码迷,mamicode.com
首页 > 其他好文 > 详细

Hadoop基础(二十三):MapTask工作机制

时间:2020-07-19 23:10:43      阅读:67      评论:0      收藏:0      [点我收藏+]

标签:file   info   大量   步骤   解析   数据   partition   排序算法   combine   

MapTask工作机制

MapTask工作机制如图4-12所示。

技术图片

 

 

4-12  MapTask工作机制

1Read阶段:MapTask通过用户编写的RecordReader,从输入InputSplit中解析出一个个key/value。

2Map阶段:该节点主要是将解析出的key/value交给用户编写map()函数处理,并产生一系列新的key/value。

3Collect收集阶段:在用户编写map()函数中,当数据处理完成后,一般会调用OutputCollector.collect()输出结果。在函数内部,它会生成的key/value分区调用Partitioner并写入一个环形内存缓冲区中。

4Spill阶段:即“溢”,当环形缓冲区满后,MapReduce将数据写到本地磁盘上,生成一个临时文件。需要注意的是,将数据写入本地磁盘之前,先要对数据进行一次本地排序,并在必要对数据进行合并压缩等操作

写阶段详情:

步骤1利用快速排序算法对缓存区内的数据进行排序,排序方式是,先按照分区编号Partition进行排序,然后按照key进行排序。这样经过排序后,数据以分区为单位聚集在一起,且同一分区内所有数据按照key有序。

步骤2按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.outN表示当前溢写次数)中。如果用户设置了Combiner,则写入文件之前,对每个分区中数据进行一次聚集操作。

步骤3将分区数据的元信息写到内存索引数据结构SpillRecord中,其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB,则将内存索引写到文件output/spillN.out.index

5Combine阶段:当所有数据处理完成后,MapTask对所有临时文件进行一次合并,以确保最终只会生成一个数据文件。

所有数据处理完后,MapTask会将所有临时文件合并成一个大文件保存到文件output/file.out中,同时生成相应的索引文件output/file.out.index。

进行文件合并过程中,MapTask以分区为单位进行合并。对于某个分区,将采用多轮递归合并的方式每轮合并io.sort.factor(默认10)个文件,并将产生的文件重新加入待合并列表中,对文件排序后,重复以上过程,直到最终得到一个大文件。

每个MapTask最终只生成一个数据文件,可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

 

Hadoop基础(二十三):MapTask工作机制

标签:file   info   大量   步骤   解析   数据   partition   排序算法   combine   

原文地址:https://www.cnblogs.com/qiu-hua/p/13341039.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!