Shuffle過程是MapReduce的核心，也被稱為奇跡發(fā)生的地方。要想理解MapReduce， Shuffle是必須要了解的。我看過很多相關(guān)的資料，但每次看完都云里霧里的繞著，很難理清大致的邏輯，反而越攪越混。前段時(shí)間在做MapReduce job 性能調(diào)優(yōu)的工作，需要深入代碼研究MapReduce的運(yùn)行機(jī)制，這才對(duì)Shuffle探了個(gè)究竟?？紤]到之前我在看相關(guān)資料而看不懂時(shí)很惱火，所以在這里我盡大的可能試著把Shuffle說清楚，讓每一位想了解它原理的朋友都能有所收獲。如果你對(duì)這篇文章有任何疑問或建議請(qǐng)留言到后面，謝謝！
Shuffle的正常意思是洗牌或弄亂，可能大家更熟悉的是Java API里的Collections.shuffle(List)方法，它會(huì)隨機(jī)地打亂參數(shù)list里的元素順序。如果你不知道MapReduce里Shuffle是什么，那么請(qǐng)看這張圖：
這張是官方對(duì)Shuffle過程的描述。但我可以肯定的是，單從這張圖你基本不可能明白Shuffle的過程，因?yàn)樗c事實(shí)相差挺多，細(xì)節(jié)也是錯(cuò)亂的。后面我會(huì)具體描述Shuffle的事實(shí)情況，所以這里你只要清楚Shuffle的大致范圍就成－怎樣把map task的輸出結(jié)果有效地傳送到reduce端。也可以這樣理解， Shuffle描述著數(shù)據(jù)從map task輸出到reduce task輸入的這段過程。
在Hadoop這樣的集群環(huán)境中，大部分map task與reduce task的執(zhí)行是在不同的節(jié)點(diǎn)上。當(dāng)然很多情況下Reduce執(zhí)行時(shí)需要跨節(jié)點(diǎn)去拉取其它節(jié)點(diǎn)上的map task結(jié)果。如果集群正在運(yùn)行的job有很多，那么task的正常執(zhí)行對(duì)集群內(nèi)部的網(wǎng)絡(luò)資源消耗會(huì)很嚴(yán)重。這種網(wǎng)絡(luò)消耗是正常的，我們不能限制，能做的就是大化地減少不必要的消耗。還有在節(jié)點(diǎn)內(nèi)，相比于內(nèi)存，磁盤IO對(duì)job完成時(shí)間的影響也是可觀的。從最基本的要求來說，我們對(duì)Shuffle過程的期望可以有：
OK，看到這里時(shí)，大家可以先停下來想想，如果是自己來設(shè)計(jì)這段Shuffle過程，那么你的設(shè)計(jì)目標(biāo)是什么。我想能優(yōu)化的地方主要在于減少拉取數(shù)據(jù)的量及盡量使用內(nèi)存而不是磁盤。
我的分析是基于Hadoop0.21.0的源碼，如果與你所認(rèn)識(shí)的Shuffle過程有差別，不吝指出。我會(huì)以WordCount為例，并假設(shè)它有8個(gè)map task和3個(gè)reduce task。從上圖看出，Shuffle過程橫跨map與reduce兩端，所以下面我也會(huì)分兩部分來展開。
先看看map端的情況，如下圖：
上圖可能是某個(gè)map task的運(yùn)行情況。拿它與官方圖的左半邊比較，會(huì)發(fā)現(xiàn)很多不一致。官方圖沒有清楚地說明partition， sort與combiner到底作用在哪個(gè)階段。我畫了這張圖，希望讓大家清晰地了解從map數(shù)據(jù)輸入到map端所有數(shù)據(jù)準(zhǔn)備好的全過程。
整個(gè)流程我分了四步。簡單些可以這樣說，每個(gè)map task都有一個(gè)內(nèi)存緩沖區(qū)，存儲(chǔ)著map的輸出結(jié)果，當(dāng)緩沖區(qū)快滿的時(shí)候需要將緩沖區(qū)的數(shù)據(jù)以一個(gè)臨時(shí)文件的方式存放到磁盤，當(dāng)整個(gè)map task結(jié)束后再對(duì)磁盤中這個(gè)map task產(chǎn)生的所有臨時(shí)文件做合并，生成最終的正式輸出文件，然后等待reduce task來拉數(shù)據(jù)。
當(dāng)然這里的每一步都可能包含著多個(gè)步驟與細(xì)節(jié)，下面我對(duì)細(xì)節(jié)來一一說明：
1. 在map task執(zhí)行時(shí)，它的輸入數(shù)據(jù)來源于HDFS的block，當(dāng)然在MapReduce概念中，map task只讀取split。Split與block的對(duì)應(yīng)關(guān)系可能是多對(duì)一，默認(rèn)是一對(duì)一。在WordCount例子里，假設(shè)map的輸入數(shù)據(jù)都是像“aaa”這樣的字符串。
2. 在經(jīng)過mapper的運(yùn)行后，我們得知mapper的輸出是這樣一個(gè)key/value對(duì)： key是“aaa”， value是數(shù)值1。因?yàn)楫?dāng)前map端只做加1的操作，在reduce task里才去合并結(jié)果集。前面我們知道這個(gè)job有3個(gè)reduce task，到底當(dāng)前的“aaa”應(yīng)該交由哪個(gè)reduce去做呢，是需要現(xiàn)在決定的。
MapReduce提供Partitioner接口，它的作用就是根據(jù)key或value及reduce的數(shù)量來決定當(dāng)前的這對(duì)輸出數(shù)據(jù)最終應(yīng)該交由哪個(gè)reduce task處理。默認(rèn)對(duì)key hash后再以reduce task數(shù)量取模。默認(rèn)的取模方式只是為了平均reduce的處理能力，如果用戶自己對(duì)Partitioner有需求，可以訂制并設(shè)置到j(luò)ob上。
在我們的例子中，“aaa”經(jīng)過Partitioner后返回0，也就是這對(duì)值應(yīng)當(dāng)交由第一個(gè)reducer來處理。接下來，需要將數(shù)據(jù)寫入內(nèi)存緩沖區(qū)中，緩沖區(qū)的作用是批量收集map結(jié)果，減少磁盤IO的影響。我們的key/value對(duì)以及Partition的結(jié)果都會(huì)被寫入緩沖區(qū)。當(dāng)然寫入之前，key與value值都會(huì)被序列化成字節(jié)數(shù)組。
整個(gè)內(nèi)存緩沖區(qū)就是一個(gè)字節(jié)數(shù)組，它的字節(jié)索引及key/value存儲(chǔ)結(jié)構(gòu)我沒有研究過。如果有朋友對(duì)它有研究，那么請(qǐng)大致描述下它的細(xì)節(jié)吧。
3. 這個(gè)內(nèi)存緩沖區(qū)是有大小限制的，默認(rèn)是100MB。當(dāng)map task的輸出結(jié)果很多時(shí)，就可能會(huì)撐爆內(nèi)存，所以需要在一定條件下將緩沖區(qū)中的數(shù)據(jù)臨時(shí)寫入磁盤，然后重新利用這塊緩沖區(qū)。這個(gè)從內(nèi)存往磁盤寫數(shù)據(jù)的過程被稱為Spill，中文可譯為溢寫，字面意思很直觀。這個(gè)溢寫是由單獨(dú)線程來完成，不影響往緩沖區(qū)寫map結(jié)果的線程。溢寫線程啟動(dòng)時(shí)不應(yīng)該阻止map的結(jié)果輸出，所以整個(gè)緩沖區(qū)有個(gè)溢寫的比例spill.percent。這個(gè)比例默認(rèn)是0.8，也就是當(dāng)緩沖區(qū)的數(shù)據(jù)已經(jīng)達(dá)到閾值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢寫線程啟動(dòng)，鎖定這80MB的內(nèi)存，執(zhí)行溢寫過程。Map task的輸出結(jié)果還可以往剩下的20MB內(nèi)存中寫，互不影響。
當(dāng)溢寫線程啟動(dòng)后，需要對(duì)這80MB空間內(nèi)的key做排序(Sort)。排序是MapReduce模型默認(rèn)的行為，這里的排序也是對(duì)序列化的字節(jié)做的排序。
在這里我們可以想想，因?yàn)閙ap task的輸出是需要發(fā)送到不同的reduce端去，而內(nèi)存緩沖區(qū)沒有對(duì)將發(fā)送到相同reduce端的數(shù)據(jù)做合并，那么這種合并應(yīng)該是體現(xiàn)是磁盤文件中的。從官方圖上也可以看到寫到磁盤中的溢寫文件是對(duì)不同的reduce端的數(shù)值做過合并。所以溢寫過程一個(gè)很重要的細(xì)節(jié)在于，如果有很多個(gè)key/value對(duì)需要發(fā)送到某個(gè)reduce端去，那么需要將這些key/value值拼接到一塊，減少與partition相關(guān)的索引記錄。
在針對(duì)每個(gè)reduce端而合并數(shù)據(jù)時(shí)，有些數(shù)據(jù)可能像這樣：“aaa”/1， “aaa”/1。對(duì)于WordCount例子，就是簡單地統(tǒng)計(jì)單詞出現(xiàn)的次數(shù)，如果在同一個(gè)map task的結(jié)果中有很多個(gè)像“aaa”一樣出現(xiàn)多次的key，我們就應(yīng)該把它們的值合并到一塊，這個(gè)過程叫reduce也叫combine。但MapReduce的術(shù)語中，reduce只指reduce端執(zhí)行從多個(gè)map task取數(shù)據(jù)做計(jì)算的過程。除reduce外，非正式地合并數(shù)據(jù)只能算做combine了。其實(shí)大家知道的，MapReduce中將Combiner等同于Reducer。
如果client設(shè)置過Combiner，那么現(xiàn)在就是使用Combiner的時(shí)候了。將有相同key的key/value對(duì)的value加起來，減少溢寫到磁盤的數(shù)據(jù)量。Combiner會(huì)優(yōu)化MapReduce的中間結(jié)果，所以它在整個(gè)模型中會(huì)多次使用。那哪些場景才能使用Combiner呢？從這里分析，Combiner的輸出是Reducer的輸入，Combiner絕不能改變最終的計(jì)算結(jié)果。所以從我的想法來看，Combiner只應(yīng)該用于那種Reduce的輸入key/value與輸出key/value類型完全一致，且不影響最終結(jié)果的場景。比如累加，大值等。Combiner的使用一定得慎重，如果用好，它對(duì)job執(zhí)行效率有幫助，反之會(huì)影響reduce的最終結(jié)果。
4. 每次溢寫會(huì)在磁盤上生成一個(gè)溢寫文件，如果map的輸出結(jié)果真的很大，有多次這樣的溢寫發(fā)生，磁盤上相應(yīng)的就會(huì)有多個(gè)溢寫文件存在。當(dāng)map task真正完成時(shí)，內(nèi)存緩沖區(qū)中的數(shù)據(jù)也全部溢寫到磁盤中形成一個(gè)溢寫文件。最終磁盤中會(huì)至少有一個(gè)這樣的溢寫文件存在(如果map的輸出結(jié)果很少，當(dāng)map執(zhí)行完成時(shí)，只會(huì)產(chǎn)生一個(gè)溢寫文件)，因?yàn)樽罱K的文件只有一個(gè)，所以需要將這些溢寫文件歸并到一起，這個(gè)過程就叫做Merge。Merge是怎樣的？如前面的例子，“aaa”從某個(gè)map task讀取過來時(shí)值是5，從另外一個(gè)map 讀取時(shí)值是8，因?yàn)樗鼈冇邢嗤膋ey，所以得merge成group。什么是group。對(duì)于“aaa”就是像這樣的：{“aaa”, [5, 8, 2, …]}，數(shù)組中的值就是從不同溢寫文件中讀取出來的，然后再把這些值加起來。請(qǐng)注意，因?yàn)閙erge是將多個(gè)溢寫文件合并到一個(gè)文件，所以可能也有相同的key存在，在這個(gè)過程中如果client設(shè)置過Combiner，也會(huì)使用Combiner來合并相同的key。
至此，map端的所有工作都已結(jié)束，最終生成的這個(gè)文件也存放在TaskTracker夠得著的某個(gè)本地目錄內(nèi)。每個(gè)reduce task不斷地通過RPC從JobTracker那里獲取map task是否完成的信息，如果reduce task得到通知，獲知某臺(tái)TaskTracker上的map task執(zhí)行完成，Shuffle的后半段過程開始啟動(dòng)。
簡單地說，reduce task在執(zhí)行之前的工作就是不斷地拉取當(dāng)前job里每個(gè)map task的最終結(jié)果，然后對(duì)從不同地方拉取過來的數(shù)據(jù)不斷地做merge，也最終形成一個(gè)文件作為reduce task的輸入文件。見下圖：
如map 端的細(xì)節(jié)圖，Shuffle在reduce端的過程也能用圖上標(biāo)明的三點(diǎn)來概括。當(dāng)前reduce copy數(shù)據(jù)的前提是它要從JobTracker獲得有哪些map task已執(zhí)行結(jié)束，這段過程不表，有興趣的朋友可以關(guān)注下。Reducer真正運(yùn)行之前，所有的時(shí)間都是在拉取數(shù)據(jù)，做merge，且不斷重復(fù)地在做。如前面的方式一樣，下面我也分段地描述reduce 端的Shuffle細(xì)節(jié)：
1. Copy過程，簡單地拉取數(shù)據(jù)。Reduce進(jìn)程啟動(dòng)一些數(shù)據(jù)copy線程(Fetcher)，通過HTTP方式請(qǐng)求map task所在的TaskTracker獲取map task的輸出文件。因?yàn)閙ap task早已結(jié)束，這些文件就歸TaskTracker管理在本地磁盤中。
2. Merge階段。這里的merge如map端的merge動(dòng)作，只是數(shù)組中存放的是不同map端copy來的數(shù)值。Copy過來的數(shù)據(jù)會(huì)先放入內(nèi)存緩沖區(qū)中，這里的緩沖區(qū)大小要比map端的更為靈活，它基于JVM的heap size設(shè)置，因?yàn)镾huffle階段Reducer不運(yùn)行，所以應(yīng)該把絕大部分的內(nèi)存都給Shuffle用。這里需要強(qiáng)調(diào)的是，merge有三種形式：1)內(nèi)存到內(nèi)存 2)內(nèi)存到磁盤 3)磁盤到磁盤。默認(rèn)情況下第一種形式不啟用，讓人比較困惑，是吧。當(dāng)內(nèi)存中的數(shù)據(jù)量到達(dá)一定閾值，就啟動(dòng)內(nèi)存到磁盤的merge。與map 端類似，這也是溢寫的過程，這個(gè)過程中如果你設(shè)置有Combiner，也是會(huì)啟用的，然后在磁盤中生成了眾多的溢寫文件。第二種merge方式一直在運(yùn)行，直到?jīng)]有map端的數(shù)據(jù)時(shí)才結(jié)束，然后啟動(dòng)第三種磁盤到磁盤的merge方式生成最終的那個(gè)文件。
3. Reducer的輸入文件。不斷地merge后，最后會(huì)生成一個(gè)“最終文件”。為什么加引號(hào)？因?yàn)檫@個(gè)文件可能存在于磁盤上，也可能存在于內(nèi)存中。對(duì)我們來說，當(dāng)然希望它存放于內(nèi)存中，直接作為Reducer的輸入，但默認(rèn)情況下，這個(gè)文件是存放于磁盤中的。至于怎樣才能讓這個(gè)文件出現(xiàn)在內(nèi)存中，之后的性能優(yōu)化篇我再說。當(dāng)Reducer的輸入文件已定，整個(gè)Shuffle才最終結(jié)束。然后就是Reducer執(zhí)行，把結(jié)果放到HDFS上。
上面就是整個(gè)Shuffle的過程。細(xì)節(jié)很多，我很多都略過了，只試著把要點(diǎn)說明白。當(dāng)然，我可能也有理解或表述上的很多問題，不吝指點(diǎn)。我希望不斷地完善和修改這篇文章，能讓它通俗、易懂，看完就能知道Shuffle的方方面面。至于具體的實(shí)現(xiàn)原理，各位有興趣就自己去探索，如果不方便的話，留言給我，我再來研究并反饋。
轉(zhuǎn)自：http://langyu.iteye.com/blog/992916
重慶分公司
重慶分公司
