4.4 Reduce类
4.4.1 Reduce介绍
整完了Map，接下来就是Reduce了。YarnChild.main()—>ReduceTask.run()。ReduceTask.run方法开始和MapTask类似，包括initialize()初始化，根据情况看是否调用runJobCleanupTask()，runTaskCleanupTask()等。之后进入正式的工作，主要有这么三个步骤：Copy、Sort、Reduce。
4.4.2 Copy
Copy就是从执行各个Map任务的节点获取map的输出文件。这是由ReduceTask.ReduceCopier 类来负责。ReduceCopier对象负责将Map函数的输出拷贝至Reduce所在机器。如果大小超过一定阈值就写到磁盘，否则放入内存，在远程拷贝数据的同时，Reduce Task启动了两个后台线程对内存和磁盘上的文件进行合并，防止内存使用过多和磁盘文件过多。
Step1:
首先在ReduceTask的run方法中，通过如下配置来mapreduce.job.reduce.shuffle.consumer.plugin.class装配shuffle的plugin。默认的实现是Shuffle类：
1 Class<? extends ShuffleConsumerPlugin> clazz = job.getClass(MRConfig.SHUFFLE_CONSUMER_PLUGIN, Shuffle.class, ShuffleConsumerPlugin.class);
7 shuffleConsumerPlugin = ReflectionUtils.newInstance(clazz, job);
9 LOG.info("Using ShuffleConsumerPlugin: " + shuffleConsumerPlugin);
Step2:
初始化上述的plugin后，执行其run方法，得到RawKeyValueIterator的实例。
run方法的执行步骤如下：
Step2.1：
量化Reduce的事件数目：
1 int eventsPerReducer = Math.max(MIN_EVENTS_TO_FETCH, MAX_RPC_OUTSTANDING_EVENTS / jobConf.getNumReduceTasks()); 3 int maxEventsToFetch = Math.min(MAX_EVENTS_TO_FETCH, eventsPerReducer);
Step2.2：
生成map的完成状态获取线程，并启动此线程：
final EventFetcher<K,V> eventFetcher = new EventFetcher<K,V>(reduceId, umbilical, scheduler, this, maxEventsToFetch); eventFetcher.start();
获取已经完成的Map信息，如Map的host、mapId等放入ShuffleSchedulerImpl中的Set<MapHost>中便于下面进行数据的拷贝传输。
1 URI u = getBaseURI(reduceId, event.getTaskTrackerHttp()); 3 addKnownMapOutput(u.getHost() + ":" + u.getPort(), 5 u.toString(), 7 event.getTaskAttemptId()); 9 maxMapRuntime = Math.max(maxMapRuntime, event.getTaskRunTime());
Step2.3：
在Shuffle类中启动初始化Fetcher线程组，并启动：
1 boolean isLocal = localMapFiles != null;
2
3 final int numFetchers = isLocal ? 1 :
4
5 jobConf.getInt(MRJobConfig.SHUFFLE_PARALLEL_COPIES, 5);
6
7 Fetcher<K,V>[] fetchers = new Fetcher[numFetchers];
8
9 if (isLocal) {
10
11 fetchers[0] = new LocalFetcher<K, V>(jobConf, reduceId, scheduler,
12
13 merger, reporter, metrics, this, reduceTask.getShuffleSecret(),
14
15 localMapFiles);
16
17 fetchers[0].start();
18
19 } else {
20
21 for (int i=0; i < numFetchers; ++i) {
22
23 fetchers[i] = new Fetcher<K,V>(jobConf, reduceId, scheduler, merger,
24
25 reporter, metrics, this,
26
27 reduceTask.getShuffleSecret());
28
29 fetchers[i].start();
30
31 }
32
33 }
线程的run方法就是进行数据的远程拷贝：
1 try {
3 // If merge is on, block
5 merger.waitForResource();
8
9 // Get a host to shuffle from
11 host = scheduler.getHost();
13 metrics.threadBusy();
17 // Shuffle
19 copyFromHost(host);
21 } finally {
23 if (host != null) {
25 scheduler.freeHost(host);
27 metrics.threadFree();
29 }
31 }
Step2.4：
来看下这个copyFromHost方法。主要是就是使用HttpURLConnection，实现远程数据的传输。
建立连接之后，从接收到的Stream流中读取数据。每次读取一个map文件。
1 TaskAttemptID[] failedTasks = null;
2
3 while (!remaining.isEmpty() && failedTasks == null) {
4
5 failedTasks = copyMapOutput(host, input, remaining);
6
7 }
上面的copyMapOutput方法中，每次读取一个mapid,根据MergeManagerImpl中的reserve函数，检查map的输出是否超过了mapreduce.reduce.memory.totalbytes配置的大小，此配置的默认值
是当前Runtime的maxMemory*mapreduce.reduce.shuffle.input.buffer.percent配置的值，Buffer.percent的默认值为0.90。
如果mapoutput超过了此配置的大小时,生成一个OnDiskMapOutput实例。在接下来的操作中，map的输出写入到local临时文件中。
如果没有超过此大小，生成一个InMemoryMapOutput实例。在接下来操作中，直接把map输出写入到内存。
最后，执行ShuffleScheduler.copySucceeded完成文件的copy,调用mapout.commit函数，更新状态或者触发merge操作。
Step2.5：
等待上面所有的拷贝完成之后，关闭相关的线程。
1 eventFetcher.shutDown();
2
3 // Stop the map-output fetcher threads
4 for (Fetcher<K,V> fetcher : fetchers) {
5 fetcher.shutDown();
6 }
7
8 // stop the scheduler
9 scheduler.close();
10
11 copyPhase.complete(); // copy is already complete
12 taskStatus.setPhase(TaskStatus.Phase.SORT);
13 reduceTask.statusUpdate(umbilical);
Step2.6：
执行最终的merge操作，由Shuffle中的MergeManager完成：
1 public RawKeyValueIterator close() throws Throwable {
2
3 // Wait for on-going merges to complete
4
5 if (memToMemMerger != null) {
6
7 memToMemMerger.close();
8
9 }
10
11 inMemoryMerger.close();
12
13 onDiskMerger.close();
14
15
16
17 List<InMemoryMapOutput<K, V>> memory =
18
19 new ArrayList<InMemoryMapOutput<K, V>>(inMemoryMergedMapOutputs);
20
21 inMemoryMergedMapOutputs.clear();
22
23 memory.addAll(inMemoryMapOutputs);
24
25 inMemoryMapOutputs.clear();
26
27 List<CompressAwarePath> disk = new ArrayList<CompressAwarePath>(onDiskMapOutputs);
28
29 onDiskMapOutputs.clear();
30
31 return finalMerge(jobConf, rfs, memory, disk);
32
33 }
Step3:
释放资源。
mapOutputFilesOnDisk.clear();
Copy完毕。
4.4.3 Sort
Sort(其实相当于合并)就相当于排序工作的一个延续，它会在所有的文件都拷贝完毕后进行。使用工具类Merger归并所有的文件。经过此过程后，会产生一个合并了所有(所有并不准确)Map任务输出文件的新文件,而那些从其他各个服务器搞过来的 Map任务输出文件会删除。根据hadoop是否分布式来决定调用哪种排序方式。
在上面的4.3.2节中的Step2.4结束之后就会触发此操作。
4.4.4 Reduce
经过上面的步骤之后，回到ReduceTask中的run方法继续往下执行，调用runNewReducer。创建reducer：
1 org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE> reducer = 2 3 (org.apache.hadoop.mapreduce.Reducer<INKEY,INVALUE,OUTKEY,OUTVALUE>) 4 5 ReflectionUtils.newInstance(taskContext.getReducerClass(), job);
并执行其run方法，此run方法就是我们的org.apache.hadoop.mapreduce.Reducer中的run方法。
1 public void run(Context context) throws IOException, InterruptedException {
2
3 setup(context);
4
5 try {
6
7 while (context.nextKey()) {
8
9 reduce(context.getCurrentKey(), context.getValues(), context);
10
11 // If a back up store is used, reset it
12
13 Iterator<VALUEIN> iter = context.getValues().iterator();
14
15 if(iter instanceof ReduceContext.ValueIterator) {
16
17 ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();
18
19 }
20
21 }
22
23 } finally {
24
25 cleanup(context);
26
27 }
28
29 }
30
31 }
while的循环条件是ReduceContext.nextKey()为真，这个方法就在ReduceContext中实现的，这个方法的目的就是处理下一个唯一的key，因为reduce方法的输入数据是分组的，所以每次都会处理一个key及这个key对应的所有value，又因为已经将所有的Map Task的输出拷贝过来而且做了排序，所以key相同的KV对都是挨着的。
nextKey方法中，又会调用nextKeyValue方法来尝试去获取下一个key值，并且如果没数据了就会返回false，如果还有数据就返回true。防止获取重复的数据就在这里做的处理。
接下来就是调用用户自定义的reduce方法了。
1 public void reduce(Text key, Iterable<IntWritable> values,
2
3 Context context
4
5 ) throws IOException, InterruptedException {
6
7 int sum = 0;
8
9 for (IntWritable val : values) {
10
11 sum += val.get();
12
13 }
14
15 result.set(sum);
16
17 context.write(key, result);
18
19 }
-------------------------------------------------------------------------------
如果您看了本篇博客,觉得对您有所收获，请点击右下角的 [推荐]
如果您想转载本博客，请注明出处
如果您对本文有意见或者建议，欢迎留言
感谢您的阅读，请关注我的后续博客
来源：https://www.cnblogs.com/Scott007/p/3841186.html