【Hadoop】Hadoop生态系列之MapReduce Shuffle概述及常见问题

旧城等待， 2023-10-05 10:58 13阅读 0赞

上一篇：[Hadoop生态系列之InputForamt.class与OutputFormat.class分析][Hadoop_InputForamt.class_OutputFormat.class]

#### 指路牌 ####

*   *  MapReduce Shuffle
     *   *  定义
         *  MapReduce Shuffle常见问题
         *   *  MapReduce能否实现全局排序?
             *  如何干预MapReduce的分区策略？
             *  如何解决在MapReduce计算过程中的数据倾斜问题？
             *  MapReduce中Map、Reduce并行度是靠什么决定的？
             *  MapReduce调优策略

### MapReduce Shuffle ###

#### 定义 ####

MapReduce中，mapper 阶段处理的数据如何传递给 reducer 阶段，是MapReduce框架中最关键的一个流程，这个流程就叫**Shuffle**(也称为“**洗牌**”)。总体来说shuffle核心流程主要包括以下几个方面：`数据分区、排序、局部聚合/Combiner、缓冲区、溢写、抓取/Fetch、归并排序`等。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx_size_16_color_FFFFFF_t_70_pic_center]

#### MapReduce Shuffle常见问题 ####

##### MapReduce能否实现全局排序? #####

默认情况下MapReduce是无法实现全局有序的，因为底层MapReduce使用的是`HashPartitioner`实现，仅仅只能保证数据分区内部的数据以**key**的自然顺序排列，因此无法实现全局有序。但是可以有一下思路完成全局排序：

*  设置`NumReduceTask`的个数为1，这样会导致所有的数据落入到同一个分区，即可实现全排序，但是**只适用于小批量数据集**
 *  自定义分区策略让数据按照区间分区，不按照hash策略，此时只需要保证区间之间有序即可实现全局有序。但是这种做法会出现区间数据分布不均匀，导致计算过程中出现数据倾斜。
 *  使用Hadoop提供的`TotalOrderPartitioner`，先对目标进行采样，然后推算出分区区间。

> **参考：**[https://blog.csdn.net/lalaguozhe/article/details/9211919][https_blog.csdn.net_lalaguozhe_article_details_9211919]

##### 如何干预MapReduce的分区策略？ #####

一般来说在实际的开发中，很少去干预分区策略，因为基于大数据首先要考虑的是数据的均匀分布，防止数据倾斜。因此Hash的散列往往是最佳的选择，如果需要覆盖原有分区，可以调用：

job.setPartitionerClass(分区实现类信息即可)

public class CustomHashPartitioner<K, V> extends Partitioner<K, V> {
        
    
      public int getPartition(K key, V value,
                              int numReduceTasks) {
        
        return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
      }
    
    }

##### 如何解决在MapReduce计算过程中的数据倾斜问题？ #####

**举个栗子：** 统计亚洲国家人口，以中国、日本为例。自然会使用国家作为key、公民信息作为value。在进行MapReduce计算的时候，中国的公民因为国籍都是`China`自然会落入到一个分区中。这样就出现数据严重倾斜。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx_size_16_color_FFFFFF_t_70_pic_center 1]

##### MapReduce中Map、Reduce并行度是靠什么决定的？ #####

Map端并行度是通过计算任务切片决定的，Reduce端是通过`job.setNumReduceTask(n)`

##### MapReduce调优策略 #####

1.  避免小文件计算，线下合并成大文件之后，在进行MapReduce分析或者CombineTextInputFormat。
2.  调整环状缓冲区的参数，减少Map任务的IO操作，不能无限制调大，还要考虑到系统GC问题。
3.  开启Map压缩，将溢写文件压缩成GZIP格式，减少ReduceShuffle过程中的网络带宽占用，消耗CPU为代价
    
        conf.setBoolean("mapreduce.map.output.compress",true);
        conf.setClass("mapreduce.map.output.compress.codec",
        GzipCodec.class, CompressionCodec.class); ```
4.  如果条件允许，我们可以开启Map端预处理机制，提前在Map端执行Reduce逻辑，进行局部计算，这样既可极大提升计算性能，但是这种优化手段并不是所有场景都适合。例如：求均值，这种场景就不适合在Map端执行Reduce逻辑。
    
     *  Combiner/Reduce的输入和输出类型必须一致，也就是说预计算逻辑不可以更改Map端输出类型/Reduce端输入类型。
     *  不可以改变原有的业务逻辑，比如 求平均值，虽然类型兼容但是业务计算不正确。  
        ![\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SYJuriz1-1601474947597)(F:/BigData/hadoop生态系列课程/assets/image-20200930142652073.png)\]][img-SYJuriz1-1601474947597_F_BigData_hadoop_assets_image-20200930142652073.png]  
        **优点：** 减少Key数量，节省排序所占用内存空间，极大削减了在ReduceShuffle时候的数据下载量，节省带宽。
5.  适当的调整NodeManager管理的资源数

yarn.nodemanager.resource.memory-mb=32G
    yarn.nodemanager.resource.cpu-vcores = 16

或者开启硬件资源监测

yarn.nodemanager.resource.detect-hardware-capabilities=true

1.  如果顺序执行多个小任务，我们可以考虑使用JVM重用机制，可以使用一个JVM顺序执行多个任务，无需重启新的jvm。

mapreduce.job.jvm.numtasks=2

--------------------

下一篇：[Hadoop生态系列之搭建HadoopHA集群][Hadoop_HadoopHA]

[Hadoop_InputForamt.class_OutputFormat.class]: https://blog.csdn.net/qq_44664231/article/details/108874308
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20200930221328755.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx,size_16,color_FFFFFF,t_70#pic_center
[https_blog.csdn.net_lalaguozhe_article_details_9211919]: https://blog.csdn.net/lalaguozhe/article/details/9211919
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20200930221722428.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx,size_16,color_FFFFFF,t_70#pic_center
[img-SYJuriz1-1601474947597_F_BigData_hadoop_assets_image-20200930142652073.png]: https://img-blog.csdnimg.cn/20200930222311981.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0NjY0MjMx,size_16,color_FFFFFF,t_70#pic_center
[Hadoop_HadoopHA]: https://blog.csdn.net/qq_44664231/article/details/108983379