Hadoop和spark為何要對key進行排序

本篇內容介紹了“Hadoop和spark為何要對key進行排序”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

1.思考

只要對hadoop中mapreduce的原理清楚的都熟知下面的整個流程運行原理，其中涉及到至少三次排序，分別是溢寫快速排序，溢寫歸并排序，reduce拉取歸并排序，而且排序是默認的，即天然排序的，那么為什么要這么做的，設計原因是什么。先給個結論，為了整體更穩定，輸出滿足多數需求，前者體現在不是采用hashShuffle而是sortShuffle ,后者體現在預計算，要知道排序后的數據，在后續數據使用時的會方便很多，比如體現索引的地方,如reduce拉取數據時候。

2.MapReduce原理分析

在分析設計原因之前，先理解一下整個過程，在map階段，根據預先定義的partition規則進行分區，map首先將輸出寫到緩存中，當緩存內容達到閾值時，將結果spill到硬盤，每一次spill都會在硬盤產生一個spill文件，因此一個map task可能會產生多個spill文件，其中在每次spill的時候會對key進行排序。接下來進入shuffle階段，當map寫出最后一個輸出，需要在map端進行一次merge操作，按照partition和partition內的key進行歸并排序（合并+排序），此時每個partition內按照key值整體有序。然后開始第二次merge，這次是在reduce端，在此期間數據在內存和磁盤上都有，其實這個階段的merge并不是嚴格意義上的排序，也是跟前面類似的合并+排序，只是將多個整體有序的文件merge成一個大的文件，最終完成排序工作。分析完整個過程后，是不是覺得如果自己實現MapReduce框架的話，考慮用HashMap 輸出map內容即可。

2.1 MapTask運行機制詳解

整個流程圖如下：

詳細步驟：

1. 首先，讀取數據組件InputFormat（默認TextInputFormat）會通過getSplits方法對輸?入?目錄中文件進行邏輯切?片規劃得到splits，有多少個split就對應啟動多少個MapTask。split與block的對應關系默認是?對?。

2. 將輸入文件切分為splits之后，由RecordReader對象（默認LineRecordReader）進行讀取，以\n作為分隔符，讀取?行數據，返回<key，value>。Key表示每?行行?首字符偏移值，value表示這?行文本內容。

3. 讀取split返回<key,value>，進?入?用戶自己繼承的Mapper類中，執行用戶重寫的map函數。RecordReader讀取?行這里調用一次。

4. map邏輯完之后，將map的每條結果通過context.write進?行行collect數據收集。在collect中，會先對其進行分區處理，默認使用HashPartitioner。MapReduce提供Partitioner接口，它的作用就是根據key或value及reduce的數量來決定當前的這對輸出數據最終應該交由哪個reduce task處理。默認對key hash后再以reduce task數量量取模。默認的取模方式只是為了平均reduce的處理能力，如果用戶自己對Partitioner有需求，可以訂制并設置到job上。

5. 接下來，會將數據寫入內存，內存中這?片區域叫做環形緩沖區，緩沖區的作用是批量量收集map結果，減少磁盤IO的影響。我們的key/value對以及Partition的結果都會被寫?入緩沖區。當然寫?入之前，key與value值都會被序列列化成字節數組

• 環形緩沖區其實是一個數組，數組中存放著key、value的序列化數據和key、value的元數據信息，包括partition、key的起始位置、value的起始位置以及value的長度。環形結構是一個抽象概念。

• 緩沖區是有大小限制，默認是100MB。當map task的輸出結果很多時，就可能會撐爆內存，所以需要在一定條件下將緩沖區中的數據臨時寫?入磁盤，然后重新利利?用這塊緩沖區。這個從內存往磁盤寫數據的過程被稱為Spill，中文可譯為溢寫。這個溢寫是由單獨線程來完成，不影響往緩沖區寫map結果的線程。溢寫線程啟動時不不應該阻?止map的結果輸出，所以整個緩沖區有個溢寫的?比例例spill.percent。這個?比例例默認是0.8，也就是當緩沖區的數據已經達到閾值（buffer size * spillpercent = 100MB * 0.8 = 80MB），溢寫線程啟動，鎖定這80MB的內存，執行溢寫過程Maptask的輸出結果還可以往剩下的20MB內存中寫，互不不影響、

6. 當溢寫線程啟動后，需要對這80MB空間內的key做排序(Sort)。排序是MapReduce模型默認的?行行為!

• 如果job設置過Combiner，那么現在就是使?用Combiner的時候了了。將有相同key的key/value對的value加起來，減少溢寫到磁盤的數據量量。Combiner會優化MapReduce的中間結果，所以它在整個模型中會多次使用。

• 那哪些場景才能使?用Combiner呢？從這?里里分析，Combiner的輸出是Reducer的輸?，Combiner絕不不能改變最終的計算結果。Combiner只應該?用于那種Reduce的輸入key/value與輸出key/value類型完全一致，且不不影響最終結果的場景。?比如累加，最?大值等。Combiner的使?用一定得慎重如果用的好，它對job執?行行效率有幫助，反之會影響reduce的最終結果

7. 合并溢寫文件：每次溢寫會在磁盤上生成一個臨時文件（寫之前判斷是否有combiner），如果map的輸出結果真的很大，有多次這樣的溢寫發生，磁盤上相應的就會有多個臨時文件存在。當整個數據處理理結束之后開始對磁盤中的臨時文件進?行行merge合并，因為最終文件只有一個，寫?磁盤，并且為這個文件提供了一個索文件，以記錄每個reduce對應數據的偏移量量。

2.2 ReduceTask運行機制詳解

Reduce?大致分為copy、sort、reduce三個階段，重點在前兩個階段。copy階段包含?一個 eventFetcher來獲取已完成的map列列表，由Fetcher線程去copy數據，在此過程中會啟動兩個merge線程，分別為inMemoryMerger和onDiskMerger，分別將內存中的數據merge到磁盤和將磁盤中的數據進?merge。待數據copy完成之后，copy階段就完成了，開始進?行行sort階段，sort階段主要是執?finalMerge操作，純粹的sort階段，完成之后就是reduce階段，調?用?用戶定義的reduce函數進?處理。 詳細步驟

2.2.1 Copy階段

簡單地拉取數據。Reduce進程啟動一些數據copy線程(Fetcher)，通過HTTP方式請求maptask獲取屬于自己的文件。

2.2.2 Merge階段

Merge階段。這?里里的merge如map端的merge動作，只是數組中存放的是不不同map端copy來的數值。Copy過來的數據會先放入內存緩沖區中，這?里里的緩沖區大小要?比map端的更更為靈活。merge有三種形式：內存到內存；內存到磁盤；磁盤到磁盤。默認情況下第?一種形式不不啟?用。當內存中的數據量量到達一定閾值，就啟動內存到磁盤的merge。與map 端類似，這也是溢寫的過程，這個過程中如果你設置有Combiner，也是會啟?用的，然后在磁盤中生成了了眾多的溢寫文件。第二種merge方式?一直在運?行行，直到沒有map端的數據時才結束，然后啟動第三種磁盤到磁盤的merge方式生成最終的文件。

2.2.3 合并排序

把分散的數據合并成一個?大的數據后，還會再對合并后的數據排序。對排序后的鍵值對調?用reduce方法，鍵相等的鍵值對調?用一次reduce方法，每次調?用會產生零個或者多個鍵值對，最后把這些輸出的鍵值對寫入到HDFS文件中。

“Hadoop和spark為何要對key進行排序”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！