前段時間我們雲計算團隊一起學習了hadoop相關的知識，大家都積極地做了、學了很多東西，收穫頗豐。可是開學後，大家都忙各自的事情，雲計算方面的動靜都不太大。呵呵~不過最近在胡老大的號召下，我們雲計算團隊重振旗鼓了，希望大夥仍高舉“雲在手，跟我走”的口號戰鬥下去。這篇博文就算是我們團隊“重啓雲計算”的見證吧，也希望有更多優秀的文章出爐。湯帥，亮仔，謝總•••搞起來啊！
呵呵，下面我們進入正題，這篇文章主要分析以下兩點內容：
目錄：
1.MapReduce作業運行流程
2.Map、Reduce任務中Shuffle和排序的過程
正文：
1.MapReduce作業運行流程
下面貼出我用visio2010畫出的流程示意圖：
流程分析：
1.在客戶端啓動一個作業。
2.向JobTracker請求一個Job ID。
3.將運行作業所需要的資源文件複製到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客戶端計算所得的輸入劃分信息。這些文件都存放在JobTracker專門爲該作業創建的文件夾中。文件夾名爲該作業的Job ID。JAR文件默認會有10個副本（mapred.submit.replication屬性控制）；輸入劃分信息告訴了JobTracker應該爲這個作業啓動多少個map任務等信息。
4.JobTracker接收到作業後，將其放在一個作業隊列裏，等待作業調度器對其進行調度（這裏是不是很像微機中的進程調度呢，呵呵），當作業調度器根據自己的調度算法調度到該作業時，會根據輸入劃分信息爲每個劃分創建一個map任務，並將map任務分配給TaskTracker執行。對於map和reduce任務，TaskTracker根據主機核的數量和內存的大小有固定數量的map槽和reduce槽。這裏需要強調的是：map任務不是隨隨便便地分配給某個TaskTracker的，這裏有個概念叫：數據本地化（Data-Local）。意思是：將map任務分配給含有該map處理的數據塊的TaskTracker上，同時將程序JAR包複製到該TaskTracker上來運行，這叫“運算移動，數據不移動”。而分配reduce任務時並不考慮數據本地化。
5.TaskTracker每隔一段時間會給JobTracker發送一個心跳，告訴JobTracker它依然在運行，同時心跳中還攜帶着很多的信息，比如當前map任務完成的進度等信息。當JobTracker收到作業的最後一個任務完成信息時，便把該作業設置成“成功”。當JobClient查詢狀態時，它將得知任務已完成，便顯示一條消息給用戶。
以上是在客戶端、JobTracker、TaskTracker的層次來分析MapReduce的工作原理的，下面我們再細緻一點，從map任務和reduce任務的層次來分析分析吧。
2.Map、Reduce任務中Shuffle和排序的過程
同樣貼出我在visio中畫出的流程示意圖：
流程分析：
Map端：
1．每個輸入分片會讓一個map任務來處理，默認情況下，以HDFS的一個塊的大小（默認爲64M）爲一個分片，當然我們也可以設置塊的大小。map輸出的結果會暫且放在一個環形內存緩衝區中（該緩衝區的大小默認爲100M，由io.sort.mb屬性控制），當該緩衝區快要溢出時（默認爲緩衝區大小的80%，由io.sort.spill.percent屬性控制），會在本地文件系統中創建一個溢出文件，將該緩衝區中的數據寫入這個文件。
2．在寫入磁盤之前，線程首先根據reduce任務的數目將數據劃分爲相同數目的分區，也就是一個reduce任務對應一個分區的數據。這樣做是爲了避免有些reduce任務分配到大量數據，而有些reduce任務卻分到很少數據，甚至沒有分到數據的尷尬局面。其實分區就是對數據進行hash的過程。然後對每個分區中的數據進行排序，如果此時設置了Combiner，將排序後的結果進行Combia操作，這樣做的目的是讓儘可能少的數據寫入到磁盤。
3．當map任務輸出最後一個記錄時，可能會有很多的溢出文件，這時需要將這些文件合併。合併的過程中會不斷地進行排序和combia操作，目的有兩個：1.儘量減少每次寫入磁盤的數據量；2.儘量減少下一複製階段網絡傳輸的數據量。最後合併成了一個已分區且已排序的文件。爲了減少網絡傳輸的數據量，這裏可以將數據壓縮，只要將mapred.compress.map.out設置爲true就可以了。
4．將分區中的數據拷貝給相對應的reduce任務。有人可能會問：分區中的數據怎麼知道它對應的reduce是哪個呢？其實map任務一直和其父TaskTracker保持聯繫，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整個集羣中的宏觀信息。只要reduce任務向JobTracker獲取對應的map輸出位置就ok了哦。
到這裏，map端就分析完了。那到底什麼是Shuffle呢？Shuffle的中文意思是“洗牌”，如果我們這樣看：一個map產生的數據，結果通過hash過程分區卻分配給了不同的reduce任務，是不是一個對數據洗牌的過程呢？呵呵。
Reduce端：
1．Reduce會接收到不同map任務傳來的數據，並且每個map傳來的數據都是有序的。如果reduce端接受的數據量相當小，則直接存儲在內存中（緩衝區大小由mapred.job.shuffle.input.buffer.percent屬性控制，表示用作此用途的堆空間的百分比），如果數據量超過了該緩衝區大小的一定比例（由mapred.job.shuffle.merge.percent決定），則對數據合併後溢寫到磁盤中。
2．隨着溢寫文件的增多，後臺線程會將它們合併成一個更大的有序的文件，這樣做是爲了給後面的合併節省時間。其實不管在map端還是reduce端，MapReduce都是反覆地執行排序，合併操作，現在終於明白了有些人爲什麼會說：排序是hadoop的靈魂。
3．合併的過程中會產生許多的中間文件（寫入磁盤了），但MapReduce會讓寫入磁盤的數據儘可能地少，並且最後一次合併的結果並沒有寫入磁盤，而是直接輸入到reduce函數。
