shuffle阶段
发布网友
发布时间：2023-04-10 09:06
共1个回答
热心网友
时间：2023-09-14 16:22
具体来说，就是将maptask输出的结果数据，分发给recetask，并在分发的过程中，对数据按照key进行分区和排序。
2.1 如果recetask的数量 > getpartition的结果数，则会多产生几个空的输出文件part-r-00xx
2.2 如果1<receTask的数量 < getPartition的结果数，则有一部分分区数据无处安放，会Exception
2.3 如果receTask的数量 = 1，则不管mapTask端输出多少个分区文件，最终结果都交给这一个receTask，最终也就只会产生一个结果文件 part-r-00000
流程详解
上面的流程是整个maprece最全工作流程，但是shuffle过程只是从第7步开始到第16步结束，具体shuffle过程详解，如下：
1）maptask收集我们的map()方法输出的kv对，放到内存缓冲区中
2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
3）多个溢出文件会被合并成大的溢出文件
4）在溢出过程中，及合并的过程中，都要调用partitoner进行分组和针对key进行排序
5）recetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据
6）recetask会取到同一个分区的来自不同maptask的结果文件，recetask会将这些文件再进行合并（归并排序）
7）合并成大文件后，shuffle的过程也就结束了，后面进入recetask的逻辑运算过程（从文件中取出一个一个的键值对group，调用用户自定义的rece()方法）
本文来自 白枭 的CSDN 博客 ，全文地址请点击： https://blog.csdn.net/github_36444580/article/details/75208992?utm_source=copy
