程。溢写线程启动时不应该阻止 map 的结果输出，所
以整个缓冲区有个溢写的比例 spill.percent。这个比例默认是 0.8，也就是当缓冲区的数
据已经达到阈值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢写线程启动，
锁定这 80MB 的内存，执行溢写过程。Map task 的输出结果还可以往剩下的 20MB 内存中写，
互不影响。

 当溢写线程启动后，需要对这 80MB 空间内的 key 做排序(Sort)。排序是
MapReduce 模型默认的行为，这里的排序也是对序列化的字节做的排序。
如果 job 设置过 Combiner，那么现在就是使用 Combiner 的时候了。将
有相同 key 的 key/value 对的 value 加起来，减少溢写到磁盘的数据量。
Combiner 会优化 MapReduce 的中间结果，所以它在整个模型中会多次使用。
那哪些场景才能使用 Combiner 呢？从这里分析，Combiner 的输出是 Reducer 的输入，
Combiner 绝不能改变最终的计算结果。Combiner 只应该用于那种 Reduce 的输入 key/value
与输出 key/value 类型完全一致，且不影响最终结果的场景。比如累加，最大值等。Combiner
的使用一定得慎重，如果用好，它对 job 执行效率有帮助，反之会影响 reduce 的最终结果。

 每次溢写会在磁盘上生成一个临时文件（写之前判断是否有 combiner），如
果 map 的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有
多个临时文件存在。当整个数据处理结束之后开始对磁盘中的临时文件进行
merge 合并，因为最终的文件只有一个，写入磁盘，并且为这个文件提供了
一个索引文件，以记录每个 reduce 对应数据的偏移量。
至此 map 整个阶段结束。

二、ReducerTask工作机制

详细步骤

 Copy 阶段，简单地拉取数据。Reduce 进程启动一些数据 copy 线程(Fetcher)，
通过 HTTP 方式请求 maptask 获取属于自己的文件。

 Merge 阶段。这里的 merge 如 map 端的 merge 动作，只是数组中存放的是不
同 map 端 copy 来的数值。Copy 过来的数据会先放入内存缓冲区中，这里的
缓冲区大小要比 map 端的更为灵活。merge 有三种形式：内存到内存；内存
到磁盘；磁盘到磁盘。默认情况下第一种形式不启用。当内存中的数据量到
达一定阈值，就启动内存到磁盘的 merge。与 map 端类似，这也是溢写的过
程，这个过程中如果你设置有 Combiner，也是会启用的，然后在磁盘中生成
了众多的溢写文件。第二种 merge 方式一直在运行，直到没有 map 端的数据
时才结束，然后启动第三种磁盘到磁盘的 merge 方式生成最终的文件。

  把分散的数据合并成一个大的数据后，还会再对合并后的数据排序。

 对排序后的键值对调用 reduce 方法，键相等的键值对调用一次 reduce 方法，
每次调用会产生零个或者多个键值对，最后把这些输出的键值对写入到 HDFS
文件中。

三、Shuffle机制

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 p Map  产生输出开始到 e Reduce  取得数据 作为输入 之前 的过程 称
作 shuffle。

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。

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。

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。

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

四、MapReduce并行度机制

MapTask 的并行度指的是 map 阶段有多少个并行的 task 共同处理任务。map
阶段的任务处理并行度，势必影响到整个 job 的处理速度。那么，MapTask 并行
实例是否越多越好呢？其并行度又是如何决定呢？

4000
一个 MapReducejob 的 p map  阶段并行度由客户端在提交 b job  时决定，即客户
端提交 job 之前会对待处理数据进行 逻辑切片。切片完成会形成 切片规划 文件
（ job.split） ），每个逻辑切片最终对应启动一个 maptask。
逻辑切片机制由 FileInputFormat 实现类的  getSplits()方法完成。

FileInputFormat中默认的切片机制：

A. 简单地按照文件的内容长度进行切片
B. 切片大小，默认等于 block 大小
C. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片
比如待处理数据有两个文件：
file1.txt 320M
file2.txt 10M
经过 FileInputFormat 的切片机制运算后，形成的切片信息如下：
file1.txt.split1—0M~128M
file1.txt.split2—128M~256M
file1.txt.split3—256M~320M
file2.txt.split1—0M~10M

FileInputFormat 中切片的大小的参数配置

在 FileInputFormat 中，计算切片大小的逻辑：
Math.max(minSize, Math.min(maxSize, blockSize));
切片主要由这几个值来运算决定：
minsize：默认值：1
配置参数： mapreduce.input.fileinputformat.split.minsize
maxsize：默认值：Long.MAXValue
配置参数：mapreduce.input.fileinputformat.split.maxsize
blocksize
因此， 默认情况下， split size =block size,在 hadoop 2.x 中为 128M。
maxsize（切片最大值）：参数如果调得比 blocksize 小，则会让切片变小，
而且就等于配置的这个参数的。
minsize （切片最小值）：参数调的比 blockSize 大，则可以让切片变得比
blocksize 还大。
但是，不论怎么调参数，都不能让多个小文件“划入”一个  split 。
还有个细节就是：
当 bytesRemaining/splitSize > 1.1 不满足的话，那么最后所有剩余
的会作为一个切片。从而不会形成例如 129M 文件规划成两个切片的局面。

Reducetask并行度机制

reducetask 并行度同样影响整个 job 的执行并发度和执行效率，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：
job.setNumReduceTasks(4);
如果数据分布不均匀，就有可能在 reduce 阶段产生数据倾斜。
注意： reducetask 数量并不是任意设置，还要考虑业务逻辑需求，有些情
况下，需要计算全局汇总结果，就只能有 1 个 reducetask。

Task并行度经验之谈

最好每个 task 的执行时间至少一分钟。
如果 job 的每个 map 或者 reduce task 的运行时间都只有 30-40 秒钟，那
么就减少该 job 的 map 或者 reduce 数，每一个 task(map|reduce)的 setup 和加
入到调度器中进行调度，这个中间的过程可能都要花费几秒钟，所以如果每个
task 都非常快就跑完了，就会在 task 的开始和结束的时候浪费太多的时间。
此外，默认情况下，每一个 task 都是一个新的 JVM 实例，都需要开启和销
毁的开销。在一些情况下，JVM 开启和销毁的时间可能会比实际处理数据的时间
要消耗的长，配置 task 的 M JVM  重用可以改善该问题：
（mapred.job.reuse.jvm.num.tasks，默认是 1，表示一个 JVM 上最多可以
顺序执行的 task 数目（属于同一个 Job）是 1。也就是说一个 task 启一个 JVM）
如果 input 的文件非常的大，比如 1TB，可以考虑将 hdfs 上的每个 block
size 设大，比如设成 256MB 或者 512MB

五、MapReduce优化参数

1.资源相关参数

//以下参数是在用户自己的 MapReduce 应用程序中配置就可以生效
(1) mapreduce.map.memory.mb: 一个 Map Task 可使用的内存上限（单位:MB），默认为 1024。
如果 Map Task 实际使用的资源量超过该值，则会被强制杀死。
(2) mapreduce.reduce.memory.mb: 一个 Reduce Task 可使用的资源上限（单位:MB），默认
为 1024。如果 Reduce Task 实际使用的资源量超过该值，则会被强制杀死。
(3) mapreduce.map.c
pu.vcores: 每个 Maptask 可用的最多 cpu core 数目, 默认值: 1
(4) mapreduce.reduce.cpu.vcores: 每个 Reducetask 可用最多 cpu core 数目默认值: 1
(5) mapreduce.map.java.opts: Map Task 的 JVM 参数，你可以在此配置默认的 java heap
size 等参数, 例如：“-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc”
（@taskid@会被 Hadoop 框架自动换为相应的 taskid）, 默认值: “”
(6) mapreduce.reduce.java.opts: Reduce Task 的 JVM 参数，你可以在此配置默认的 java
heap size 等参数, 例如：“-Xmx1024m -verbose:gc -Xloggc:/tmp/@taskid@.gc”, 默
认值: “”

//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
(1) yarn.scheduler.minimum-allocation-mb RM 中每个容器请求的最小配置，以 MB 为单
位，默认 1024。
(2) yarn.scheduler.maximum-allocation-mb RM 中每个容器请求的最大分配，以 MB 为单
位，默认 8192。
(3) yarn.scheduler.minimum-allocation-vcores  1
(4)yarn.scheduler.maximum-allocation-vcores 32
(5) yarn.nodemanager.resource.memory-mb 表示该节点上YARN可使用的物理内存总量，
默认是 8192（MB），注意，如果你的节点内存资源不够 8GB，则需要调减小这个值，而 YARN
不会智能的探测节点的物理内存总量。

//shuffle 性能优化的关键参数，应在 yarn 启动之前就配置好
(1) mapreduce.task.io.sort.mb 100 shuffle 的环形缓冲区大小，默认 100m
(2) mapreduce.map.sort.spill.percent 0.8 环形缓冲区溢出的阈值，默认 80%

2.容错相关参数

(1) 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。
(2) 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。
(3) mapreduce.map.failures.maxpercent: 当失败的 Map Task 失败比例超过该值，整个作业则
失败，默认值为 0. 如果你的应用程序允许丢弃部分输入数据，则该该值设为一个大于 0 的
值，比如 5，表示如果有低于 5%的 Map Task 失败（如果一个 Map Task 重试次数超过
mapreduce.map.maxattempts，则认为这个 Map Task 失败，其对应的输入数据将不会产生任
何结果），整个作业扔认为成功。
(4) mapreduce.reduce.failures.maxpercent: 当失败的 Reduce Task 失败比例超过该值为，整个
作业则失败，默认值为 0.
(5) mapreduce.task.timeout:如果一个task在一定时间内没有任何进入，即不会读取新的数据，
也没有输出数据，则认为该 task 处于 block 状态，可能是临时卡住，也许永远会卡住。为了
防止因为用户程序永远 block 不退出，则强制设置了一个超时时间（单位毫秒），默认是
600000，值为 0 将禁用超时。。

3.效率跟稳定性参数

(1) mapreduce.map.speculative: 是否为 Map Task 打开推测执行机制，默认为 true, 如
果为 true，则可以并行执行一些 Map 任务的多个实例。
(2) mapreduce.reduce.speculative: 是否为 Reduce Task 打开推测执行机制，默认为 true
(3)mapreduce.input.fileinputformat.split.minsize: FileInputFormat做切片时最小切
片大小，默认 1。
(5)mapreduce.input.fileinputformat.split.maxsize: FileInputFormat做切片时最大切
片大小
推测执行机制（Speculative Execution）：它根据一定的法则推测出“拖后腿”的任务，并
为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成
功运行完成任务的计算结果作为最终结果。

六、MapReduce其他功能

1.计数器应用

计数器是用来记录 job 的执行进度和状态的。MapReduce 计数器（Counter）

为我们提供一个窗口，用于观察 MapReduce Job 运行期的各种细节数据。对

MapReduce 性能调优很有帮助，MapReduce 性能优化的评估大部分都是基于这些

Counter 的数值表现出来的。

MapReduce 自带了许多默认 Counter。在执行 mr 程序的日志上，大家也许

注意到了类似以下这样的信息：

Shuffle Errors
BAD_ID=0
CONNECTION=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=89
File Output Format Counters
Bytes Written=86

内置计数器包括：

文件系统计数器（File System Counters）
作业计数器（Job Counters）
MapReduce 框架计数器（Map-Reduce Framework）
Shuffle 错误计数器（Shuffle Errors）
文件输入格式计数器（File Output Format Counters）
文件输出格式计数器（File Input Format Counters）

当然， Hadoop 也支持自定义计数器。在实际生产代码中，常常需要将数据

处理过程中遇到的不合规数据行进行全局计数，类似这种需求可以借助

mapreduce 框架中提供的全局计数器来实现。

示例代码：

public class WordCount{
static class WordCount Mapper extends Mapper<LongWritable, Text, Text, LongWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException,
InterruptedException {
Counter counter =context.getCounter(“SelfCounters”,”myCounters”);
String[] words = value.toString().split(",");
for (String word : words) {
if("hello".equals(word)){counter.increment(1)};
context.write(new Text(word), new LongWritable(1));
}
}
}

2.多job关联

ControlledJob controlledJob1 = new ControlledJob(job1.getConfiguration());
controlledJob1.setJob(job1);
ControlledJob controlledJob2 = new ControlledJob(job2.getConfiguration());
controlledJob2.setJob(job2);
controlledJob2.addDependingJob(controlledJob1); // job2 依赖于 job1
JobControl jc = new JobControl(chainName);
jc.addJob(controlledJob1);
jc.addJob(controlledJob2);
Thread jcThread = new Thread(jc);
jcThread.start();
while(true){
if(jc.allFinished()){
System.out.println(jc.getSuccessfulJobList());
jc.stop();
return 0;
}
if(jc.getFailedJobList().size() > 0){
System.out.println(jc.getFailedJobList());
jc.stop();
return 1;
}
}