MapReduce过程<原创>

一、预处理阶段

二、Map阶段

一个Map任务被JobTracker(管家)分配到多个TaskTracker(弟弟)执行,如下图所示，弟弟的map()只负责拆分，虽然map()输出两个相同的键值对，但它并不会对两个重复的键值对进行合并，而且输出的键值对也是无序的，没有按照字母顺序排列。而这些工作都会交给Shuffle(洗牌)阶段去做。

三、Shuffle阶段

Shuffle阶段实际上并不是一个和Map阶段和Reduce阶段独立的阶段，实际上它分为Map端的Shuffle阶段和Reduce端的阶段，为了方便讨论，就把这个两个子阶段放在一起讨论，统称为Shuffle阶段。

（一）Map端的Shuffle阶段

每个map()任务都会被分配一块缓存，对于每个map()的输出数据，不是直接写入磁盘，而是先写入缓存里，当缓存达到一定比例时对它进行溢写操作，将溢写好的数据进行归并(、合并)发送到本地磁盘，并清空该数据占用的缓存，还在执行的map()们可以继续不停地将结果写入缓存。之所以这样设计，是为了减少I/O消耗，节省了时间。

溢写，包括分区(Partiyion)、排序(Sort)、合并(Combine)。溢写过程，是在缓存中完成的。

看过巨佬的博客之后对错误的理解进行了更正：每个分区含有多个不同key值的键值对，而不是一个分区只含有一种key值对应的多个键值对。举例：

1分区： < Hello ，1> <Hello ，1 > <Hadoop ，1 > ， 2分区：<World ，1 > <World ，1>

即key值为Hello的键值对全部被分到1分区，其他分区不会存在key值为Hello的键值对，而1分区除了Hello还有多个其他的key值的键值对存在。

合并(Combine)与归并(Merge)的区别:

合并是针对每个分区内部的键值对的操作，而归并是针对磁盘中的多个溢写文件的操作，将多个溢写文件归并成一个大的溢写文件。

对于两个键值对< a ,1 >和< a ,1>,合并的结果是 <a , 2 >：合并实际上就是在map端执行reduce的操作，是为了减少网络传输开销，但是并不是所有的情况都能使用合并操作，可通过调用job.setCombinerClass（MyReduce.class）设置这一操作；

而归并的结果是<a,<1,1>>，合并是不是默认MapReduce的默认操作，归并是默认操作。归并的结果是可以继续合并再作为最终结果发送到本地磁盘作为Reduce的输入的。

(二)Reduce端的Shuffle阶段

1.领取数据

Map端的Shuffle阶段将合并或归并好的数据发送到本地磁盘里。在Map任务开始后，Reduce会不断的通过RPC通信协议来询问JobTracker(管家)，Map任务是否已经完成。JobTracker检测到一个Map任务完成后会通知相关的Reduce来领取属于自己的数据。一般系统中会存在多个Map机器，Reduce需要使用多线程同时从多个Map机器领取数据。

2.归并、输出

尽管每个map()都在之前进行过合并、归并处理，但当Reduce从多个Map机器中领取回数据后，Reduce机器的缓冲中又存在着相同的可以合并的键值对、具有相同key值的键值对也会被归并。在这个阶段，合并也不是默认的，需要用户自定义。和Map端的Shuffle阶段不同的是，当前阶段生成多个文件发送给Reduce阶段。

三、Reduce阶段

对不同分区的相同key对应的值进行相加，输出最后的结果。并写入到HDFS系统中，也就是写入磁盘。

一定要看：

巨佬博客(一看就懂系列)：https://www.cnblogs.com/npumenglei/p/3631244.html