hadoop核心逻辑shuffle代码分析-map端

首先要推荐一下：http://www.alidata.org/archives/1470

阿里的大牛在上面的文章中比较详细的介绍了shuffle过程中mapper和reduce的每个过程，强烈推荐先读一下。

 

不过，上文没有写明一些实现的细节，比如：spill的过程，mapper生成文件的 partition是怎么做的等等，相信有很多人跟我一样在看了上面的文章后还是有很多疑问，我也是带着疑问花了很久的看了cdh4.1.0版本 shuffle的逻辑，整理成本文，为以后回顾所用。

 

 首先用一张图展示下map的流程：

 
在上图中，我们假设此次mapreduce有多个mapper和2个reducer，p0 p1分别代表该数据应该分配到哪个reducer端。我将mapper的过程大致分为5个过程。
 
1.prepare Input。
Mapreduce程序都需要指定输入文件，输入的格式有很多种，最常见的是保存 在hdfs上的文本文件。在用户提交job到jobtrack(ResourceManager)前的job就会根据用户的输入文件计算出需要多少 mapper，多少reducer，mapper的输入InputSplit有多大，block块名称等。mapper在prepare input阶段只需要根据inputFormat类型创建对应的RecordReader打开对应的inputSplit分片即可。如果job配置了 combiner还需初始化combiner。代码见MapTask类run方法
 
2.mapper process
这里的mapper指用户使用或自己继承的mapper类，这也是所有初学mapreduce的同学首先看到的类。
[java] view plaincopy
  1. <span style="font-size:18px;">  /** 
  2.    * Called once for each key/value pair in the input split. Most applications 
  3.    * should override this, but the default is the identity function. 
  4.    */  
  5.   @SuppressWarnings("unchecked")  
  6.   protected void map(KEYIN key, VALUEIN value,   
  7.                      Context context) throws IOException, InterruptedException {  
  8.     context.write((KEYOUT) key, (VALUEOUT) value);  
  9.   }  
  10. </span>  
可以看到mapper默认的map方法就是取出key，value并放到context对象中。context对象包装了一个内存中的buf，下面会介绍。
[java] view plaincopy
  1. <span style="font-size:18px;">public void run(Context context) throws IOException, InterruptedException {  
  2.     setup(context);  
  3.     while (context.nextKeyValue()) {  
  4.       map(context.getCurrentKey(), context.getCurrentValue(), context);  
  5.     }  
  6.     cleanup(context);  
  7.   }</span>  
run方法就是mapper实际运行的过程：不停的从context的inputSplit对象中取出keyvalue对，通过map方法处理再保存到context包装的内存buf中。
 
3.buffer in memery
key value在写入context中后实际是写入MapOutputBuffer类中。在第一个阶段的初始化过程中，MapOutputBuffer类会根据配置文件初始化内存buffer，我们来看下都有哪些参数：
[java] view plaincopy
  1. <span style="font-size:18px;">partitions = job.getNumReduceTasks();  
  2.       rfs = ((LocalFileSystem)FileSystem.getLocal(job)).getRaw();  
  3.   
  4.       //sanity checks  
  5.       final float spillper =  
  6.         job.getFloat(JobContext.MAP_SORT_SPILL_PERCENT, (float)0.8);  
  7.       final int sortmb = job.getInt(JobContext.IO_SORT_MB, 100);  
  8.       indexCacheMemoryLimit = job.getInt(JobContext.INDEX_CACHE_MEMORY_LIMIT,  
  9.                                          INDEX_CACHE_MEMORY_LIMIT_DEFAULT);  
  10.       if (spillper > (float)1.0 || spillper <= (float)0.0) {  
  11.         throw new IOException("Invalid \"" + JobContext.MAP_SORT_SPILL_PERCENT +  
  12.             "\": " + spillper);  
  13.       }  
  14.       if ((sortmb & 0x7FF) != sortmb) {  
  15.         throw new IOException(  
  16.             "Invalid \"" + JobContext.IO_SORT_MB + "\": " + sortmb);  
  17.       }  
  18.       sorter = ReflectionUtils.newInstance(job.getClass("map.sort.class",  
  19.             QuickSort.class, IndexedSorter.class), job);</span>  
partition：mapper的数据需要分配到reduce端的个数，由用户的job指定，默认为1.
spillper：内存buf使用到此比例就会触发spill，将内存中的数据flush成一个文件。默认为0.8
sortmb：内存buf的大小，默认100MB
indexCacheMemoryLimit：内存index的大小。默认为1024*1024
sorter：对mapper输出的key的排序，默认是快排
 
内存buffer比较复杂，贴一张图介绍一下这块内存buf的结构：
当一对keyvalue写入时首先会从wrap buf的右侧开始往左写，同时，会把一条keyvalue的meta信息（partition，keystart，valuestart）写入到最左边的 index区域。当wrap buf大小达到spill的触发比例后会block写入，挖出一部分数据开始spill，直到spill完成后才能继续写，不过写入位置不会置零，而是类 似循环buf那样，在spill掉数据后可以重复利用内存中的buf区域。
 
这里单独讲一下partition：
[java] view plaincopy
  1. <span style="font-size:18px;">@Override  
  2.     public void write(K key, V value) throws IOException, InterruptedException {  
  3.       collector.collect(key, value,  
  4.                         partitioner.getPartition(key, value, partitions));  
  5.     }</span>  

在keyvalue对写入MapOutputBuffer时会调用 partitioner.getPartition方法计算partition即应该分配到哪个reducer，这里的partition只是在内存的 buf的index区写入一条记录而已，和下一个部分的partition不一样哦。看下默认的partitioner：HashPartition

[java] view plaincopy
  1. <span style="font-size:18px;">/** Use {@link Object#hashCode()} to partition. */  
  2.   public int getPartition(K key, V value,  
  3.                           int numReduceTasks) {  
  4.     return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;  
  5.   }</span>  

HashPartition只是把key hash后按reduceTask的个数取模，因此一般来说，不同的key分配到哪个reducer是随即的！所以，reducer内的所有数据是有序的，但reducer之间的数据却是乱序的！要想数据整体排序，要不只设一个reducer，要不使用TotalOrderPartitioner！

 
4.Partition Sort Store
在第四步中，partition是和sort一起做的，负责Spill的线程在拿到一段内存buf后会调用QuickSort的sort方法进行内存中的快排。
[java] view plaincopy
  1. <span style="font-size:18px;">sorter.sort(MapOutputBuffer.this, mstart, mend, reporter);</span>  
排序的算法是先按keyvalue记录的partition排序后按key的compare方法：
[java] view plaincopy
  1. <span style="font-size:18px;">public int compare(final int mi, final int mj) {  
  2.       final int kvi = offsetFor(mi % maxRec);  
  3.       final int kvj = offsetFor(mj % maxRec);  
  4.       final int kvip = kvmeta.get(kvi + PARTITION);  
  5.       final int kvjp = kvmeta.get(kvj + PARTITION);  
  6.       // sort by partition  
  7.       if (kvip != kvjp) {  
  8.         return kvip - kvjp;  
  9.       }  
  10.       // sort by key  
  11.       return comparator.compare(kvbuffer,  
  12.           kvmeta.get(kvi + KEYSTART),  
  13.           kvmeta.get(kvi + VALSTART) - kvmeta.get(kvi + KEYSTART),  
  14.           kvbuffer,  
  15.           kvmeta.get(kvj + KEYSTART),  
  16.           kvmeta.get(kvj + VALSTART) - kvmeta.get(kvj + KEYSTART));  
  17.     }</span>  
因此，mapper输出的keyvalue首先是按partition聚合。而我们如果指定key的compare方法会在这里生效并进行排序。最后，一次spill的输出文件类似下图。
在对内存中的buf排序后开始写文件。
[java] view plaincopy
  1. <span style="font-size:18px;">for (int i = 0; i < partitions; ++i) {  
  2.           IFile.Writer<K, V> writer = null;  
  3.           try {  
  4.             long segmentStart = out.getPos();  
  5.             writer = new Writer<K, V>(job, out, keyClass, valClass, codec,  
  6.                                       spilledRecordsCounter);  
  7.             if (combinerRunner == null) {  
  8.               // spill directly  
  9.               DataInputBuffer key = new DataInputBuffer();  
  10.               while (spindex < mend &&  
  11.                   kvmeta.get(offsetFor(spindex % maxRec) + PARTITION) == i) {  
  12.                 final int kvoff = offsetFor(spindex % maxRec);  
  13.                 key.reset(kvbuffer, kvmeta.get(kvoff + KEYSTART),  
  14.                           (kvmeta.get(kvoff + VALSTART) -  
  15.                            kvmeta.get(kvoff + KEYSTART)));  
  16.                 getVBytesForOffset(kvoff, value);  
  17.                 writer.append(key, value);  
  18.                 ++spindex;  
  19.               }  
  20.             } else {  
  21.               int spstart = spindex;  
  22.               while (spindex < mend &&  
  23.                   kvmeta.get(offsetFor(spindex % maxRec)  
  24.                             + PARTITION) == i) {  
  25.                 ++spindex;  
  26.               }  
  27.               // Note: we would like to avoid the combiner if we've fewer  
  28.               // than some threshold of records for a partition  
  29.               if (spstart != spindex) {  
  30.                 combineCollector.setWriter(writer);  
  31.                 RawKeyValueIterator kvIter =  
  32.                   new MRResultIterator(spstart, spindex);  
  33.                 combinerRunner.combine(kvIter, combineCollector);  
  34.               }  
  35.             }</span>  
如果job没有定义combiner则直接写文件，如果有combiner则在这里进行combine。
在生成spill文件后还会将此次spillRecord的记录写在一个index文件中。
[java] view plaincopy
  1. <span style="font-size:18px;">Path indexFilename =  
  2.               mapOutputFile.getSpillIndexFileForWrite(numSpills, partitions  
  3.                   * MAP_OUTPUT_INDEX_RECORD_LENGTH);  
  4.           spillRec.writeToFile(indexFilename, job);</span>  
[java] view plaincopy
  1. <span style="font-size:18px;">rec.startOffset = segmentStart;  
  2.             rec.rawLength = writer.getRawLength();  
  3.             rec.partLength = writer.getCompressedLength();  
  4.             spillRec.putIndex(rec, i);</span>  
 
5.merge
当mapper执行完毕后，就进入merge阶段。首先看下相关的配置参数：
[java] view plaincopy
  1. <span style="font-size:18px;">int mergeFactor = job.getInt(JobContext.IO_SORT_FACTOR, 100);</span>  
mergeFactor：同时merge的文件数。
 
merge阶段的目的是将多个spill生成的中间文件合并为一个输出文件，这里 的合并不同于combiner，无论有没有配置combiner这里的merge都会执行。merge阶段的输出是一个数据文件 MapFinalOutputFile和一个index文件。看下相关代码：
[java] view plaincopy
  1. <span style="font-size:18px;">RawKeyValueIterator kvIter = Merger.merge(job, rfs,  
  2.                          keyClass, valClass, codec,  
  3.                          segmentList, mergeFactor,  
  4.                          new Path(mapId.toString()),  
  5.                          job.getOutputKeyComparator(), reporter, sortSegments,  
  6.                          null, spilledRecordsCounter, sortPhase.phase());  
  7.   
  8.           //write merged output to disk  
  9.           long segmentStart = finalOut.getPos();  
  10.           Writer<K, V> writer =  
  11.               new Writer<K, V>(job, finalOut, keyClass, valClass, codec,  
  12.                                spilledRecordsCounter);  
  13.           if (combinerRunner == null || numSpills < minSpillsForCombine) {  
  14.             Merger.writeFile(kvIter, writer, reporter, job);  
  15.           } else {  
  16.             combineCollector.setWriter(writer);  
  17.             combinerRunner.combine(kvIter, combineCollector);  
  18.           }</span>  
说 下merge的算法。每个spill生成的文件中keyvalue都是有序的，但不同的文件却是乱序的，类似多个有序文件的多路归并算法。Merger分 别取出需要merge的spillfile的最小的keyvalue，放入一个内存堆中，每次从堆中取出一个最小的值，并把此值保存到merge的输出文 件中。这里和hbase中scan的算法非常相似，在分布式系统中多路归并排序真是当红小生啊！
这里merge时不同的partition的key是不会比较的，只有相同的partition的keyvalue才会进行排序和合并。最后的输出文件类似下图。
如果用户定义了combiner，在merge的过程中也会进行combine， 因为虽然第四步中combine过但那只是部分输入的combine，在merge时仍然需要combine。这里有人问了，既然这里有 combiner，为啥在spill输出时还要combine纳，我认为是因为每次combine都会大大减少输出文件的大小，spill时就 combine能减少一定的IO操作。
 
在merge完后会把不同partition的信息保存进一个index文件以便之后reducer来拉自己部分的数据。
[java] view plaincopy
  1. <span style="font-size:18px;">// record offsets  
  2.           rec.startOffset = segmentStart;  
  3.           rec.rawLength = writer.getRawLength();  
  4.           rec.partLength = writer.getCompressedLength();  
  5.           spillRec.putIndex(rec, parts);</span>  

最后，我们再对mapper过程中的要点总结一下：
1.对map输出<key,value>的分区（partition）是在写入内存buf前就做好的了，方法是对key的hash。我们可以通过继承Partitioner类自己实现分区，将自己想要的数据分到同一个reducer中。
2.写入内存buf速度是非常快的，但spill过程会block写入。因此，对内存buf相关参数的调优是mapreduce调优的重点之一。
3.对数据的排序是基于MapOutKey排序的，因此，我们可以重载对应的方法实现customize的排序顺序

4.combine在spill和merge中都是进行。多次的combine会减少mapreduce中的IO操作，如果使用得当会很好的提高性能。但需要注意的是要深刻理解combine的意义，比如平均值就不适合用combine。

posted @ 2014-07-29 11:01  弹着钢琴设计  阅读(470)  评论(0)  编辑  收藏  举报