这是我的第27篇原创
上次一张MapReduce流程图画了我两天，始终不够满意，不够简洁。等有灵感了，再重新试试。
在MR、Storm、Spark、Flink这4种大数据计算引擎中，MR是当之无愧的开创者，甚至比后来的Storm都还要更稳定。其原因就是环形缓冲区，今天咱就来解剖这个环形缓冲区。
环形缓冲区
让我们回顾一下MapReduce的大致流程：
1、input组件从HDFS读取数据；
2、按照规则进行分片，形成若干个spilt；
3、进行Map
4、打上分区标签（patition）
5、数据入环形缓冲区（KVbuffer）
6、原地排序，并溢写（sort+spill）
7、combiner+merge，落地到磁盘
8、shuffle到reduce缓存
9、继续归并排序（mergesotr）
10、reduce
11、输出到HDFS
如上图所示，环形缓冲区是在溢写到磁盘之前的操作。
解剖环形缓冲区
环形缓冲区分为三块，空闲区、数据区、索引区。初始位置取名叫做“赤道”，就是圆环上的白线那个位置。初始状态的时候，数据和索引都为0，所有空间都是空闲状态。
tips：这里有一个调优参数，可以设置环形缓冲区的大小：
mapreduce.task.io.sort.mb，默认100M，可以稍微设置大一些，但不要太大，因为每个spilt就128M。
环形缓冲区写入的时候，有个细节：数据是从赤道的右边开始写入，索引（每次申请4kb）是从赤道是左边开始写。这个设计很有意思，这样两个文件各是各的，互不干涉。
在数据和索引的大小到了mapreduce.map.sort.spill.percent参数设置的比例时（默认80%，这个是调优的参数），会有两个动作：
1、对写入的数据进行原地排序，并把排序好的数据和索引spill到磁盘上去；
2、在空闲的20%区域中，重新算一个新的赤道，然后在新赤道的右边写入数据，左边写入索引；
3、当20%写满了，但是上一次80%的数据还没写到磁盘的时候，程序就会panding一下，等80%空间腾出来之后再继续写。
如此循环往复，永不停歇，直到所有任务全部结束。整个操作都在内存，形状像一个环，所以才叫环形缓冲区。
为什么要有环形缓冲区？
我们读取到文件，直接排序，然后写到HDFS里不就好了吗？为啥还要整一个环形缓冲区呢？
那从架构的角度看环形缓冲区，他这么设计有什么用呢？解决什么问题呢？
思路广的朋友应该已经反应过来了。环形缓冲区不需要重新申请新的内存，始终用的都是这个内存空间。大家知道MR是用java写的，而Java有一个最讨厌的机制就是Full GC。Full GC总是会出来捣乱，这个bug也非常隐蔽，发现了也不好处理。环形缓冲区从头到尾都在用那一个内存，不断重复利用，因此完美的规避了Full GC导致的各种问题，同时也规避了频繁申请内存引发的其他问题。
另外呢，环形缓冲区同时做了两件事情：1、排序；2、索引。在这里一次排序，将无序的数据变为有序，写磁盘的时候顺序写，读数据的时候顺序读，效率高非常多！
在这里设置索引区也是为了能够持续的处理任务。每读取一段数据，就往索引文件里也写一段，这样在排序的时候能加快速度。
有意思的是在Map阶段，是有索引文件的，但是在Reduce的时候就没有索引文件了，你知道是为什么吗？
理解事情的三个层次
我们理解一件事情，有三个层次：第一层看表面，第二层看原理，第三层看架构。
看表面的，是观众，是规则的顺从者；
看原理的，是导演，是规则的利用者；
看架构的，是作者，是规则的创造者，也就是我最喜欢的上帝视角。
无论在哪个领域，一旦你开启了上帝视角，你将无往而不利！
以上，与诸位共勉！
