MapReduce shuffle过程剖析及调优

问题导读：
1、什么是MapReduce？
2、Mapper、Reducer实现什么工作内容？
3、如何进行MapReduce性能调优？

MapReduce简介

在Hadoop MapReduce中，框架会确保reduce收到的输入数据是根据key排序过的。数据从Mapper输出到Reducer接收，是一个很复杂的过程，框架处理了所有问题，并提供了很多配置项及扩展点。一个MapReduce的大致数据流如下图：

更详细的MapReduce介绍参考Hadoop MapReduce原理与实例

Mapper的输出排序、然后传送到Reducer的过程，称为shuffle。本文详细地解析shuffle过程，深入理解这个过程对于MapReduce调优至关重要，某种程度上说，shuffle过程是MapReduce的核心内容。

Mapper端

当map函数通过context.write()开始输出数据时，不是单纯地将数据写入到磁盘。为了性能，map输出的数据会写入到缓冲区，并进行预排序的一些工作，整个过程如下图：

环形Buffer数据结构

每一个map任务有一个环形Buffer，map将输出写入到这个Buffer。环形Buffer是内存中的一种首尾相连的数据结构，专门用来存储Key-Value格式的数据：

Hadoop中，环形缓冲其实就是一个字节数组：

[mw_shl_code=applescript,true]// MapTask.java
private byte[] kvbuffer; // main output buffer
kvbuffer = new byte[maxMemUsage - recordCapacity]; [/mw_shl_code]

kvbuffer包含数据区和索引区，这两个区是相邻不重叠的区域，用一个分界点来标识。分界点不是永恒不变的，每次Spill之后都会更新一次。初始分界点为0，数据存储方向为向上增长，索引存储方向向下：

bufferindex一直往上增长，例如最初为0，写入一个int类型的key之后变为4，写入一个int类型的value之后变成8。

索引是对key-value在kvbuffer中的索引，是个四元组，占用四个Int长度，包括：

value的起始位置
key的起始位置
partition值
value的长度

[mw_shl_code=applescript,true]private static final int VALSTART = 0; // val offset in acct
private static final int KEYSTART = 1; // key offset in acct
private static final int PARTITION = 2; // partition offset in acct
private static final int VALLEN = 3; // length of value
private static final int NMETA = 4; // num meta ints
private static final int METASIZE = NMETA * 4; // size in bytes
// write accounting info
kvmeta.put(kvindex + PARTITION, partition);
kvmeta.put(kvindex + KEYSTART, keystart);
kvmeta.put(kvindex + VALSTART, valstart);
kvmeta.put(kvindex + VALLEN, distanceTo(valstart, valend));[/mw_shl_code]

kvmeta的存放指针kvindex每次都是向下跳四个“格子”，然后再向上一个格子一个格子地填充四元组的数据。比如kvindex初始位置是-4，当第一个key-value写完之后，(kvindex+0)的位置存放value的起始位置、(kvindex+1)的位置存放key的起始位置、(kvindex+2)的位置存放partition的值、(kvindex+3)的位置存放value的长度，然后kvindex跳到-8位置。

缓冲区的大小默认为100M，但是可以通过mapreduce.task.io.sort.mb这个属性来配置。

Spill

map将输出不断写入到这个缓冲区中，当缓冲区使用量达到一定比例之后，一个后台线程开始把缓冲区的数据写入磁盘，这个写入的过程叫spill。开始spill的Buffer比例默认为0.80，可以通过mapreduce.map.sort.spill.percent配置。在后台线程写入的同时，map继续将输出写入这个环形缓冲，如果缓冲池写满了，map会阻塞直到spill过程完成，而不会覆盖缓冲池中的已有的数据。

在写入之前，后台线程把数据按照他们将送往的reducer进行划分，通过调用Partitioner的getPartition()方法就能知道该输出要送往哪个Reducer。默认的Partitioner使用Hash算法来分区，即通过key.hashCode() mode R来计算，R为Reducer的个数。getPartition返回Partition事实上是个整数，例如有10个Reducer，则返回0-9的整数，每个Reducer会对应到一个Partition。map输出的键值对，与partition一起存在缓冲中（即前面提到的kvmeta中）。假设作业有2个reduce任务，则数据在内存中被划分为reduce1和reduce2：

并且针对每部分数据，使用快速排序算法（QuickSort）对key排序。

如果设置了Combiner，则在排序的结果上运行combine。

排序后的数据被写入到mapreduce.cluster.local.dir配置的目录中的其中一个，使用round robin fashion的方式轮流。注意写入的是本地文件目录，而不是HDFS。Spill文件名像sipll0.out，spill1.out等。

不同Partition的数据都放在同一个文件，通过索引来区分partition的边界和起始位置。索引是一个三元组结构，包括起始位置、数据长度、压缩后的数据长度，对应IndexRecord类：
[mw_shl_code=applescript,true]public class IndexRecord {
  public long startOffset;
  public long rawLength;
  public long partLength;

  public IndexRecord() { }

  public IndexRecord(long startOffset, long rawLength, long partLength) {
this.startOffset = startOffset;
this.rawLength = rawLength;
this.partLength = partLength;
  }
}[/mw_shl_code]

每个mapper也有对应的一个索引环形Buffer，默认为1KB，可以通过mapreduce.task.index.cache.limit.bytes来配置，索引如果足够小则存在内存中，如果内存放不下，需要写入磁盘。

Spill文件索引名称类似这样 spill110.out.index, spill111.out.index。

Spill文件的索引事实上是 org.apache.hadoop.mapred.SpillRecord的一个数组，每个Map任务（源码中的MapTask.java类）维护一个这样的列表：

[mw_shl_code=applescript,true]final ArrayList<SpillRecord> indexCacheList = new ArrayList<SpillRecord>();[/mw_shl_code]

创建一个SpillRecord时，会分配（Number_Of_Reducers * 24）Bytes缓冲:

[mw_shl_code=applescript,true]public SpillRecord(int numPartitions) {
  buf = ByteBuffer.allocate(
   numPartitions * MapTask.MAP_OUTPUT_INDEX_RECORD_LENGTH);
  entries = buf.asLongBuffer();
}[/mw_shl_code]

numPartitions是Partition的个数，其实也就是Reducer的个数：

[mw_shl_code=applescript,true]public static final int MAP_OUTPUT_INDEX_RECORD_LENGTH = 24;
partitions = jobContext.getNumReduceTasks();
final SpillRecord spillRec = new SpillRecord(partitions);
[/mw_shl_code]

默认的索引缓冲为1KB，即1024*1024 Bytes，假设有2个Reducer，则每个Spill文件的索引大小为2*24=48 Bytes，当Spill文件超过21845.3时，索引文件就需要写入磁盘。

索引及spill文件如下图示意：

Spill的过程至少需要运行一次，因为Mapper的输出结果必须要写入磁盘，供Reducer进一步处理。

合并Spill文件

在整个map任务中，一旦缓冲达到设定的阈值，就会触发spill操作，写入spill文件到磁盘，因此最后可能有多个spill文件。在map任务结束之前，这些文件会根据情况合并到一个大的分区的、排序的文件中，排序是在内存排序的基础上进行全局排序。下图是合并过程的简单示意：

相对应的索引文件也会被合并，以便在Reducer请求对应Partition的数据的时候能够快速读取。

另外，如果spill文件数量大于mapreduce.map.combiner.minspills配置的数，则在合并文件写入之前，会再次运行combiner。如果spill文件数量太少，运行combiner的收益可能小于调用的代价。

mapreduce.task.io.sort.factor属性配置每次最多合并多少个文件，默认为10，即一次最多合并10个spill文件。最后，多轮合并之后，所有的输出文件被合并为唯一一个大文件，以及相应的索引文件（可能只在内存中存在）。

压缩

在数据量大的时候，对map输出进行压缩通常是个好主意。要启用压缩，将mapreduce.map.output.compress设为true，并使用mapreduce.map.output.compress.codec设置使用的压缩算法。

通过HTTP暴露输出结果

map输出数据完成之后，通过运行一个HTTP Server暴露出来，供reduce端获取。用来相应reduce数据请求的线程数量可以配置，默认情况下为机器内核数量的两倍，如需自己配置，通过mapreduce.shuffle.max.threads属性来配置，注意该配置是针对NodeManager配置的，而不是每个作业配置。

同时，Map任务完成后，也会通知Application Master，以便Reducer能够及时来拉取数据。

通过缓冲、划分（partition）、排序、combiner、合并、压缩等过程之后，map端的工作就算完毕：

Reducer端

各个map任务运行完之后，输出写入运行任务的机器磁盘中。Reducer需要从各map任务中提取自己的那一部分数据（对应的partition）。每个map任务的完成时间可能是不一样的，reduce任务在map任务结束之后会尽快取走输出结果，这个阶段叫copy。
Reducer是如何知道要去哪些机器去数据呢？一旦map任务完成之后，就会通过常规心跳通知应用程序的Application Master。reduce的一个线程会周期性地向master询问，直到提取完所有数据（如何知道提取完？）。

数据被reduce提走之后，map机器不会立刻删除数据，这是为了预防reduce任务失败需要重做。因此map输出数据是在整个作业完成之后才被删除掉的。

reduce维护几个copier线程，并行地从map任务机器提取数据。默认情况下有5个copy线程，可以通过mapreduce.reduce.shuffle.parallelcopies配置。

如果map输出的数据足够小，则会被拷贝到reduce任务的JVM内存中。mapreduce.reduce.shuffle.input.buffer.percent配置JVM堆内存的多少比例可以用于存放map任务的输出结果。如果数据太大容不下，则被拷贝到reduce的机器磁盘上。
内存中合并

当缓冲中数据达到配置的阈值时，这些数据在内存中被合并、写入机器磁盘。阈值有2种配置方式：

配置内存比例：前面提到reduce JVM堆内存的一部分用于存放来自map任务的输入，在这基础之上配置一个开始合并数据的比例。假设用于存放map输出的内存为500M，mapreduce.reduce.shuffle.merger.percent配置为0.80，则当内存中的数据达到400M的时候，会触发合并写入。

配置map输出数量：通过mapreduce.reduce.merge.inmem.threshold配置。

在合并的过程中，会对被合并的文件做全局的排序。如果作业配置了Combiner，则会运行combine函数，减少写入磁盘的数据量。
Copy过程中磁盘合并

在copy过来的数据不断写入磁盘的过程中，一个后台线程会把这些文件合并为更大的、有序的文件。如果map的输出结果进行了压缩，则在合并过程中，需要在内存中解压后才能给进行合并。这里的合并只是为了减少最终合并的工作量，也就是在map输出还在拷贝时，就开始进行一部分合并工作。合并的过程一样会进行全局排序。
最终磁盘中合并

当所有map输出都拷贝完毕之后，所有数据被最后合并成一个排序的文件，作为reduce任务的输入。这个合并过程是一轮一轮进行的，最后一轮的合并结果直接推送给reduce作为输入，节省了磁盘操作的一个来回。最后（所以map输出都拷贝到reduce之后）进行合并的map输出可能来自合并后写入磁盘的文件，也可能来及内存缓冲，在最后写入内存的map输出可能没有达到阈值触发合并，所以还留在内存中。

每一轮合并并不一定合并平均数量的文件数，指导原则是使用整个合并过程中写入磁盘的数据量最小，为了达到这个目的，则需要最终的一轮合并中合并尽可能多的数据，因为最后一轮的数据直接作为reduce的输入，无需写入磁盘再读出。因此我们让最终的一轮合并的文件数达到最大，即合并因子的值，通过mapreduce.task.io.sort.factor来配置。

假设现在有50个map输出文件，合并因子配置为10，则需要5轮的合并。最终的一轮确保合并10个文件，其中包括4个来自前4轮的合并结果，因此原始的50个中，再留出6个给最终一轮。所以最后的5轮合并可能情况如下：

前4轮合并后的数据都是写入到磁盘中的，注意到最后的2格颜色不一样，是为了标明这些数据可能直接来自于内存。

MemToMem合并

除了内存中合并和磁盘中合并外，Hadoop还定义了一种MemToMem合并，这种合并将内存中的map输出合并，然后再写入内存。这种合并默认关闭，可以通过reduce.merge.memtomem.enabled打开，当map输出文件达到reduce.merge.memtomem.threshold时，触发这种合并。
最后一次合并后传递给reduce方法

合并后的文件作为输入传递给Reducer，Reducer针对每个key及其排序的数据调用reduce函数。产生的reduce输出一般写入到HDFS，reduce输出的文件第一个副本写入到当前运行reduce的机器，其他副本选址原则按照常规的HDFS数据写入原则来进行，详细信息请参考这里。

通过从map机器提取结果，合并，combine之后，传递给reduce完成最后工作，整个过程也就差不多完成。最后再感受一下下面这张图：

性能调优

如果能够根据情况对shuffle过程进行调优，对于提供MapReduce性能很有帮助。相关的参数配置列在后面的表格中。

一个通用的原则是给shuffle过程分配尽可能大的内存，当然你需要确保map和reduce有足够的内存来运行业务逻辑。因此在实现Mapper和Reducer时，应该尽量减少内存的使用，例如避免在Map中不断地叠加。

运行map和reduce任务的JVM，内存通过mapred.child.java.opts属性来设置，尽可能设大内存。容器的内存大小通过mapreduce.map.memory.mb和mapreduce.reduce.memory.mb来设置，默认都是1024M。

map优化

在map端，避免写入多个spill文件可能达到最好的性能，一个spill文件是最好的。通过估计map的输出大小，设置合理的mapreduce.task.io.sort.*属性，使得spill文件数量最小。例如尽可能调大mapreduce.task.io.sort.mb。

map端相关的属性如下表：

reduce优化

在reduce端，如果能够让所有数据都保存在内存中，可以达到最佳的性能。通常情况下，内存都保留给reduce函数，但是如果reduce函数对内存需求不是很高，将mapreduce.reduce.merge.inmem.threshold（触发合并的map输出文件数）设为0，mapreduce.reduce.input.buffer.percent（用于保存map输出文件的堆内存比例）设为1.0，可以达到很好的性能提升。在2008年的TB级别数据排序性能测试中，Hadoop就是通过将reduce的中间数据都保存在内存中胜利的。

reduce端相关属性：

通用优化

Hadoop默认使用4KB作为缓冲，这个算是很小的，可以通过io.file.buffer.size来调高缓冲池大小。

来源：Lust-Ring