ReduceTask工作机制

野性酷女 2022-01-29 03:59 212阅读 0赞

### ReduceTask工作机制 ###

*  一、图解
 *  二、设置ReduceTask并行度（个数）
 *  三、某些需要注意的事项

# 一、图解 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5NjU3OTA5_size_16_color_FFFFFF_t_70]  
（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。  
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。  
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。  
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。

# 二、设置ReduceTask并行度（个数） #

ReduceTask的并行度同样影响整个job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，Reducetask数量的决定是可以直接手动设置：

//默认值是1，手动设置为4
    job.setNumReduceTasks(4);

# 三、某些需要注意的事项 #

1.  ReduceTask=0,表示没有Reduce阶段，输出文件个数和Map个数一致。
2.  ReduceTask默认值就是1，所以输出文件个数为一个
3.  如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜
4.  ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask
5.  具体多少个ReduceTask,需要根据集群性能而定

注：如果分区数不是1，但是ReduceTask为1，是否执行分区过程。  
答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断reduceNum个数是否大于1。不大于1肯定不执行。

版权声明：本博客为记录本人自学感悟，转载需注明出处！  
[https://me.csdn.net/qq\_39657909][https_me.csdn.net_qq_39657909]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5NjU3OTA5_size_16_color_FFFFFF_t_70]: /images/20220129/0ac2bf3646cd4c9f9d5a88e2ec83a6cf.png
[https_me.csdn.net_qq_39657909]: https://me.csdn.net/qq_39657909