MapReduce⼯作原理图⽂详解
前⾔：
MapReduce是⼀种编程模型，⽤于⼤规模数据集（⼤于1TB）的并⾏运算。概念"Map（映射）"和"Reduce（归约）"，和它们的主要思想，都是从函数式编程语⾔⾥借来的，还有从⽮量编程语⾔⾥借来的特性。它极⼤地⽅便了编程⼈员在不会分布式并⾏编程的情况下，将⾃⼰的程序运⾏在上。当前的软件实现是指定⼀个Map（映射）函数，⽤来把⼀组键值对映射成⼀组新的键值对，指定并发的Reduce（归约）函数，⽤来保证所有映射的键值对中的每⼀个共享相同的键组。
呵呵，下⾯我们进⼊正题，这篇⽂章主要分析以下两点内容：
⽬录：
1.MapReduce作业运⾏流程
2.Map、Reduce任务中Shuffle和排序的过程
正⽂：
1.MapReduce作业运⾏流程
下⾯贴出我⽤visio2010画出的流程⽰意图：
流程分析：
1.在客户端启动⼀个作业。
2.向JobTracker请求⼀个Job ID。
3.将运⾏作业所需要的资源⽂件复制到HDFS上，包括MapReduce程序打包的JAR⽂件、配置⽂件和客户端计算所得的输⼊划分信息。这些⽂件都存放在JobTracker专门为该作业创建的⽂件夹中。⽂件夹名为该作业的Job ID。JAR⽂件默认会有10个副本（plication属性控制）；输⼊划分信息告诉了JobTracker应该为这个作业启动多少个map任务等信息。
4.JobTracker接收到作业后，将其放在⼀个作业队列⾥，等待作业调度器对其进⾏调度（这⾥是不是很像微机中的进程调度呢，呵呵），当作业调度器根据⾃⼰的调度算法调度到该作业时，会根据输⼊划分信息为每个划分创建⼀个map任务，并将map任务分配给TaskTracker执⾏。对于map和reduce任务，TaskTracker根据主机核的数量和内存的⼤⼩有固定数量的map 槽和reduce槽。这⾥需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这⾥有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运⾏，这叫“运算移动，数据不移动”。⽽分配reduce任务时并不考虑数据本地化。
5.TaskTracker每隔⼀段时间会给JobTracker发送⼀个⼼跳，告诉JobTracker它依然在运⾏，同时⼼跳中还携带着很多的信息，⽐如当前map任务完成的进度等信息。当JobTracker收到作业的最后⼀个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显⽰⼀条消息给⽤户。
以上是在客户端、JobTracker、TaskTracker的层次来分析MapReduce的⼯作原理的，下⾯我们再细致⼀点，从map任务和reduce任务的层次来分析分析吧。
2.Map、Reduce任务中Shuffle和排序的过程
同样贴出我在visio中画出的流程⽰意图：
流程分析：
Map端：
1．每个输⼊分⽚会让⼀个map任务来处理，默认情况下，以HDFS的⼀个块的⼤⼩（默认为64M）为⼀个分⽚，当然我们也可以设置块的⼤⼩。map输出的结果会暂且放在⼀个环形内存缓冲区中（该缓冲区的⼤⼩默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区⼤⼩的80%，由io.sort.spill.percent属性控制），会在本地⽂件系统中创建⼀个溢出⽂件，将该缓冲区中的数据写⼊这个⽂件。
2．在写⼊磁盘之前，线程⾸先根据reduce任务的数⽬将数据划分为相同数⽬的分区，也就是⼀个reduce任务对应⼀个分区的数据。这样做是为了避免有些reduce任务分配到⼤量数据，⽽有些reduce任务却分到很少数据，甚⾄没有分到数据的尴尬局⾯。其实分区就是对数据进⾏hash的过程。然后对每个分区中的数据进⾏排序，如果此时设置了Combiner，将排序后的结果进⾏Combia操作，这样做的⽬的是让尽可能少的数据写⼊到磁盘。
3．当map任务输出最后⼀个记录时，可能会有很多的溢出⽂件，这时需要将这些⽂件合并。合并的过程中会不断地进⾏排序和combia操作，⽬的有两个：1.尽量减少每次写⼊磁盘的数据量；2.尽量减少下⼀复制阶段⽹络传输的数据量。最后合并成了⼀个已分区且已排序的⽂件。为了减少⽹络传输的数据量，
这⾥可以将数据压缩，只要将mapredpress.map.out设置为true就可以了。
mapreduce是什么意思
4．将分区中的数据拷贝给相对应的reduce任务。有⼈可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务⼀直和其⽗TaskTracker保持联系，⽽TaskTracker⼜⼀直和JobTracker保持⼼跳。所以JobTracker中保存了整个集中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。
到这⾥，map端就分析完了。那到底什么是Shuffle呢？Shuffle的中⽂意思是“洗牌”，如果我们这样看：⼀个map产⽣的数据，结果通过hash 过程分区却分配给了不同的reduce任务，是不是⼀个对数据洗牌的过程呢？呵呵。
Reduce端：
1．Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当⼩，则直接存储在内存中（缓冲区⼤⼩由mapred.job.shuffle.input.buffer.percent属性控制，表⽰⽤作此⽤途的堆空间的百分⽐），如果数据量超过了该缓冲区⼤⼩的⼀定⽐例（由mapred.percent决定），则对数据合并后溢写到磁盘中。
2．随着溢写⽂件的增多，后台线程会将它们合并成⼀个更⼤的有序的⽂件，这样做是为了给后⾯的合
并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执⾏排序，合并操作，现在终于明⽩了有些⼈为什么会说：排序是hadoop的灵魂。
3．合并的过程中会产⽣许多的中间⽂件（写⼊磁盘了），但MapReduce会让写⼊磁盘的数据尽可能地少，并且最后⼀次合并的结果并没有写⼊磁盘，⽽是直接输⼊到reduce函数。