hadoop1.x MapReduce工作原理

MapReduce 如何解决负载均衡和数据倾斜：

阶段主要出在Map作业结束后，shuffer（洗牌）过程中，如何将map处理后的结果分成多少份，交由Reduce作业，使得每部分reduce作业尽可能均衡处理数据计算。

系统默认将partitions 按照Hash模运算分割（存储对象的hash值与reduce的个数取模），这样很容易出现数据倾斜，导致其中一个reduce作业分得大量数据计算，另一个ruduce作业基本上没有任何数据处理。如何，解决的这种事情，就需要靠程序控制partitions的值

Sort：默认排序是按照字典排序的（按ASCII）

Shuffer阶段比较的操作要执行两次，一次是map task之后的sort另一次是在从本次磁盘将partition数据拷贝到指定reduce 之前的合并，将符合统一范围的key的数据归并

面试：

1.partition：将map输出的数据，按照某种规则将数据划分，分给哪一个reduce，默认使用hash模运算执行

2.spill：

过程：map的内存缓存区数据填满时，启动一个单独的线程，将数据按照一定比例写入本地磁盘。

Sort：将数据按照大小排序（可自定义）默认字典排序

Combiner：（可有可无）将相同的K_V中的value加起来，减少溢写磁盘的数据

Shuffer的后半过程：

将map处理后放入map节点的本地磁盘的数据拷贝到rudece节点的内存中 去，数据量少的话，直接交由reduce处理。数据量大的时候，同样需要溢写到磁盘中，按照K值相同的方法进行merge，然后在交由指定的reduce执行

修改默认hdfs的block大小：

这个需要修改hdfs-site.conf配置文件，增加全局参数dfs.block.size。

如下：

修改后参数，

把配置同步到其它节点，并重启hdfs。