hadoop - Hadoop 分区器

Question

我想问一下 Hadoop 分区器，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

分区器不在 Mapper 中。

以下是每个 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减速器在每个分区内按键执行内存排序
• 对每种排序的结果运行组合器功能（减少写入和传输的数据，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可通过 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 mapper 收集所有文件，它进入排序/合并阶段（排序已经在 mapper 端完成）合并所有 map 输出并保持排序顺序。

• 在归约阶段，针对排序输出中的每个键调用归约函数。

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密钥必须发送到的分区号/reducer。每个键的哈希码必须是唯一的，并且在整个环境中，哈希码对于一个键应该是唯一且相同的。为此，hadoop 为其键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;
       }

       }

Answer 2

Partitioner 是介于 Mappers 和 Reducers 之间的关键组件。它在 Reducer 之间分发地图发出的数据。

Partitioner 在每个 Map Task JVM（java 进程）中运行。

默认分区HashPartitioner器基于 Hash 函数工作，与其他分区器（如TotalOrderPartitioner. 它在每个地图输出键上运行哈希函数，即：

Reduce_Number = (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;

要检查 Hash Partitioner 的性能，请使用 Reduce 任务计数器并查看 reducer 之间的分布情况。

Hash Partitioner 是基本的分区器，不适合处理高偏度的数据。

为了解决数据倾斜问题，我们需要Partitioner.java从 MapReduce API 编写自定义分区器类扩展类。

自定义分区器的示例就像RandomPartitioner. 这是在 reducer 之间均匀分布倾斜数据的最佳方法之一。