大数据框架之Hadoop：MapReduce（三）MapReduce框架原理——ReduceTask工作机制

1、ReduceTask工作机制

ReduceTask工作机制，如下图所示。

（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。

（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。

2、设置ReduceTask并行度（个数）

ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：

// 默认值是1，手动设置为4
job.setNumReduceTasks(4);

3、实验：测试ReduceTask多少合适

（1）实验环境：1个Master节点，16个Slave节点：CPU:8GHZ，内存: 2G

（2）实验结论：

4、注意事项

• ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致
• ReduceTask默认值是1，所以输出文件个数为一个
• 如果数据分布不均匀，就可能在Reduce阶段产生数据倾斜
• ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有一个ReduceTask
• 具体多少个ReduceTask，需要根据集群性能而定
• 如故宫分区数不是1，但是ReduceTask为1，是否执行分区过程。答案是：不执行分区过程。因为MapTask的源码中，执行分区的前提是先判断Partition个数是否大于1。不大于1则不执行。