MapReduce 运行过程源代码分析

1. Map类及流程分析
(1) InputFormat generates InputSplit and produces RecordReader;   An InputSplit is a logical representation of a unit of input work for a map task; RecordReader will turn those logical work units into actual physical input records.

(2) 运行job中的Mapper implementation； Mapper contains run() method, which will calls setup() once, map() method for each input record, and finally cleanup() method.  All can be overided.
(3) Context object let M/R instance interact with the rest of Hadoop System.  Set configuration data in job with Job.getConfiguration().set("",""); Get configuration data with Context.getConfiguration().get("",""). 通常将这类的操作放在setup()中。
(4) Mapper.run calls map() for each input key/value pair in that inputsplit;
(5) 将处理结果key/value通过context.write()写入内存，由此展开混洗过程。
Context class is useful that application can use it to report application-level status and update Counters instance.
(6) 首先通过partitioner对key hash后获取partition信息，然后将key/value/partition信息写到内存缓冲区内存缓冲批量收集map结果，减少磁盘IO。在写磁盘前，将在内存缓冲区对安装partition进行分区，然后再每个分区内部完成排序。
(7) 内存缓冲区默认大小100M，当数据达到设置的百分比时启动溢写线程。如果一次spill有很多key/value具有相同的partition信息，那么会进行拼接，以减少partition信息所占用的空间；
(8) 如果设置有combiner，那么在溢写磁盘前，会完成combiner操作，以减少写到磁盘的数据大小, perform local aggregation. 每个spill单元都进行排序；所以每个溢写文件都内部都是有序的且包含分区信息；
(9) 溢写线程会根据需要生成一到多个溢写文件；
(10) Map完成之后，需要将多个溢写文件进行merge操作，形成一个大文件；
这个大文件包含partition信息（基本以此分组的存放），包含键值对； 另外，多个文件merge时，会形成（key，[value1，value2....]）的结构数据（这也是在reduce阶段要进行同key值合并的原因); 这个大文件是已经分区的且已经排序了。
All intermediate values associated with a given output key are subsequently grouped by the framework, and passed to the Reducer(s) to determine the final output. Users can control the grouping by specifying a Comparator via JobConf.setOutputKeyComparatorClass(Class). If default, all values with the same key will be presented by an unordered Iterable to a call to the Reducer.  如果就是为了想加的话，那么久没有必要了。
(11) 压缩如果开启，也会启动，以减少写到磁盘的数据大小； If no compress, the default format of intermediate, sorted output is stored in(key-len, key, value-len,value)
(12) 所有在inputsplit的records处理完成后，调用cleanup.
(13) Map 通知 tasktracker,进而通知jobtracker，以更新完成状态和输出文件信息。
(14) The final output of each Mapper is grouped, sorted and Partitioned.

2. Reduce过程分析
(1) Reduce进程会启动多个http复制线程，用于从各个mapper输出拷贝文件
(2) 上述拷贝过来的文件会被放入内存缓冲区，完成sort和merge操作；如果内存中的数据过多，那么也会溢写成多个文件；
(3) 后台线程将多个临时的磁盘文件归并成更大的文件作为Reducer的输入；
(4) Application can specify a Comparator for Secondary sort;
(5) 传输给reducer, 完成操作；
Mark and Reset are available while application iterate through the values for a given key.
(6) the output of the reducer is not sorted；