mapreduce的内部核心工作机制Shuffle-maptask生成的数据传输给reducetask的过程(fifteen day)

seven day second 学习了MapReduce的整体工作机制https://blog.csdn.net/ZJX103RLF/article/details/88965770

经过做了几个mapreduce练习，今儿再看看内部的核心工作机制（先学难的再回顾基础）：

 

首先mapreduce是个分布式的，它的第一个工作进程叫maptask（真正的进程名字叫yarn child-->运行的逻辑叫maptask/reducetask）,了解工作机制，主要是看yarn child是怎么工作的，yarn child的启动不是yarn，yarn只是提供一个容器，是由job客户端起的MRAPPMaster(在nodemanager提供的容器中起来的)，MRAPPMaster再去起maptask，  maptask起来以后，会和MRAPPMaster之间保持监控，（如果监控到maptask挂了以后再起一个），接下来maptask产生数据以后，MRAPPMaster会启动若干的reducetask，这个就是整个的流程。

接下来分别了解一下map的yarn child和reduce的yarn child 起来以后是怎么工作的

map：首先对要处理的文件划分任务，划分输入切片：Job客户端负责划分：扫描输入目录中的所有文件，遍历每一个文件，按照128M规格划分范围，最后得到一个ArrayList，再把这个Arraylist序列化成一个文件，就得到了job.split文件。

maptask调TextInputFormat（FIleInputFormat的子类） 方法去读产生的切片文件，得到一个LineRecordReader,然后调里面的next（）方法，每调一次LineRecordReader去读一行数据，把那行数据作为value，把那行的起始偏移量作为key，再把它交给返回值maptask，拿到key，value去调自己写的 例：WorldCountMapper，把得到的传到方法里，然后每调一次next（）都会得到context.write(key,value), 接下来会有一个MapOutputCollector类接收，把收集好的数据缓存起来（环形缓冲区，默认100M），当缓存到整个缓存区的80%时，会有一个spiller线程对缓存里面的数据分区排序（Partitioner/compaerTo）,分区排序完成以后会把文件写到本地磁盘，并且MapOutputCollector会一直给缓冲区写数据，将上次排序溢出到本地的数据覆盖掉，这样就会产生好多溢出文件，而且这些文件区号小的在前面，同区中按key有序，生成这些小文件以后，会调Merge工具把这些小文件合并，合并以后也是分区且有序，同时会生成一个分区索引文件，这个文件会指明数据是从哪个偏移量到哪个偏移量，至此maptask工作已经完成。附图（借的）：

maptask完事以后，会把生成的文件纳入NodeManager的web程序document目录中，reducetask去web程序中http下载自己要的那块文件（搁每一个maptask产生的文件中找自己要的，例：0reducetask找0号区数据）有几个maptask得到几个文件。得到的文件再合并排序变成一个文件，例：0号文件。得到的文件调自己写的WorldCountReduce方法（reduce[key,迭代器，context]），每调一次迭代器，就会迭代文件最开始的值，生成一个临时变量的key和value，一直迭代期间，有一个分组迭代器GroupingComparator进行分组，判断key是否一样，一样迭代，不一样就结束，下一组继续，每一组处理完之后聚合context.write(key,value)拿到数据,再传递到一个工具类TextOutputFormat里的方法（getRecordWriter（）），通过该方法拿到一个LineRecordWriter对象，就是说context.write(key,value)拿到数据会反复传给write(k,v)方法，最后写成一个文件，传到HDFS上

part-r-00000 --> key \t value 附图(借的)：