Hadoop和spark为什么要对key进行排序

1.思考

只要对hadoop中mapreduce的原理清楚的都熟知下面的整个流程运行原理，其中涉及到至少三次排序，分别是溢写快速排序，溢写归并排序，reduce拉取归并排序，而且排序是默认的，即天然排序的，那么为什么要这么做的，设计原因是什么。先给个结论，为了整体更稳定，输出满足多数需求，前者体现在不是采用hashShuffle而是sortShuffle ,后者体现在预计算，要知道排序后的数据，在后续数据使用时的会方便很多，比如体现索引的地方,如reduce拉取数据时候。

2.MapReduce原理分析

在分析设计原因之前，先理解一下整个过程，在map阶段，根据预先定义的partition规则进行分区，map首先将输出写到缓存中，当缓存内容达到阈值时，将结果spill到硬盘，每一次spill都会在硬盘产生一个spill文件，因此一个map task可能会产生多个spill文件，其中在每次spill的时候会对key进行排序。接下来进入shuffle阶段，当map写出最后一个输出，需要在map端进行一次merge操作，按照partition和partition内的key进行归并排序（合并+排序），此时每个partition内按照key值整体有序。然后开始第二次merge，这次是在reduce端，在此期间数据在内存和磁盘上都有，其实这个阶段的merge并不是严格意义上的排序，也是跟前面类似的合并+排序，只是将多个整体有序的文件merge成一个大的文件，最终完成排序工作。分析完整个过程后，是不是觉得如果自己实现MapReduce框架的话，考虑用HashMap 输出map内容即可。

2.1 MapTask运行机制详解

整个流程图如下：

详细步骤：

1. 首先，读取数据组件InputFormat（默认TextInputFormat）会通过getSplits方法对输⼊入⽬目录中文件进行逻辑切⽚片规划得到splits，有多少个split就对应启动多少个MapTask。split与block的对应关系默认是⼀对⼀。

2. 将输入文件切分为splits之后，由RecordReader对象（默认LineRecordReader）进行读取，以\n作为分隔符，读取⼀行数据，返回``。Key表示每⾏行行⾸首字符偏移值，value表示这⼀行文本内容。

3. 读取split返回``，进⼊入⽤用户自己继承的Mapper类中，执行用户重写的map函数。RecordReader读取⼀行这里调用一次。

4. map逻辑完之后，将map的每条结果通过context.write进⾏行行collect数据收集。在collect中，会先对其进行分区处理，默认使用HashPartitioner。MapReduce提供Partitioner接口，它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。默认对key hash后再以reduce task数量量取模。默认的取模方式只是为了平均reduce的处理能力，如果用户自己对Partitioner有需求，可以订制并设置到job上。

5. 接下来，会将数据写入内存，内存中这⽚片区域叫做环形缓冲区，缓冲区的作用是批量量收集map结果，减少磁盘IO的影响。我们的key/value对以及Partition的结果都会被写⼊入缓冲区。当然写⼊入之前，key与value值都会被序列列化成字节数组

   • 环形缓冲区其实是一个数组，数组中存放着key、value的序列化数据和key、value的元数据信息，包括partition、key的起始位置、value的起始位置以及value的长度。环形结构是一个抽象概念。

   • 缓冲区是有大小限制，默认是100MB。当map task的输出结果很多时，就可能会撑爆内存，所以需要在一定条件下将缓冲区中的数据临时写⼊入磁盘，然后重新利利⽤用这块缓冲区。这个从内存往磁盘写数据的过程被称为Spill，中文可译为溢写。这个溢写是由单独线程来完成，不影响往缓冲区写map结果的线程。溢写线程启动时不不应该阻⽌止map的结果输出，所以整个缓冲区有个溢写的⽐比例例spill.percent。这个⽐比例例默认是0.8，也就是当缓冲区的数据已经达到阈值（buffer size * spillpercent = 100MB * 0.8 = 80MB），溢写线程启动，锁定这80MB的内存，执行溢写过程Maptask的输出结果还可以往剩下的20MB内存中写，互不不影响、

6. 当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的⾏行行为!

   • 如果job设置过Combiner，那么现在就是使⽤用Combiner的时候了了。将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量量。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。

   • 那哪些场景才能使⽤用Combiner呢？从这⾥里里分析，Combiner的输出是Reducer的输⼊，Combiner绝不不能改变最终的计算结果。Combiner只应该⽤用于那种Reduce的输入key/value与输出key/value类型完全一致，且不不影响最终结果的场景。⽐比如累加，最⼤大值等。Combiner的使⽤用一定得慎重如果用的好，它对job执⾏行行效率有帮助，反之会影响reduce的最终结果

7. 合并溢写文件：每次溢写会在磁盘上生成一个临时文件（写之前判断是否有combiner），如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个临时文件存在。当整个数据处理理结束之后开始对磁盘中的临时文件进⾏行行merge合并，因为最终文件只有一个，写⼊磁盘，并且为这个文件提供了一个索文件，以记录每个reduce对应数据的偏移量量。

2.2 ReduceTask运行机制详解

Reduce⼤大致分为copy、sort、reduce三个阶段，重点在前两个阶段。copy阶段包含⼀一个
eventFetcher来获取已完成的map列列表，由Fetcher线程去copy数据，在此过程中会启动两个merge线程，分别为inMemoryMerger和onDiskMerger，分别将内存中的数据merge到磁盘和将磁盘中的数据进⾏merge。待数据copy完成之后，copy阶段就完成了，开始进⾏行行sort阶段，sort阶段主要是执⾏finalMerge操作，纯粹的sort阶段，完成之后就是reduce阶段，调⽤用⽤用户定义的reduce函数进⾏处理。
详细步骤

2.2.1 Copy阶段

简单地拉取数据。Reduce进程启动一些数据copy线程(Fetcher)，通过HTTP方式请求maptask获取属于自己的文件。

2.2.2 Merge阶段

Merge阶段。这⾥里里的merge如map端的merge动作，只是数组中存放的是不不同map端copy来的数值。Copy过来的数据会先放入内存缓冲区中，这⾥里里的缓冲区大小要⽐比map端的更更为灵活。merge有三种形式：内存到内存；内存到磁盘；磁盘到磁盘。默认情况下第⼀一种形式不不启⽤用。当内存中的数据量量到达一定阈值，就启动内存到磁盘的merge。与map端类似，这也是溢写的过程，这个过程中如果你设置有Combiner，也是会启⽤用的，然后在磁盘中生成了了众多的溢写文件。第二种merge方式⼀一直在运⾏行行，直到没有map端的数据时才结束，然后启动第三种磁盘到磁盘的merge方式生成最终的文件。

2.2.3 合并排序

把分散的数据合并成一个⼤大的数据后，还会再对合并后的数据排序。对排序后的键值对调⽤用reduce方法，键相等的键值对调⽤用一次reduce方法，每次调⽤用会产生零个或者多个键值对，最后把这些输出的键值对写入到HDFS文件中。

3.总结

从MapReduce的执行过程中，我们再来看为什么要排序，以及为什么在Shuffle时候采用SortShuffle,从设计上来看，MapTask和ReduceTask就是完全不同的跑在Yarn上的两个进程，进程的交互方式是通过内存或者磁盘，为了两个程序不耦合，更好地实现失败重试等机制，那么就不能像Kafka一样，生产者生产消息和消费者消费消息的时候，会有阻塞等问题，不能让集群卡住，MapReduce跑的数据都是大批量的数据，所以要尽可能让Map端处理完成的数据落盘但又要保证尽可能加快整个速度，所以在map结束时候，给reduce的是排序好的数据外加一份索引文件，这样虽然牺牲了一定的cpu，但是对落盘后的数据，让Reduce来拉取时候可以尽可能地快，Map如何结束执行完，理论上可以在停机后，继续跑ReduceTask，来完成整个任务同时为什么不是HashShuffe呢，是因为大数据情况下HashShuffle占用的内存很大，很可能会爆内存，导致集群计算不稳定。
吴邪，小三爷，混迹于后台，大数据，人工智能领域的小菜鸟。
更多请关注