Python大数据MapTask工作原理

　  今天的Python大数据培训课程我们讲一下MapTask工作原理，MapTask作为MapReduce工作流程的前半部分，它主要经历了5个阶段，分别是Read阶段、Map阶段、Collect阶段、Spill阶段和Combine阶段，如图4-7所示。

　　图4-7MapTask工作原理

　　关于MapTask这5个阶段的相关介绍如下：

　　（1）Read阶段：MapTask通过用户编写的RecordReader，从输入的InputSplit中解析出一个个key/value。

　　（2）Map阶段：将解析出的key/value交给用户编写的map()函数处理，并产生一系列新的key/value。

　　（3）Collect阶段：在用户编写的map()函数中，数据处理完成后，一般会调用outputCollector.collect()输出结果，在该函数内部，它会将生成的key/value分片（通过调用partitioner），并写入一个环形内存缓冲区中。

　　（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

　　（5）Combine阶段：当所有数据处理完成以后，MapTask会对所有临时文件进行一次合并，以确保较终只会生成一个数据文件。