Hadoop分区器

Question

我想问一下Hadoop partitioner，它是在Mappers中实现的吗？。如何衡量使用默认哈希分区器的性能 - 是否有更好的分区器来减少数据倾斜？

谢谢

Answer 1

Partitioner 不在 Mapper 中。

下面是每个Mapper中发生的过程-

• 每个映射任务将其输出写入循环缓冲存储器(而不是磁盘)。当缓冲区达到阈值时，后台线程开始将内容溢出到磁盘。 [缓冲区大小由 mapreduce.task.io.sort.mb 属性控制，默认为 100 MB，溢出由 mapreduce.io.sort.spill.percent 属性控制，默认为 0.08 或 80%]。在溢出到磁盘之前数据被分区对应于它们将被发送到的 reducer 在每个分区内按键执行内存排序
• 对每个排序的结果运行组合器函数(减少数据写入和传输，这需要专门完成)
• 压缩(可选)[mapred.compress.map.output=true; mapred.map.output.compression.codec=编解码器名称]
• 写入磁盘和输出文件的分区通过 HTTP 提供给 reducer。

以下是每个 Reducer 中发生的过程

• 现在每个 Reducer 从每个映射器收集所有文件，它进入排序/合并阶段(排序已经在映射器端完成)合并所有映射输出并保持排序顺序。

  <

• 在 reduce 阶段，为排序输出中的每个键调用 reduce 函数。

下面是代码，说明了键分区的实际过程。 getpartition() 将根据其哈希码返回特定 key 必须发送到的分区号/reducer。哈希码对于每个键都必须是唯一的，并且在整个景观中哈希码对于一个键应该是唯一且相同的。为此，hadoop 为其 key 实现了自己的哈希码，而不是使用 java 默认哈希码。

 Partition keys by their hashCode(). 

        public class HashPartitioner<K, V> extends Partitioner<K, V> {
        public int getPartition(K key, V value,
                                 int numReduceTasks) {
           return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
       }

       }