hadoop shuffle机制中针对中间数据的排序过程

       

     如果对Hadoop的shuffle机制有所了解的人都知道，map所产生的中间数据在送给reduce进行处理之前是要经过排序的。具体过程实际上是快速排序，堆排序和归并排序的完美结合。

 

    首先，当map函数处理完输入数据之后，会将中间数据存在本机的一个或者几个文件当中，并且针对这些文件内部的记录进行一次快速排序，这里的排序是升序排序。在map任务将所有的中间数据写放本地文件并进行快速排序之后，系统会对这些排好序的文件做一次归并排序，并将排好序的结果输出到一个大的文件当中。这段代码是在MapTask的内部类MapOutputBuffer中实现的，其中归并排序是调用了Merge类的merge方法，具体过程下面将会详细叙述。

    当map阶段完成后，系统会启动reduce过程。reduce过程会把这些由map输出的中间文件拷贝到本地。然后生成一个或者几个Segment类的实例，以下我们称这些实例为segment。Segment类封装了这些中间数据的操作，比如读取记录等。在reduce端，这些中间数据可以存在内存中，也可以存在硬盘中。同时，系统还会启动两个merge（归并）线程，一个针对内存中的segment进行归并，一个针对硬盘中的segment进行归并。merge过程实际上就是调用了Merge的merge方法。

    Merge类的merge方法生成了一个MergeQueue类实例，并且调用了该类的merge方法。MergeQueue类是PriorityQueue类的一个子类，同时实现了RawKeyValueIterator接口。PriorityQueue类实际是一个小根堆，而MergeQueue的merge方法实际上就是将segment对象存储进父类的数据结构中，并且建立一个小根堆的过程。因此，hadoop的归并和排序不是两个分开的过程，，而是一个过程。在将segment归并的同时进行了排序。

    需要注意的是，这里针对segment排序的过程是以segment为单位的，而不是以segment中存储的记录（record）为单位的。而这里排序过程中对两个segment对象的比较是对segment中存储的第一个记录的键的比较。也就是说假设有两个segment,一个叫a，一个叫b,a<b仅仅是因为a的第一个记录的键小于b的第一个记录的键。具体的比较方法由用户实义的comparator类实义。具体的比较过程在MergeQueue类中的lessThan方法中定义。

    现在，我们已经得到了一个以segment为单位，以segment中第一记录的键为比较依据的小根堆，至此在系统中所谓的sort阶段就已经结束了。

    接下来，系统会不停的从这个小根堆里取出位于根节点的segment的第一个记录交给reduce函数处理。注意，因为该小根堆是以每一个segment的第一个记录的键为排序依据的，所以根节点的第一个记录的键一定是所有segment中第一个记录的键的最小值。由于segment存储的是map输出的数据，而这些数据在传送给reduce之前已经经过排序（升序），所以，每个segment的第一个记录的键一定是该segment中所有键的最小值。从而根segment的第一个记录的键一定是所有记录的键的最小值。这里实际就是利用了归并排序。在从根segment中取出第一个记录之后，系统还会对该小根堆进行调整，以保证小根堆的性质。

    以上是shuffle过程中排序的完整过程。虽然在hadoop的shuffle过程中有一个明确的sort阶段，但是实际上可以看出中间数据的排序是贯穿于整个shuffle阶段的。

 

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

原文：http://blog.csdn.net/riverm/article/details/6883606