1. 根据官方图片可以看出,Map spill是分区排序的,多个spill文件会做一个归并排序,形成一个唯一的分区排序的最终文件。这里的归并排序调用的是Merge类的merge方法,注意hadoop的归并和排序不是两个分开的过程,而是一个过程,在归并的同时进行了排序。
2. reduce过程会把这些由map输出的中间文件拷贝到本地,然后生成一个或者几个Segment类的实例(官方图reduce端中左起第一部分应该就是这些segment),以下我们称这些实例为segment。Segment类封装了这些中间数据,并且提供了一些针对这些中间数据的操作,比如读取记录等。在reduce端,这些中间数据可以存在内存中,也可以存在硬盘中。同时,系统还会启动两个merge(归并)线程,一个是针对内存中的segment进行归并,一个是针对硬盘中的segment进行归并(官方图reduce端中左起第二部分应该就是归并后的segment,从后面可以看到是以小根堆的形式)。merge过程实际上就是调用了Merge类的merge方法。
3. 针对segment排序的过程是以segment为单位的,而不是以segment中存储的记录(record)为单位的。而这里排序过程中对两个segment对象的比较是对segment中存储的第一个记录的键的比较。现在,我们已经得到了一个以segment为单位,以segment中第一个记录的键为比较依据的小根堆,至此在系统中所谓的sort阶段就已经结束了