企业网站网络营销seo优化推广教程

（95） Shuffle机制

面试的重点

什么是shuffle？

Map方法之后，Reduce方法之前的这段数据处理过程，就叫做shuffle，中文直译"洗牌"。

参考上一小节的MR工作流程，整个shuffle的工作流程如下图，可以理解成shuffle横跨map和reduce阶段：

Map阶段

1） Map()处理之后的数据，会被传输进环形缓冲区，而在这个过程中，数据会被打上一个"分区"，之后会讲这个分区是怎么来的。打好分区后，数据会被正式写入环形缓冲区。

2） 环形缓冲区的机制在上一小节里有介绍，看那个就行。需要注意，它在溢写到磁盘之前，需要对数据进行排序，即针对KEY值的索引，按照字典顺序进行快排。

每次溢写后会形成两个文件，一个是保存索引用的spill.index，一个是保存数据用的spill.out。这个过程中有一个可选环节，即combiner，即简单聚合，如果开启这个环节的话，会对本次溢写的文件做一些简单的预聚合，如将<a,1>, <a,1>合并成<a,2>，从而在一定程度上减轻reduce阶段的输入量。

3） 溢写会进行很多轮，即生成很多个.out文件。 当输入数据全部溢写完成后，会以分区为单位，对所有溢写结果做归并排序，并最终整合成一个大文件。相当于是在该MapTask下，最终只保留一个文件，且这个文件内部是按照分区由低到高排列，分区内部有序。

4） 归并排序后，仍然是一个可选的combiner环节，对文件内数据做再次的预聚合。

5） combiner之后，会对各分区的数据文件做压缩。从归并排序到压缩，这部分工作都是在内存中完成的，最后会将压缩后的数据写入磁盘。

为什么要进行压缩呢？

这是一个优化的手段，因为最终的输出是要传到Reduce里的，待传输的文件越小，输出的时间就越短，相比就更加高效。这个后面具体会讲

6） 最后，会将压缩后的文件放进磁盘中，等待Reduce来主动拉取。

Reduce阶段

在Reduce阶段

1） 每个ReduceTask会主动拉取Map阶段的处理结果（指定分区），优先读取到内存，因为内存里面直接处理会更快，但是如果内存不够那就没办法了，只能溢写到磁盘，后续一点点处理了。

2） 然后对从每个MapTask收上来的数据，做归并排序。

3） 归并排序完之后，再根据相同的key进行分组，分组之后的数据类似于如<key, [v1, v2, v3,...]>。

4） 最终，把分组后的数据送进Reduce()，做相应的业务逻辑处理，并输出。

以上流程，就是一个完整的shuffle流程。

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】