MapReduce框架原理之MapReduce工作流程

一、流程图

二、流程详解

上面的流程是整个mapreduce最全工作流程，但是shuffle过程只是从第7步开始到第15步结束，具体shuffle过程详解，如下：

（1）maptask收集我们的map()方法输出的kv对，放到内存缓冲区中。

（2）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。

（3）多个溢出文件会被合并成大的溢出文件。

（4）在溢出过程中，以及合并过程中，都要调用partitioner进行分区和针对key进行排序。

（5）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

（6）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）

（7）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）

注意：

Shuffle中的缓冲区大小会影响到mapreduce程序的执行效率，原则上说，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。