Map Reduce编程中的reducer的改组和排序阶段的目的是什么？

Question

在Map Reduce编程中，reduce阶段具有改组，排序和reduce的子部分。排序是一件昂贵的事情。Map Reduce编程中的reducer的改组和排序阶段的目的是什么？

Answer 1

首先shuffling是将数据从映射器传输到简化器的过程，所以我认为对于简化器来说很明显是必要的，因为否则，它们将无法获得任何输入（或每个映射器的输入） 。改组甚至可以在地图阶段完成之前开始，以节省一些时间。因此，当地图状态尚未达到100％时，您会看到缩小状态大于0％（但小于33％）。

Sorting为减速器节省时间，帮助它轻松区分何时应开始新的减速任务。简单地说，当排序后的输入数据中的下一个键与上一个键不同时，它只是启动一个新的reduce任务。每个reduce任务都会获取一个键值对列表，但是它必须调用reduce（）方法，该方法接受一个key-list（value）输入，因此必须按键对值进行分组。如果在映射阶段对输入数据进行了预排序（本地），而在归约阶段简单地进行了归并排序（因为归约器从许多映射器获取数据），则这样做很容易。

Partitioning您在其中一个答案中提到的，是一个不同的过程。它确定映射相位的输出（键，值）对将发送到哪个减速器。默认的分区程序在键上使用哈希将其分配给reduce任务，但是您可以覆盖它并使用自己的自定义分区程序。

这些步骤的重要信息来源是此Yahoo教程。

下面是一个很好的图形表示形式（在此图中，混洗称为“复制”）：

请注意，如果您指定零个减速器（setNumReduceTasks（0））shuffling，sorting则根本不会执行和。然后，MapReduce作业在地图阶段停止，并且地图阶段不包括任何种类的排序（因此，即使地图阶段也更快）。

更新：由于您正在寻找更正式的东西，因此您也可以阅读Tom White的书“ Hadoop：权威指南”。这是您问题的有趣部分。

Tom White自2007年2月以来一直是Apache Hadoop的提交者，并且是Apache Software Foundation的成员，因此我认为它是相当可信且正式的...

Answer 2

让我们回顾一下Mapreduce程序的关键阶段。

该地图相由映射器来完成。映射器在未排序的输入键/值对上运行。每个映射器为每个输入键/值对发出零个，一个或多个输出键/值对。

该组合相由合成器来完成。该组合应结合键/值对具有相同的密钥。每个组合器可以运行零次，一次或多次。

在洗牌和排序阶段是由框架来完成。来自所有映射器的数据按键分组，在化简器中拆分，然后按键排序。每个化简器获得与同一键关联的所有值。程序员可以提供用于排序的自定义比较功能，以及用于数据拆分的分区程序。

该分区决定哪些减速会得到一个特定的键值对。

该减速器取得排序键/ [值列表]对，排序由所述密钥。值列表包含由映射器生成的具有相同键的所有值。每个缩减器为每个输入键/值对发出零，一个或多个输出键/值对。

看看这个javacodegeeks 文章由玛丽亚Jurcovicova和mssqltips由达塔为了更好的理解文章

Answer 3

我想到的只是添加以上答案中缺少的几点。从这里获取的这张图清楚地说明了实际情况。

如果我再说一遍的真正目的

拆分：通过在不同节点（映射程序）之间分配处理负载来改善并行处理，这将节省总体处理时间。

合并：缩小每个Mapper的输出。这样可以节省将数据从一个节点移动到另一个节点的时间。

排序（随机排序）：使运行时可以轻松地计划（生成/启动）新的reducer，在浏览排序项目列表时，只要当前键与先前的键不同，就可以生成一个新的reducer 。