關注公眾號，大家可以在公眾號後臺回覆“部落格園”，免費獲得作者 Java 知識體系/面試必看資料。
前言
前面我們講了 MapReduce 的程式設計模型，我們知道他主要分成兩大階段來完成一項任務，一是 map 階段對我們的資料進行分開計算，第二是 reduce 階段，對 map 階段計算產生的結果再進行彙總。
還寫了一個非常經典的，類似於Java 中 HelloWorld 一樣的 WordCount 程式碼。今天我們就根據這個程式碼來闡述整個 MapReduce 的執行過程。
先苦口婆心的告訴你，這個知識點是非常非常非常之重要，之前面的 5 家公司，有 3 家公司都問了這個過程，另外兩家問了 Yarn 的執行機制，這是後面會去講的內容，你必須得懂大體的流程是怎麼樣子，如果能去研究搞清楚每個細節，那當然最好的。
從資料進如到處理程式到處理完成後輸出到儲存中，整個過程我們大體分為如下 5 個階段：
-
Input Split 或 Read 資料階段
Input Split，是從資料分片出發，把資料輸入到處理程式中。Read 則是從處理程式出發反向來看，把資料從檔案中讀取到處理程式中來。這個階段表達的是我們資料從哪裡來。這是整個過程的開始。
-
Map階段
當資料輸入進來以後，我們進行的是 map 階段的處理。例如對一行的單詞進行分割，然後每個單詞進行計數為 1 進行輸出。
-
Shuffle 階段
Shuffle 階段是整個 MapReduce 的核心，介於 Map 階段跟 Reduce 階段之間。在 Spark 中也有這個概念，可以說你理解了這個概念，到時候再學習其他的大資料計算框架原理的時候，會給你帶來非常大的幫助，因為他們大多理念是相同的，下面會重點講解這個過程。
-
Reduce 階段
資料經過 Map 階段處理，資料再經過 Shuffle 階段，最後到 Reduce ，相同的 key 值的資料會到同一個 Reduce 任務中進行最後的彙總。
-
Output 階段
這個階段的事情就是將 Reduce 階段計算好的結果，儲存到某個地方去，這是整個過程的結束。
整個執行流程圖
一圖勝千言：
如果看不清晰，我上傳了一份完整的在 gayHub 上面，地址：
(https://raw.githubusercontent.com/heyxyw/bigdata/master/bigdatastudy/doc/img/mapreduce/mr-Implementation-process.png)
當然了，不太瞭解或者剛接觸可能一開始看比較懵逼，我剛開始也是。下面我們就一塊一塊的來拆分講解，最後差不多就明白了。
Input Split 資料階段
Input Split 顧明思議，輸入分片 ,為什麼我們會叫 輸入分片呢？因為資料在進行 Map 計算之前，MapReduce 會根據輸入檔案進行切分，因為我們需要分散式的進行計算嘛，那麼我得計算出來我的資料要切成多少片，然後才好去對每片資料分配任務去處理。
每個輸入分片會對應一個 Map 任務，輸入分片儲存的並非資料本身，而是一個分片長度和一個記錄資料的位置資料，它往往是和 HDFS 的 block(塊) 進行關聯的。
假如我們設定每個 HDFS 的塊大小是 128M，如果我們現在有3個檔案，大小分別是 10M，129M，200M，那麼MapReduce 對把 10M 的檔案分為一個分片，129M 的資料檔案分為2個分片，200M 的檔案也是分為兩個分片。那麼此時我們就有 5 個分片，就需要5個 Map 任務去處理，而且資料還是不均勻的。
如果有非常多的小檔案，那麼就會產生大量的 Map 任務，處理效率是非常低下的。
這個階段使用的是 InputFormat 元件，它是一個介面 ，預設使用的是 TextInputFormat 去處理，他會呼叫 readRecord() 去讀取資料。
這也是MapReduce 計算優化的一個非常重要的一個點，**面試被考過**。如何去優化這個小檔案的問題呢？
-
最好的辦法：在資料處理系統的最前端（預處理、採集），就將小檔案先進行合併了，再傳到 HDFS 中去。
-
補救措施：如果已經存在大量的小檔案在HDFS中了，可以使用另一種 InputFormat 元件CombineFileInputFormat 去解決，它的切片方式跟 TextInputFormat 不同，它會將多個小檔案從邏輯上規劃到一個切片中，這樣，多個小檔案就可以交給一個 Map 任務去處理了。
Map階段
將 Map 階段的輸出作為 Reduce 階段的輸入的過程就是 Shuffle 。 這也是整個 MapReduce 中最重要的一個環節。
一般MapReduce 處理的都是海量資料，Map 輸出的資料不可能把所有的資料都放在記憶體中，當我們在map 函式中呼叫 context.write() 方法的時候，就會呼叫 OutputCollector 元件把資料寫入到處於記憶體中的一個叫環形緩衝區的東西。
環形緩衝區預設大小是 100M ，但是隻寫80%，同時map還會為輸出操作啟動一個守護執行緒，當到資料達到80%的時候，守護執行緒開始清理資料，把資料寫到磁碟上，這個過程叫 spill 。
資料在寫入環形緩衝區的時候，資料會預設根據key 進行排序，每個分割槽的資料是有順序的，預設是 HashPartitioner。當然了，我們也可以去自定義這個分割槽器。
每次執行清理都產生一個檔案，當 map 執行完成以後，還會有一個合併檔案檔案的過程，其實他這裡跟 Map 階段的輸入分片（Input split）比較相似，一個 Partitioner 對應一個 Reduce 作業，如果只有一個 reduce 操作，那麼 Partitioner 就只有一個，如果有多個 reduce 操作，那麼 Partitioner 就有多個。Partitioner 的數量是根據 key 的值和 Reduce 的數量來決定的。可以通過 job.setNumReduceTasks() 來設定。
這裡還有一個可選的元件 Combiner ,溢位資料的時候如果呼叫 Combiner 元件，它的邏輯跟 reduce 一樣，相同的key 先把 value 進行相加，前提是合併並不會改變業務，這樣就不糊一下傳輸很多相同的key 的資料，從而提升效率。
舉個例子，在溢位資料的時候，預設不使用 Combiner，資料是長這樣子： <a,1>,<a,2>,<c,4>。 當使用 Combiner 元件時，資料則是： <a,3>,<c,4> 。把 a 的資料進行了合併。
Reduce 階段
在執行 Reduce 之前，Reduce 任務會去把自己負責分割槽的資料拉取到本地，還會進行一次歸併排序並進行合併。
Reduce 階段中的 reduce 方法，也是我們自己實現的邏輯，跟Map 階段的 map 方法一樣，只是在執行 reduce 函式的時候，values 為 同一組 key 的value 迭代器。在 wordCount 的例子中，我們迭代這些資料進行疊加。最後呼叫 context.write 函式，把單詞和總數進行輸出。
Output 階段
在 reduce 函式中呼叫 context.write 函式時，會呼叫 OutPutFomart 元件，預設實現是 TextOutPutFormat ，把資料輸出到目標儲存中，一般是 HDFS。
擴充套件
上面我們只是講解了大體的流程，這裡給大家拋幾個問題？也是面試中經常被問到的。
1. 檔案切分是怎麼切的？一個檔案到底會切成幾分？演算法是怎麼樣的？
2. Map 任務的個數是怎麼確定的？
上面的問題，給大家貼兩個連結：
MapReduce Input Split（輸入分/切片）詳解：
https://blog.csdn.net/dr_guo/article/details/51150278
原始碼解析 MapReduce作業切片(Split)過程：
https://blog.csdn.net/u010010428/article/details/51469994
總結
MapReduce 的執行流程到這裡就大致講解完成了，希望你也能畫出來上面的大圖。能夠理解到大體的流程，並能掌握關鍵的環節 Shuffle 。以後你還會在其他的大資料元件上聽到這個詞。
後面將給大家帶來 Yarn 的大致執行機制，然後再為大家講解 WordCount 執行的整個過程。
敬請期待。
Java 極客技術公眾號，是由一群熱愛 Java 開發的技術人組建成立，專注分享原創、高質量的 Java 文章。如果您覺得我們的文章還不錯，請幫忙讚賞、在看、轉發支援，鼓勵我們分享出更好的文章。
