大数据之MapReduce框架流程介绍

前言

#博学谷IT学习技术支持#
上篇文章主要对MapReduce做一个入门级介绍，本篇文章接着对MapReduce的其他知识点进行更加深入的梳理。

一、MapReduce输入和输出梳理

MapReduce框架运转在<key,value>键值对上，也就是说，框架把作业的输入看成是一组<key,value>键值对，同样也产生一组<key,value>键值对作为作业的输出，这两组键值对可能是不同的。

（一）输入特点

默认读取数据的组件叫做TextInputFormat，读取路径主要有以下两个知识点：

• 如果指向的是一个文件 处理该文件
• 如果指向的是一个文件夹（目录） 就处理该目录所有的文件 当成整体来处理

（二）输出特点

默认输出数据的组件叫做TextOutputFormat，输出路径不能提前存在 否则执行报错 对输出路径进行检测判断

二、MapReduce流程简单梳理

（一）执行流程图

（二）Map阶段执行流程

1. 第一阶段是把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划。默认情况下，Split size = Block size。每一个切片由一个MapTask处理。（getSplits）
2. 第二阶段是对切片中的数据按照一定的规则解析成<key,value>对。默认规则是把每一行文本内容解析成键值对。key是每一行的起始位置(单位是字节)，value是本行的文本内容。（TextInputFormat）
3. 第三阶段是调用Mapper类中的map方法。上阶段中每解析出来的一个<k,v>，调用一次map方法。每次调用map方法会输出零个或多个键值对。
4. 第四阶段是按照一定的规则对第三阶段输出的键值对进行分区。默认是只有一个区。分区的数量就是Reducer任务运行的数量。默认只有一个Reducer任务。
5. 第五阶段是对每个分区中的键值对进行排序。首先，按照键进行排序，对于键相同的键值对，按照值进行排序。比如三个键值对<2,2>、<1,3>、<2,1>，键和值分别是整数。那么排序后的结果是<1,3>、<2,1>、<2,2>。如果有第六阶段，那么进入第六阶段；如果没有，直接输出到文件中。
6. 第六阶段是对数据进行局部聚合处理，也就是combiner处理。键相等的键值对会调用一次reduce方法。经过这一阶段，数据量会减少。本阶段默认是没有的

（三）Reduce阶段执行流程

1. 第一阶段是Reducer任务会主动从Mapper任务复制其输出的键值对。Mapper任务可能会有很多，因此Reducer会复制多个Mapper的输出。
2. 第二阶段是把复制到Reducer本地数据，全部进行合并，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
3. 第三阶段是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。

总结

整个MapReduce程序的开发过程中，最大的工作量是覆盖map函数和覆盖reduce函数。