Hadoop學習之路（二十三）MapReduce中的shuffle詳解

概述

一、MapReduce 中，mapper 階段處理的數據如何傳遞給 reducer 階段，是 MapReduce 框架中 最關鍵的一個流程，這個流程就叫 Shuffle

二、Shuffle: 數據混洗 ——（核心機制：數據分區，排序，局部聚合，緩存，拉取，再合併 排序）

三、具體來講：就是將 MapTask 輸出的處理結果數據，按照 Partitioner 組件制定的規則分發 給 ReduceTask，並在分發的過程當中，對數據按 key 進行了分區和排序

MapReduce的Shuffle過程介紹

Shuffle的本義是洗牌、混洗，把一組有必定規則的數據儘可能轉換成一組無規則的數據，越隨機越好。MapReduce中的Shuffle更像是洗牌的逆過程，把一組無規則的數據儘可能轉換成一組具備必定規則的數據。

爲何MapReduce計算模型須要Shuffle過程？咱們都知道MapReduce計算模型通常包括兩個重要的階段：Map是映射，負責數據的過濾分發；Reduce是規約，負責數據的計算歸併。Reduce的數據來源於Map，Map的輸出便是Reduce的輸入，Reduce須要經過Shuffle來獲取數據。

從Map輸出到Reduce輸入的整個過程能夠廣義地稱爲Shuffle。Shuffle橫跨Map端和Reduce端，在Map端包括Spill過程，在Reduce端包括copy和sort過程，如圖所示：

Spill過程

Spill過程包括輸出、排序、溢寫、合併等步驟，如圖所示：

Collect

每一個Map任務不斷地以對的形式把數據輸出到在內存中構造的一個環形數據結構中。使用環形數據結構是爲了更有效地使用內存空間，在內存中放置儘量多的數據。

這個數據結構其實就是個字節數組，叫Kvbuffer，名如其義，可是這裏面不光放置了數據，還放置了一些索引數據，給放置索引數據的區域起了一個Kvmeta的別名，在Kvbuffer的一塊區域上穿了一個IntBuffer（字節序採用的是平臺自身的字節序）的馬甲。數據區域和索引數據區域在Kvbuffer中是相鄰不重疊的兩個區域，用一個分界點來劃分二者，分界點不是亙古不變的，而是每次Spill以後都會更新一次。初始的分界點是0，數據的存儲方向是向上增加，索引數據的存儲方向是向下增加，如圖所示：

Kvbuffer的存放指針bufindex是一直悶着頭地向上增加，好比bufindex初始值爲0，一個Int型的key寫完以後，bufindex增加爲4，一個Int型的value寫完以後，bufindex增加爲8。

索引是對在kvbuffer中的索引，是個四元組，包括：value的起始位置、key的起始位置、partition值、value的長度，佔用四個Int長度，Kvmeta的存放指針Kvindex每次都是向下跳四個「格子」，而後再向上一個格子一個格子地填充四元組的數據。好比Kvindex初始位置是-4，當第一個寫完以後，(Kvindex+0)的位置存放value的起始位置、(Kvindex+1)的位置存放key的起始位置、(Kvindex+2)的位置存放partition的值、(Kvindex+3)的位置存放value的長度，而後Kvindex跳到-8位置，等第二個和索引寫完以後，Kvindex跳到-32位置。

Kvbuffer的大小雖然能夠經過參數設置，可是總共就那麼大，和索引不斷地增長，加着加着，Kvbuffer總有不夠用的那天，那怎麼辦？把數據從內存刷到磁盤上再接着往內存寫數據，把Kvbuffer中的數據刷到磁盤上的過程就叫Spill，多麼明瞭的叫法，內存中的數據滿了就自動地spill到具備更大空間的磁盤。

關於Spill觸發的條件，也就是Kvbuffer用到什麼程度開始Spill，仍是要講究一下的。若是把Kvbuffer用得死死得，一點縫都不剩的時候再開始Spill，那Map任務就須要等Spill完成騰出空間以後才能繼續寫數據；若是Kvbuffer只是滿到必定程度，好比80%的時候就開始Spill，那在Spill的同時，Map任務還能繼續寫數據，若是Spill夠快，Map可能都不須要爲空閒空間而發愁。兩利相衡取其大，通常選擇後者。

Spill這個重要的過程是由Spill線程承擔，Spill線程從Map任務接到「命令」以後就開始正式幹活，乾的活叫SortAndSpill，原來不只僅是Spill，在Spill以前還有個頗具爭議性的Sort。

Sort

先把Kvbuffer中的數據按照partition值和key兩個關鍵字升序排序，移動的只是索引數據，排序結果是Kvmeta中數據按照partition爲單位彙集在一塊兒，同一partition內的按照key有序。

Spill

Spill線程爲此次Spill過程建立一個磁盤文件：從全部的本地目錄中輪訓查找能存儲這麼大空間的目錄，找到以後在其中建立一個相似於「spill12.out」的文件。Spill線程根據排過序的Kvmeta挨個partition的把數據吐到這個文件中，一個partition對應的數據吐完以後順序地吐下個partition，直到把全部的partition遍歷完。一個partition在文件中對應的數據也叫段(segment)。

全部的partition對應的數據都放在這個文件裏，雖然是順序存放的，可是怎麼直接知道某個partition在這個文件中存放的起始位置呢？強大的索引又出場了。有一個三元組記錄某個partition對應的數據在這個文件中的索引：起始位置、原始數據長度、壓縮以後的數據長度，一個partition對應一個三元組。而後把這些索引信息存放在內存中，若是內存中放不下了，後續的索引信息就須要寫到磁盤文件中了：從全部的本地目錄中輪訓查找能存儲這麼大空間的目錄，找到以後在其中建立一個相似於「spill12.out.index」的文件，文件中不光存儲了索引數據，還存儲了crc32的校驗數據。(spill12.out.index不必定在磁盤上建立，若是內存（默認1M空間）中能放得下就放在內存中，即便在磁盤上建立了，和spill12.out文件也不必定在同一個目錄下。)

每一次Spill過程就會最少生成一個out文件，有時還會生成index文件，Spill的次數也烙印在文件名中。索引文件和數據文件的對應關係以下圖所示：

在Spill線程如火如荼的進行SortAndSpill工做的同時，Map任務不會所以而停歇，而是一無既往地進行着數據輸出。Map仍是把數據寫到kvbuffer中，那問題就來了：只顧着悶頭按照bufindex指針向上增加，kvmeta只顧着按照Kvindex向下增加，是保持指針起始位置不變繼續跑呢，仍是另謀它路？若是保持指針起始位置不變，很快bufindex和Kvindex就碰頭了，碰頭以後再從新開始或者移動內存都比較麻煩，不可取。Map取kvbuffer中剩餘空間的中間位置，用這個位置設置爲新的分界點，bufindex指針移動到這個分界點，Kvindex移動到這個分界點的-16位置，而後二者就能夠和諧地按照本身既定的軌跡放置數據了，當Spill完成，空間騰出以後，不須要作任何改動繼續前進。分界點的轉換以下圖所示：

Map任務總要把輸出的數據寫到磁盤上，即便輸出數據量很小在內存中所有能裝得下，在最後也會把數據刷到磁盤上。

Merge

Map任務若是輸出數據量很大，可能會進行好幾回Spill，out文件和Index文件會產生不少，分佈在不一樣的磁盤上。最後把這些文件進行合併的merge過程閃亮登場。

Merge過程怎麼知道產生的Spill文件都在哪了呢？從全部的本地目錄上掃描獲得產生的Spill文件，而後把路徑存儲在一個數組裏。Merge過程又怎麼知道Spill的索引信息呢？沒錯，也是從全部的本地目錄上掃描獲得Index文件，而後把索引信息存儲在一個列表裏。到這裏，又遇到了一個值得納悶的地方。在以前Spill過程當中的時候爲何不直接把這些信息存儲在內存中呢，何須又多了這步掃描的操做？特別是Spill的索引數據，以前當內存超限以後就把數據寫到磁盤，如今又要從磁盤把這些數據讀出來，仍是須要裝到更多的內存中。之因此畫蛇添足，是由於這時kvbuffer這個內存大戶已經再也不使用能夠回收，有內存空間來裝這些數據了。（對於內存空間較大的土豪來講，用內存來省卻這兩個io步驟仍是值得考慮的。）

而後爲merge過程建立一個叫file.out的文件和一個叫file.out.Index的文件用來存儲最終的輸出和索引。

一個partition一個partition的進行合併輸出。對於某個partition來講，從索引列表中查詢這個partition對應的全部索引信息，每一個對應一個段插入到段列表中。也就是這個partition對應一個段列表，記錄全部的Spill文件中對應的這個partition那段數據的文件名、起始位置、長度等等。

而後對這個partition對應的全部的segment進行合併，目標是合併成一個segment。當這個partition對應不少個segment時，會分批地進行合併：先從segment列表中把第一批取出來，以key爲關鍵字放置成最小堆，而後從最小堆中每次取出最小的輸出到一個臨時文件中，這樣就把這一批段合併成一個臨時的段，把它加回到segment列表中；再從segment列表中把第二批取出來合併輸出到一個臨時segment，把其加入到列表中；這樣往復執行，直到剩下的段是一批，輸出到最終的文件中。

最終的索引數據仍然輸出到Index文件中。

Map端的Shuffle過程到此結束。

Copy

Reduce任務經過HTTP向各個Map任務拖取它所須要的數據。每一個節點都會啓動一個常駐的HTTP server，其中一項服務就是響應Reduce拖取Map數據。當有MapOutput的HTTP請求過來的時候，HTTP server就讀取相應的Map輸出文件中對應這個Reduce部分的數據經過網絡流輸出給Reduce。

Reduce任務拖取某個Map對應的數據，若是在內存中能放得下此次數據的話就直接把數據寫到內存中。Reduce要向每一個Map去拖取數據，在內存中每一個Map對應一塊數據，當內存中存儲的Map數據佔用空間達到必定程度的時候，開始啓動內存中merge，把內存中的數據merge輸出到磁盤上一個文件中。

若是在內存中不能放得下這個Map的數據的話，直接把Map數據寫到磁盤上，在本地目錄建立一個文件，從HTTP流中讀取數據而後寫到磁盤，使用的緩存區大小是64K。拖一個Map數據過來就會建立一個文件，當文件數量達到必定閾值時，開始啓動磁盤文件merge，把這些文件合併輸出到一個文件。

有些Map的數據較小是能夠放在內存中的，有些Map的數據較大須要放在磁盤上，這樣最後Reduce任務拖過來的數據有些放在內存中了有些放在磁盤上，最後會對這些來一個全局合併。

Merge Sort

這裏使用的Merge和Map端使用的Merge過程同樣。Map的輸出數據已是有序的，Merge進行一次合併排序，所謂Reduce端的sort過程就是這個合併的過程。通常Reduce是一邊copy一邊sort，即copy和sort兩個階段是重疊而不是徹底分開的。

Reduce端的Shuffle過程至此結束。