Mapreduce工作流程和Shuffle机制

Mapreduce工作流程

Mapreduce由Map阶段和Reduce阶段组成，在前面我们编写mapreduce程序时，比如WordCount案例等，需要实现map()函数和reduce()函数
Map阶段

Reduce阶段

Shuffle机制

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle
上面的流程是整个MapReduce的工作流程，但是Shuffle过程只是从第7步开始到第16步结束

1. MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中,默认大小为100M，Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，缓冲区越大，磁盘io的次数越少，执行速度就越快。缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M。
2. 当该缓冲区快要溢出时，默认为缓冲区大小的80%， 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件，多个溢出文件会被合并成大的溢出文件
3. 在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
4. ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
5. ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
6. 合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）