整个MapReduce的运行过程

input --> map --> shuffle -->reduce --->output

以wordcount数据模型为例

Map的输出数据模式如下：<hadoop,1><spark,1>以<key,value>对的形式存在

因为map阶段是对整个文件中的每一个元素进行处理，对于Map的输出量是很大的。

Shuffle阶段

1>Map的数据会写入到内存(环形缓冲区：默认大小:100m),当数据达到缓冲区总容量的80%（阈值）的时候，会将数据spill到本地磁盘

• 分区（partitioner）分区决定map输出的数据将会被哪个reduce任务进行处理。
  因为分区的数目对应了reduce的数量
• 排序  
  对分区中的数据排序
• spill写到本地磁盘
  将内存中的数据写入到本地磁盘（hadoop.tmp.dir对应的目录）

2>当Map阶段数据处理完成之后,会将spill到磁盘的数据进行合并

在1中提到，每次数据达到缓冲区容量的阈值时，会将数据spilll到磁盘，此时会在该目录下产生很多小文件

• 将各个分区的数据合并到一起
• 分区合并后再次排序

3>当map阶段数据处理完成之后，各个reduce任务主动到已经完成的map任务的本地磁盘中去拉去属于自己要处理的数据，最后形成一个文件

• reduce对应partition写入到内存，根据reduce端数据内存的阈值，spill到reduce本地磁盘中，形成一个个小文件
• 对文件进行合并 
• 排序
• 分组，将相同key的value放在一起
  <hadoop,1>
  <hadoop,1>  --><hadoop,List<1,1,1>>
  <hadoop,1>

 

Reduce阶段的数据模型是<hadoop,List<1,1,1>>

 

整个流程的图片参考

PS:以下图片来自卡弗卡大数据，侵删