|
/** * author : 冶秀剛 * mail : dennyy99@gmail.com */ 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。前段時間在做MapReduce job 性能調優(yōu)的工作，需要深入代碼研究MapReduce的運行機制，這才對Shuffle探了個究竟?？紤]到之前我在看相關資料而看不懂時很惱火，所以在這里我盡最大的可能試著把Shuffle說清楚，讓每一位想了解它原理的朋友都能有所收獲。如果你對這篇文章有任何疑問或建議請留言到后面，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，它會隨機地打亂參數list里的元素順序。如果你不知道MapReduce里Shuffle是什么，那么請看這張圖： 
這張是官方對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，因為它與事實相差挺多，細節(jié)也是錯亂的。后面我會具體描述Shuffle的事實情況，所以這里你只要清楚Shuffle的大致范圍就成－怎樣把map task的輸出結果有效地傳送到reduce端。也可以這樣理解， Shuffle描述著數據從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)點上。當然很多情況下Reduce執(zhí)行時需要跨節(jié)點去拉取其它節(jié)點上的map task結果。如果集群正在運行的job有很多，那么task的正常執(zhí)行對集群內部的網絡資源消耗會很嚴重。這種網絡消耗是正常的，我們不能限制，能做的就是最大化地減少不必要的消耗。還有在節(jié)點內，相比于內存，磁盤IO對job完成時間的影響也是可觀的。從最基本的要求來說，我們對Shuffle過程的期望可以有：
OK，看到這里時，大家可以先停下來想想，如果是自己來設計這段Shuffle過程，那么你的設計目標是什么。我想能優(yōu)化的地方主要在于減少拉取數據的量及盡量使用內存而不是磁盤。 我的分析是基于Hadoop0.21.0的源碼，如果與你所認識的Shuffle過程有差別，不吝指出。我會以WordCount為例，并假設它有8個map task和3個reduce task。從上圖看出，Shuffle過程橫跨map與reduce兩端，所以下面我也會分兩部分來展開。 先看看map端的情況，如下圖： 
上圖可能是某個map task的運行情況。拿它與官方圖的左半邊比較，會發(fā)現很多不一致。官方圖沒有清楚地說明partition， sort與combiner到底作用在哪個階段。我畫了這張圖，希望讓大家清晰地了解從map數據輸入到map端所有數據準備好的全過程。 整個流程我分了四步。簡單些可以這樣說，每個map task都有一個內存緩沖區(qū)，存儲著map的輸出結果，當緩沖區(qū)快滿的時候需要將緩沖區(qū)的數據以一個臨時文件的方式存放到磁盤，當整個map task結束后再對磁盤中這個map task產生的所有臨時文件做合并，生成最終的正式輸出文件，然后等待reduce task來拉數據。 當然這里的每一步都可能包含著多個步驟與細節(jié)，下面我對細節(jié)來一一說明： 1. 在map task執(zhí)行時，它的輸入數據來源于HDFS的block，當然在MapReduce概念中，map task只讀取split。Split與block的對應關系可能是多對一，默認是一對一。在WordCount例子里，假設map的輸入數據都是像“aaa”這樣的字符串。 2. 在經過mapper的運行后，我們得知mapper的輸出是這樣一個key/value對： key是“aaa”， value是數值1。因為當前map端只做加1的操作，在reduce task里才去合并結果集。前面我們知道這個job有3個reduce task，到底當前的“aaa”應該交由哪個reduce去做呢，是需要現在決定的。 MapReduce提供Partitioner接口，它的作用就是根據key或value及reduce的數量來決定當前的這對輸出數據最終應該交由哪個reduce task處理。默認對key hash后再以reduce task數量取模。默認的取模方式只是為了平均reduce的處理能力，如果用戶自己對Partitioner有需求，可以訂制并設置到job上。 在我們的例子中，“aaa”經過Partitioner后返回0，也就是這對值應當交由第一個reducer來處理。接下來，需要將數據寫入內存緩沖區(qū)中，緩沖區(qū)的作用是批量收集map結果，減少磁盤IO的影響。我們的key/value對以及Partition的結果都會被寫入緩沖區(qū)。當然寫入之前，key與value值都會被序列化成字節(jié)數組。 整個內存緩沖區(qū)就是一個字節(jié)數組，它的字節(jié)索引及key/value存儲結構我沒有研究過。如果有朋友對它有研究，那么請大致描述下它的細節(jié)吧。 3. 這個內存緩沖區(qū)是有大小限制的，默認是100MB。當map task的輸出結果很多時，就可能會撐爆內存，所以需要在一定條件下將緩沖區(qū)中的數據臨時寫入磁盤，然后重新利用這塊緩沖區(qū)。這個從內存往磁盤寫數據的過程被稱為Spill，中文可譯為溢寫，字面意思很直觀。這個溢寫是由單獨線程來完成，不影響往緩沖區(qū)寫map結果的線程。溢寫線程啟動時不應該阻止map的結果輸出，所以整個緩沖區(qū)有個溢寫的比例spill.percent。這個比例默認是0.8，也就是當緩沖區(qū)的數據已經達到閾值（buffer size * spill percent = 100MB * 0.8 = 80MB），溢寫線程啟動，鎖定這80MB的內存，執(zhí)行溢寫過程。Map task的輸出結果還可以往剩下的20MB內存中寫，互不影響。 當溢寫線程啟動后，需要對這80MB空間內的key做排序(Sort)。排序是MapReduce模型默認的行為，這里的排序也是對序列化的字節(jié)做的排序。 在這里我們可以想想，因為map task的輸出是需要發(fā)送到不同的reduce端去，而內存緩沖區(qū)沒有對將發(fā)送到相同reduce端的數據做合并，那么這種合并應該是體現是磁盤文件中的。從官方圖上也可以看到寫到磁盤中的溢寫文件是對不同的reduce端的數值做過合并。所以溢寫過程一個很重要的細節(jié)在于，如果有很多個key/value對需要發(fā)送到某個reduce端去，那么需要將這些key/value值拼接到一塊，減少與partition相關的索引記錄。 在針對每個reduce端而合并數據時，有些數據可能像這樣：“aaa”/1， “aaa”/1。對于WordCount例子，就是簡單地統(tǒng)計單詞出現的次數，如果在同一個map task的結果中有很多個像“aaa”一樣出現多次的key，我們就應該把它們的值合并到一塊，這個過程叫reduce也叫combine。但MapReduce的術語中，reduce只指reduce端執(zhí)行從多個map task取數據做計算的過程。除reduce外，非正式地合并數據只能算做combine了。其實大家知道的，MapReduce中將Combiner等同于Reducer。 如果client設置過Combiner，那么現在就是使用Combiner的時候了。將有相同key的key/value對的value加起來，減少溢寫到磁盤的數據量。Combiner會優(yōu)化MapReduce的中間結果，所以它在整個模型中會多次使用。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算結果。所以從我的想法來看，Combiner只應該用于那種Reduce的輸入key/value與輸出key/value類型完全一致，且不影響最終結果的場景。比如累加，最大值等。Combiner的使用一定得慎重，如果用好，它對job執(zhí)行效率有幫助，反之會影響reduce的最終結果。 4. 每次溢寫會在磁盤上生成一個溢寫文件，如果map的輸出結果真的很大，有多次這樣的溢寫發(fā)生，磁盤上相應的就會有多個溢寫文件存在。當map task真正完成時，內存緩沖區(qū)中的數據也全部溢寫到磁盤中形成一個溢寫文件。最終磁盤中會至少有一個這樣的溢寫文件存在(如果map的輸出結果很少，當map執(zhí)行完成時，只會產生一個溢寫文件)，因為最終的文件只有一個，所以需要將這些溢寫文件歸并到一起，這個過程就叫做Merge。Merge是怎樣的？如前面的例子，“aaa”從某個map task讀取過來時值是5，從另外一個map 讀取時值是8，因為它們有相同的key，所以得merge成group。什么是group。對于“aaa”就是像這樣的：{“aaa”, [5, 8, 2, …]}，數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。請注意，因為merge是將多個溢寫文件合并到一個文件，所以可能也有相同的key存在，在這個過程中如果client設置過Combiner，也會使用Combiner來合并相同的key。 至此，map端的所有工作都已結束，最終生成的這個文件也存放在TaskTracker夠得著的某個本地目錄內。每個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TaskTracker上的map task執(zhí)行完成，Shuffle的后半段過程開始啟動。 簡單地說，reduce task在執(zhí)行之前的工作就是不斷地拉取當前job里每個map task的最終結果，然后對從不同地方拉取過來的數據不斷地做merge，也最終形成一個文件作為reduce task的輸入文件。見下圖： 
如map 端的細節(jié)圖，Shuffle在reduce端的過程也能用圖上標明的三點來概括。當前reduce copy數據的前提是它要從JobTracker獲得有哪些map task已執(zhí)行結束，這段過程不表，有興趣的朋友可以關注下。Reducer真正運行之前，所有的時間都是在拉取數據，做merge，且不斷重復地在做。如前面的方式一樣，下面我也分段地描述reduce 端的Shuffle細節(jié)： 1. Copy過程，簡單地拉取數據。Reduce進程啟動一些數據copy線程(Fetcher)，通過HTTP方式請求map task所在的TaskTracker獲取map task的輸出文件。因為map task早已結束，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動作，只是數組中存放的是不同map端copy來的數值。Copy過來的數據會先放入內存緩沖區(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設置，因為Shuffle階段Reducer不運行，所以應該把絕大部分的內存都給Shuffle用。這里需要強調的是，merge有三種形式：1)內存到內存 2)內存到磁盤 3)磁盤到磁盤。默認情況下第一種形式不啟用，讓人比較困惑，是吧。當內存中的數據量到達一定閾值，就啟動內存到磁盤的merge。與map 端類似，這也是溢寫的過程，這個過程中如果你設置有Combiner，也是會啟用的，然后在磁盤中生成了眾多的溢寫文件。第二種merge方式一直在運行，直到沒有map端的數據時才結束，然后啟動第三種磁盤到磁盤的merge方式生成最終的那個文件。 3. Reducer的輸入文件。不斷地merge后，最后會生成一個“最終文件”。為什么加引號？因為這個文件可能存在于磁盤上，也可能存在于內存中。對我們來說，當然希望它存放于內存中，直接作為Reducer的輸入，但默認情況下，這個文件是存放于磁盤中的。至于怎樣才能讓這個文件出現在內存中，之后的性能優(yōu)化篇我再說。當Reducer的輸入文件已定，整個Shuffle才最終結束。然后就是Reducer執(zhí)行，把結果放到HDFS上。 上面就是整個Shuffle的過程。細節(jié)很多，我很多都略過了，只試著把要點說明白。當然，我可能也有理解或表述上的很多問題，不吝指點。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。至于具體的實現原理，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。 |
|
|
