13518219792
本篇内容介绍了“MapReduce流程有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
MapReduce是一个基于yarn的分布式、离线、并行的计算框架，主要职责是处理海量数据集，是Hadoop生态圈中一个非常重要的一个工具，所以MapReduce是大数据学习的一个很关键的知识点，需要大家好好掌握！
MapReduce其中包含许多组件，但最主要的还是Job提交和Map、Reduce的全流程这两个部分,学习中只要把握好这两条主线理清楚细节串成一个知识体系，那么MapReduce的学习就会得心应手了。关于Job作业的提交流程在Hadoop权威指南这本书上有相当详细的步骤解析和图示说明，那么这次总结主要关于MapReduce过程中海量数据是怎么被提取并在MapTask和ReduceTask中被处理，以及其中涉及运用的组件，让我们一起来看看吧。
上面的图从整体上描述了整个MapRduce流程，大致分为五个步骤
1、input（map端读取分片数据）--->2、Map处理--->3、shuffle过程--->4、reduce处理--->5、output（reduce端输出处理结果）现在我们一步步来分析解释这个过程。注：MP的整个过程中数据结构为:key-value
1、Map端读取数据：
a、在读取之前，客户端会对数据进行切片处理，分片机制如下，一个分片对应一个map，可调整客户端的块大小，minSize，maxSize改变map数量，minSize默认值是1，maxSize默认是long的大值
b、如下图所示，先对数据进行TextInputFormat格式化，然后lineRecordReader循环调用
nextKeyValue、getCurrentKey、getCurrentValue等方法将数据以
c、切片读取细节：每次读取都往下多读取一行(第一个切片)；下一个切片永远抛弃第一行；最后一个切片不能多读一行
2、Map处理
a、在Map端，调用我们按照业务逻辑编写的map()方法，每一行调用一次map()方法对数据进行处理，有且仅有一次，分别在调用map方法前调用setup()方法和在在调用map方法后调用cleanup()方法
在这个阶段，数据会被分解成一个个
b、在这个阶段，可以有一个combiner过程，将数据进行局部整合（当数据量太大时），combiner能调用
3、shuffle过程：是指数据从Map端输出到Reduce端输入这中间对数据的操作过程（数据分区、排序、缓存）
a、输出从map端输出后，会进入到outputCollector,一个数据收集器，然后由数据收集器将数据传进一个有20%保留区的环形缓冲区(一般是100M)
b、当数据在环形缓冲区溢出时，会有一个spiller溢出器，在溢出器中会将数据调用getPartition(k,v,num)方法分区，然后根据hashcode在分区内进行快速排序，之后将数据发往Reduce
4、reduce处理
a、经过shuffle过程处理的数据，是分区并排序的index索引文件，而reducetask框架从文件中读取一个key传递给reduce方法，同时传一个value迭代器
b、Value迭代器的hasnext方法会判断文件中的下一个key是否是传入时的key（如果是，则返回该value，如果不是，则停止，转而调用下一个key）
c、看起来的效果，reducetask是将数据事先分组，每组调用一次reduce方法（其实不是）
d、reducetask处理完后，将所有分区文件进行归并排序生成大文件输出（默认输出到hdfs）
e、
5、output（reduce端输出处理结果）
对数据进行TextOutputFormat处理，然后lineRecordWritor循环调用
nextKeyValue、getCurrentKey、getCurrentValue，输出到外部文件系统（hdfs）
“MapReduce流程有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
