大数据开发：MapReduce排序问题详解

Hadoop MapReduce，作为分布式计算的第一代引擎，其经典的地位是不容动摇的，而越是经典越是有代表性的东西，也就越需要去深入理解其中的原理和运行机制。今天的大数据开发分享，我们主要来讲讲MapReduce排序的相关问题。

排序是MapReduce的灵魂，MapReduce在Map和Reduce的两个阶段当中，都在反复地执行排序。

在MapReduce中有两种排序方式，分别是快速排序和归并排序——

快速排序：通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

归并排序：归并排序（MERGE-SORT）是建立在归并操作上的一种有效的排序算法，该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列有序，再使子序列段间有序。若将两个有序表合并成一个有序表，称为二路归并。

在MapReduce的shuffle过程中通常会执行三次排序，分别是：

Map的溢写阶段：根据分区以及key进行快速排序

Map的合并溢写文件：将同一个分区的多个溢写文件进行归并排序，合成大的溢写文件

Reduce输入阶段：将同一分区，来自不同Map task的数据文件进行归并排序

此外，在MapReduce整个过程中，默认是会对输出的KV对按照key进行排序的，而且是使用快速排序。

Map输出的排序，其实也就是上面的溢写过程中的排序。

Reduce输出的排序，即Reduce处理完数据后，MapReduce内部会自动对输出的KV按照key进行排序。

在Map端：

每个Map任务都有一个环形的内存缓冲区用于存储任务输出。缓冲区达到一定的阈值(默认80%)，一条后台线程便开始把内容溢出(spill)到磁盘。每次内存缓冲区达到溢出阈值，就会新建一个溢出文件(spill file)。

在写磁盘之前，线程首先根据数据最终要传的Reduce把数据划分成相应的分区(partition)。在每个分区中，后台线程按键进行内存中排序(排序是在Map端进行的)。如果有combiner函数就会在排序后的输出上运行，为了让Map输出结果更加紧凑。

在任务完成之前，溢出文件被合并成一个已分区且已排序的输出文件。如果溢出文件多于设置的数量，combiner就会在输出文件写到磁盘之前再次运行。

在Reduce端：

复制阶段，如果Map的输出相当小，会被复制到Reduce任务的JVM内存中；否则Map输出被复制到磁盘。随着磁盘上副本增多，后台线程会将它们合并为更大的、排好序的文件。

排序阶段，准确的说是合并阶段。复制完成Map的输出后，将合并Map输出，维持其顺序排序。最后一趟的合并来自内存和磁盘片段。

Reduce阶段，执行Reduce任务，把最后一趟合并的数据直接输入Reduce函数，从而省略了一次磁盘往返行程。