总结：详细讲解MapReduce过程(整理补充)

关于整理

此文百分之七十摘自我认为讲的很清楚的博客，我都贴了地址，很感谢这些博主的无私奉献！我再将一些自己的实例代码和知识点的补充加入进去，希望能更好的理解mapreduce的整个过程。

从启动和资源调度来看MapReduce过程

Hadoop 1.x版本

首先-先了解一下必知概念

From：MapReduce工作原理图文详解，JobTracker和TaskTracker概述

• 客户端（Client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；
• JobTracker：JobTracker是一个后台服务进程，启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。
  • 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
  • 状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。主要作用：容错和为任务调度提供决策依据。
  • JobTracker只有一个，他负责了任务的信息采集整理，你就把它当做包工头把，这个和采用Master/Slave结构中的Master保持一致
  • JobTracker 对应于 NameNode
  • 一般情况应该把JobTracker部署在单独的机器上
• TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。
  • 从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等
  • 将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker，节点健康情况、资源使用情况，任务执行进度、任务运行状态等，比如说map task我做完啦，你什么时候让reduce task过来拉数据啊
  • TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。
  • TaskTracker都需要运行在HDFS的DataNode上
• HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面
  • NameNode： 管理文件目录结构，接受用户的操作请求,管理数据节点(DataNode)
  • DataNode：是HDFS中真正存储数据的
    • Block：是hdfs读写数据的基本单位，默认64MB大小，就是说如果你有130MB数据，那就要分成三个block，两个存放64MB，最后一个存放2MB数据，虽然最后一个block块是64MB，但实际上占用空间为2MB
  • Sencondary NameNode：它的目的是帮助 NameNode 合并编辑日志，减少 NameNode 启动时间，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。可参考Secondary NameNode:它究竟有什么作用？

其次-走一遍流程

规范是：

1. 执行的步骤
   • 步骤中涉及的知识点
     • 知识点的补充

按照这样的规范进行讲解

1. 在客户端启动一个作业。拿个比方说，我提交了一个hive程序

   • 客户端（Client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；

2. 向JobTracker请求一个Job ID，就像你排队买车一样，你不得摇个号啊，没有这个号你就不能买车(执行任务)。

   • JobTracker：JobTracker是一个后台服务进程，启动之后，会一直监听并接收来自各个TaskTracker发送的心跳信息，包括资源使用情况和任务运行情况等信息。
     • 作业控制：在hadoop中每个应用程序被表示成一个作业，每个作业又被分成多个任务，JobTracker的作业控制模块则负责作业的分解和状态监控。
     • 状态监控：主要包括TaskTracker状态监控、作业状态监控和任务状态监控。主要作用：容错和为任务调度提供决策依据。
     • JobTracker只有一个，他负责了任务的信息采集整理，你就把它当做包工头把，这个和采用Master/Slave结构中的Master保持一致
     • JobTracker 对应于 NameNode
     • 一般情况应该把JobTracker部署在单独的机器上

3. 将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门为该作业创建的文件夹中。文件夹名为该作业的Job ID。JAR文件默认会有10个副本（mapred.submit.replication属性控制）；输入划分信息(Split)告诉了JobTracker应该为这个作业启动多少个map任务等信息。

   • HDFS：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面
     • NameNode： 管理文件目录结构，接受用户的操作请求,管理数据节点(DataNode)
     • DataNode：是HDFS中真正存储数据的
       • Block：是hdfs读写数据的基本单位，默认64MB大小，就是说如果你有130MB数据，那就要分成三个block，两个存放64MB，最后一个存放2MB数据，虽然最后一个block块是64MB，但实际上占用空间为2MB
     • Sencondary NameNode：它的目的是帮助 NameNode 合并编辑日志，减少 NameNode 启动时间，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。可参考[Secondary NameNode:它究竟有什么作用？

4. JobTracker接收到作业后，将其放在一个作业队列里(一般来说，公司部门都与自己的队列，默认的调度方法是FIFO，也就是first in first out-队列)，等待作业调度器对其进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息(Split)为每个划分创建一个map任务，并将map任务分配给TaskTracker执行。对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

   • TaskTracker：TaskTracker是JobTracker和Task之间的桥梁。TaskTracker与JobTracker和Task之间采用了RPC协议进行通信。
     • 从JobTracker接收并执行各种命令：运行任务、提交任务、杀死任务等
     • 将本地节点上各个任务的状态通过心跳周期性汇报给JobTracker，节点健康情况、资源使用情况，任务执行进度、任务运行状态等，比如说map task我做完啦，你什么时候让reduce task过来拉数据啊
     • TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。
     • TaskTracker都需要运行在HDFS的DataNode上

5. TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。

Hadoop 2.x版本

相较于1.x的版本，目前绝大多数公司用的都是基于2.x的版本，很大的区别就在于使用了Yarn作为了资源管理器，可以使不同的计算框架运行与同一个资源调度器下，而且也解决了1.x版本中JobTracker压力过大，无法扩展及NameNode单点故障等问题。

首先阐述几个重要概念

1. ResouceManager
   包含主要的组件：定时调用器(Scheduler)以及应用管理器(ApplicationManager)。

• 定时调度器(Scheduler)：从本质上来说，定时调度器就是一种策略，或者说一种算法。当 Client 提交一个任务的时候，它会根据所需要的资源以及当前集群的资源状况进行分配。注意，它只负责向应用程序分配资源，并不做监控以及应用程序的状态跟踪。
• 应用管理器(ApplicationManager)：同样，听名字就能大概知道它是干嘛的。应用管理器就是负责管理 Client 用户提交的应用。上面不是说到定时调度器（Scheduler）不对用户提交的程序监控嘛，其实啊，监控应用的工作正是由应用管理器（ApplicationManager）完成的。

2. ApplicationMaster

• 每当 Client 提交一个 Application 时候，就会新建一个 ApplicationMaster 。由这个 ApplicationMaster 去与 ResourceManager 申请容器资源，获得资源后会将要运行的程序发送到容器上启动，然后进行分布式计算。

3. NodeManager

• NodeManager 是 ResourceManager 在每台机器的上代理，负责容器的管理，并监控他们的资源使用情况（cpu，内存，磁盘及网络等），以及向 ResourceManager/Scheduler 提供这些资源使用报告。

执行过程如图所示

From：https://blog.csdn.net/lb812913059/article/details/79897863

1. 通过submit或者waitForCompletion提交作业，waitForCompletion()方法通过每秒循环轮转作业进度如果发现与上次报告有改变，则将进度报告发送到控制台

2. 向ResourceManager申请Application ID，RM检查输入输出说明、计算输入分片

3. 复制作业的资源文件，将作业信息(jar、配置文件、分片信息)复制到HDFS上用户的应用缓存目录中

4. 通过submitApplication()方法提交作业到资源管理器

5. 资源管理器在收到submitApplication()消息后，将请求传递给调度器(Scheduler)
   调度器为其分配一个容器Container,然后RM在NM的管理下在container中启动程序的ApplicationMaster进程

6. ApplicationMaster对作业进行初始化，创建过个薄记对象以跟踪作业进度
   是一个java应用程序，他的主类是MRAppmaster

7. ApplicationMaster接受来自HDFS在客户端计算的输入分片
   对每一个分片创建一个map任务，任务对象，由mapreduce.job.reduces属性设置reduce个数

• uber模式：当任务小的时候就会启动一个JVM运行MapReduce作业，这在MapReduce1中是不允许的；这样的作业在YARN中成为uber作业，通过设置mapreduce.job.ubertask.enable设置为false使用；那什么是小任务呢?当小于10个mapper且只有1个reducer且输入大小小于一个HDFS块的任务

8. 如果作业不适合uber任务运行，ApplicationMaster就会为所有的map任务和reduce任务向资源管理器申请容器
   请求为任务指定内存需求，map任务和reduce任务的默认都会申请1024MB的内存

9. 资源管理器为任务分配了容器，ApplicationMaster就通过节点管理器启动容器。
   该任务由主类YarnChild的java应用程序执行。

10. 运行任务之前，首先将资源本地化，包括作业配置、jar文件和所有来自分布式缓存的文件

11. 最后执行map任务和reduce任务

用人话描述大致描述一下

首先Client向ResourceManager (RM)提交一个Application，RM找了下下资源比较丰富的NodeManager(NM)，要求他开辟一个container来启动ApplicationMaster(AM), AM收集到启动任务需要用到的资源量(如申请的map的个数依赖于Input Split的大小)，将所需要的资源量向RM提交，RM通过一个资源列表的方式选择一些资源相对丰富的NM返回，告诉AM哪一些节点NM可用启动任务，AM开始和NM进行通信，告知启动对应的map/reduce任务；NM开辟一些列的container来执行这些任务，和AM保持通信。一旦所有任务执行结束，AM向Client输出结果并向RM注销自己

以提交一个完整的mapreduce任务来演示，这里用hive

hive> set mapred.job.queue.name=root.xxxxxxxxx;
    > insert overwrite table query_result
    > select * from A join B on A.name=B.name;    # 这里是提交一个job，这里提交hive任务
    
Query ID = xx_20161216130626_40fda9ef-386f-4ef3-9e13-7b08ad69118c  # 申请资源
Total jobs = 3
Launching Job 1 out of 3
Number of reduce tasks not specified. Estimated from input data size: 1   # reduce个数如果没有设置，那就根据split来确定
In order to change the average load for a reducer (in bytes):
  set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
  set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
  set mapreduce.job.reduces=<number>
Starting Job = job_1481285758114_429080, Tracking URL = http://bigdata-hdp-apache500.xg01:8088/proxy/application_1481285758114_429080/
Kill Command = /usr/local/hadoop-2.7.2/bin/hadoop job  -kill job_1481285758114_429080
Hadoop job information for Stage-1: number of mappers: 2; number of reducers: 1
2016-12-16 13:06:39,518 Stage-1 map = 0%,  reduce = 0%
2016-12-16 13:06:50,846 Stage-1 map = 50%,  reduce = 0%, Cumulative CPU 3.7 sec
2016-12-16 13:06:55,987 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 11.24 sec
2016-12-16 13:07:13,418 Stage-1 map = 100%,  reduce = 67%, Cumulative CPU 12.53 sec
2016-12-16 13:07:28,715 Stage-1 map = 100%,  reduce = 82%, Cumulative CPU 16.31 sec
2016-12-16 13:07:58,252 Stage-1 map = 100%,  reduce = 100%, Cumulative CPU 17.7 sec
MapReduce Total cumulative CPU time: 17 seconds 700 msec
Ended Job = job_1481285758114_429080
Stage-4 is selected by condition resolver.
Stage-3 is filtered out by condition resolver.
Stage-5 is filtered out by condition resolver.
Moving data to: hdfs://mycluster-tj/tmp/hive-staging/hadoop_hive_2016-12-16_13-06-26_309_6781206579090170211-1/-ext-10000
Loading data to table test.query_result
Table test.query_result stats: [numFiles=1, numRows=3, totalSize=69, rawDataSize=66]
MapReduce Jobs Launched:
Stage-Stage-1: Map: 2  Reduce: 1   Cumulative CPU: 17.7 sec   HDFS Read: 13657 HDFS Write: 142 SUCCESS
Total MapReduce CPU Time Spent: 17 seconds 700 msec
OK
owntest.name	owntest.age	owntest2.workplace	owntest2.name
Time taken: 96.932 seconds

以上是在客户端、JobTracker、TaskTracker的层次来分析MapReduce的工作原理的，下面我们再细致一点，从map任务和reduce任务的层次来分析分析吧。

从Map，Reduce，Shuffle理解

总体步骤

也就分成input，split，map，shuffle，reduce五个步骤，这里我们按照例子来简单说明下，再详细的说明我会放在后面的细分部分，这部分作用是了解下mapreduce的怎么个流程。这里是一个wordcount的过程了

1. input：也就是数据存储位置，这里当然是类似于hdfs这样的分布式存储啦，

2. split：因为map task只读split，而split基本上和hdfs的基本存储块block同样大小注意：split是逻辑分片，一个split对应一个map，你可以把它当做map的单位块来理解，投喂进map的时候必须要这样的格式，打个比方，比如只收硬币的地铁站，你只能投放1元硬币的，你投什么五毛，一角的，都是犯法的！对，警察叔叔就是他！

3. map：这里做的是wordcount，而map程序是由程序原来编写的，如果非要用代码来写，我用python写你别打我

   splitdata = 'Deer Bear River' 
   aftermap = map(lambda x:(x,1),splitdata.split(" "))
   print aftermap
   
   # [('Deer', 1), ('Bear', 1), ('River', 1)]
   

   三个map对应三组Split，我这里只取了其中一组，就是这么个意思，组成key/value键值对

4. shuffle：这是一个比较核心的过程，shuffle有洗牌的意思，这里的意思你把她理解成在拉斯维加斯赌场发牌的小姐姐，但是这个小姐姐并不是随机发牌，而是把红桃发给A先生，黑桃都发给B先生，诸如此类。如果非要说有什么套路，那么其中有一个HashPartitioner就帮我们做了hash，你把它想成低配版的聚类，狭义版聚类，因为这里的类特喵的必须是值hash(key)%reduceNum相等的发到同一个reduce里去 啊！

5. reduce：既然都说了似wordcount了，那我，额，额，做戏做全套，我还是用python来写这个过程

   shuffledata = [('Deer', 1),('Deer', 1),('River', 1)]
   afterreduce_dict = {}
   for i in shuffledata:
       if i[0] not in afterreduce_dict:
           afterreduce_dict[i[0]] = 0
       afterreduce_dict[i[0]] +=1
   
   print afterreduce_dict
   
   # {'River': 1, 'Deer': 2}
   

   这个‘reduce’只是对传统意义上的取键值对统计而已，理解这层意思就行，不要纠结形式

总体的步骤就是这么5步，其实最玄妙的shuffle还没有拆开细讲，接下来，见证shuffle的时刻，百分之九十抄的(捂脸)

再细分

shuffle是什么？

除了map，reduce，中间部分就是shuffle，它横跨了map和reduce两端，可以说是核心过程

这里你只要清楚Shuffle的大致范围就成－怎样把map task的输出结果有效地传送到reduce端。也可以这样理解， Shuffle描述着数据从map task输出到reduce task输入的这段过程。你说我map task干完活了要输出数据了，然后接下来数据给哪个reduce？不能因为我和那个reduce关系好，我把所有输出结果都给它把，总要考虑下别的reduce的感受啊！那怎么分配？就有了shuffle过程！上面给了两张图，我都是盗来的，一张是官方的解释，一张是中文翻译，Tkanks-MapReduce:详解Shuffle过程、MapReduce工作原理图文详解

shuffle解决什么问题？

在Hadoop这样的集群环境中，大部分map task与reduce task的执行是在不同的节点上。当然很多情况下Reduce执行时需要跨节点去拉取其它节点上的map task结果。如果集群正在运行的job有很多，那么task的正常执行对集群内部的网络资源消耗会很严重。这种网络消耗是正常的，我们不能限制，能做的就是最大化地减少不必要的消耗。还有在节点内，相比于内存，磁盘IO对job完成时间的影响也是可观的。从最基本的要求来说，我们对Shuffle过程的期望可以有：

• 完整地从map task端拉取数据到reduce 端。
• 在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗。
• 减少磁盘IO对task执行的影响。

Map端分析

与上图步骤1，2，3，4一一对应来解释

1. InputSplit：输入数据来源于HDFS的block，当然在MapReduce概念中，map task只读取Split，也就是是我们所说的分片。在进行map计算之前，mapreduce会根据输入文件计算输入分片（input split），每个输入分片（input split）针对一个map任务。
   • Block是HDFS的基本存储单元，上文也有写，Block默认大小是64MB
   • Split是map task只读的单位，存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组
   • Split与block的对应关系可能是多对一，默认是一对一

Running map task 就是程序员编写好的map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行，这也就是上问所提到的 数据本地化！

• 数据本地化（Data-Local）。意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。

1. partition：partition是分割map每个节点的结果，按照key分别映射给不同的reduce，也是可以自定义的。这里其实可以理解归类。我们对于错综复杂的数据归类。比如在动物园里有牛羊鸡鸭鹅，他们都是混在一起的，但是到了晚上他们就各自牛回牛棚，羊回羊圈，鸡回鸡窝。partition的作用就是把这些数据归类。只不过在写程序的时候，mapreduce使用哈希HashPartitioner帮我们归类了。默认是hash(key)%R(Reduce task的数量)哈希函数分散到各个reducer去
   • 简单的hash做分配，就比如说我map task输出键值对(1,1),(2,1),(3,1), 我有三个reducer，假设我写个hash是除3取余的值为分配到的reducer位置(其实是要将key先变hash code再除的，我这里简略)，那么(1,1)被分配到第一个reduce，(2,1)被分配到第二个reduce，(3,1)被分配到第三个reduce，同理再来个(4,1)被分配到第一个reduce，HashPartitioner的目的就是合理的分组策略将使得每个Reducer获得的计算负载差距不大，从而整体reduce的性能更加均衡。
   • 没理解HashPartitioner的胖友，可以参考下这个MapReduce 编程 系列十 使用HashPartitioner来调节Reducer的计算负载

**Memory Buffer & 3：**这是一个环形的缓冲区。map task输出结果首先会进入一个缓冲区内，这个缓冲区的大小是100MB，如果map task内容太大，是很容易撑爆内存的，所以会有一个守护进程，每当缓冲区到达上限80%的时候，就会启动一个Spill(溢写)进程，它的作用是把内存里的map task的结果写入到磁盘。这里值得注意的是，溢写程序是单独的一个进程，不会影响map task的继续输出（在写磁盘过程中，另外的20%内存可以继续写入数据，两种操作互不干扰，但如果在此期间缓冲区被填满，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再执行写入内存。）。当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为，这里的排序也是对序列化的字节做的排序。shuffle排序可以参考这里

• 在这个缓冲区内会有二次排序，先对partition分区排序，然后对同一个partition内的数据进行排序。
• 很多人的误解在Map阶段，如果不使用Combiner便不会排序，这是错误的，不管你用不用Combiner，Map Task均会对产生的数据排序（如果没有Reduce Task，则不会排序， 实际上Map阶段的排序就是为了减轻Reduce端排序负载）
• 数据按照partition值和key两个关键字升序排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位聚集在一起，同一partition内的按照key有序。

​ Combiner：如果client设置过Combiner，那么现在就是使用Combiner的时候了。将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量，combiner简单说就是map端的reduce！。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。那哪些场景才能使用Combiner呢？从这里分析，Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果。所以从我的想法来看，Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。但对于均值就会有影响；Combiner的使用一定得慎重，如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果。

1. Merge： 每次溢写会在磁盘上生成一个溢写文件，如果map的输出结果真的很大，有多次这样的溢写发生，磁盘上相应的就会有多个溢写文件存在。当map task真正完成时，内存缓冲区中的数据也全部溢写到磁盘中形成一个溢写文件。最终磁盘中会至少有一个这样的溢写文件存在(如果map的输出结果很少，当map执行完成时，只会产生一个溢写文件)，因为最终的文件只有一个，所以需要将这些溢写文件归并到一起。

引用：然后为merge过程创建一个叫file.out的文件和一个叫file.out.Index的文件用来存储最终的输出和索引，一个partition一个partition的进行合并输出。对于某个partition来说，从索引列表中查询这个partition对应的所有索引信息，每个对应一个段插入到段列表中。也就是这个partition对应一个段列表，记录所有的Spill文件中对应的这个partition那段数据的文件名、起始位置、长度等等。然后对这个partition对应的所有的segment进行合并，目标是合并成一个segment。当这个partition对应很多个segment时，会分批地进行合并：先从segment列表中把第一批取出来，以key为关键字放置成最小堆，然后从最小堆中每次取出最小的输出到一个临时文件中，这样就把这一批段合并成一个临时的段，把它加回到segment列表中；再从segment列表中把第二批取出来合并输出到一个临时segment，把其加入到列表中；这样往复执行，直到剩下的段是一批，输出到最终的文件中。最终的索引数据仍然输出到Index文件中。
也就是说，上述三个spill.out文件中，同一个颜色的表示计算出的partition的值是一致的，根据每一个spill.out文件都有spill.index文件对应，里面记录了该out文件中某个partition的位置，将同一个partition从三个spill.out文件中都拿出来进行归并操作，搞定后变成了最终文件的头部，然后再采集蓝色部分代表的partition，往复操作，最终每个map都会对应出一个结果文件，等待reduce来拉取自己需要处理的部分，至于怎么拉，拉谁，这个都记录在index中，其实就是partition的值了

• Merge是怎样的？比如“aaa”从某个map task读取过来时值是5，从另外一个map 读取时值是8，因为它们有相同的key，所以得merge成group。什么是group。对于“aaa”就是像这样的：{“aaa”, [5, 8, 2, …]}，数组中的值就是从不同溢写文件中读取出来的，然后再把这些值放在一起。
• 合并（Combine）和归并（Merge）的区别：
  两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>，每个map都会有一个环形缓冲区，merge默认对此溢写文件进行合并，而combine则需要设置，设置后，同个key的value会相加

• 补充一下，combine这个如果设置了，会在两个地方被触发；

3. 第一次是在溢写磁盘前，缓冲区对key进行排序后，会触发一次；
4. 第二次是在merge最终将一堆溢写文件合并成单个文件时，也会触发一次，但在这里触发的时候需在 numSpills>mapreduce.map.combine.minspills(默认3) ，combiner时才执行；如果map输出规模较少，只存在一两个溢写的文件，那么不值得调用combine带来的开销。

• 补充另一点，在shuffle阶段中map端涉及到的排序

在spill的过程中时，会对partition和key进行排序，确保partition内的key是有序的，这里用的是优化后的快排；然后再溢写到小文件之后，针对这些小文件，最终需要merge到一个文件，这里也会出现一次排序，这里用的基本思想就是归并排序，其实是可以理解的，因为在溢写的文件块内，已经保证局部有序了，相当于只需要将局部有序的列表进行合并，形成一个全局有序的，这个让归并来做实在合适，甚至只需要做归并的后半部分！我用代码阐述下

# 假设两个溢写文件且是两个partition的情况，里面的key已经有序了，现在需要全局有序，也就是小文件a,b merge到temp的过程

a = [1,2,4,7,20,23]
b = [3,5,9,11,13,17,19,20]
a_size = len(a)
b_size = len(b)
temp = []
i,j = 0,0
while i != a_size and j != b_size:
    if a[i] < b[j]:
        temp.append(a[i])
        i = i + 1
    else:
        temp.append(b[j])
        j = j + 1
    

temp.extend(b[j:] if i == a_size else a[i:])

[1, 2, 3, 4, 5, 7, 9, 11, 13, 17, 19, 20, 20, 23]

代码比较简陋，但是阐述了归并的基本思想，就是使用外部排序的方式，开辟一个缓冲区进行排序，这样就不会局限于内存的限制了，其实在大数据排序中经常碰到，指针交替前进，最后刷完整个列表；

至此，map端的所有工作都已结束，最终生成的这个文件也存放在TaskTracker够得着的某个本地目录内。每个reduce task不断地通过RPC从JobTracker那里获取map task是否完成的信息，如果reduce task得到通知，获知某台TaskTracker上的map task执行完成，Shuffle的后半段过程开始启动。

关于这个过程更详细的请见 MapReduce shuffle过程详解

Reduce端分析

1. Copy过程: Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。Reduce进程启动一些数据copy线程(Fetcher)，通过HTTP方式请求map task所在的TaskTracker获取map task的输出文件。因为map task早已结束，这些文件就归TaskTracker管理在本地磁盘中。

• 默认情况下，当整个MapReduce作业的所有已执行完成的Map Task任务数超过Map Task总数的5%后，JobTracker便会开始调度执行Reduce Task任务。然后Reduce Task任务默认启动mapred.reduce.parallel.copies(默认为5）个MapOutputCopier线程到已完成的Map Task任务节点上分别copy一份属于自己的数据。 这些copy的数据会首先保存的内存缓冲区中，当内冲缓冲区的使用率达到一定阀值后，则写到磁盘上。
• 有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了。还有就是map端已经做完了partition，reduce根据partition标识符来拉自己需要的数据

3. Merge: 这里的merge如map端的merge动作，只是数组中存放的是不同map端copy来的数值。Copy过来的数据会先放入内存缓冲区中，这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置，因为Shuffle阶段Reducer不运行，所以应该把绝大部分的内存都给Shuffle用。这里需要强调的是，merge有三种形式：1)内存到内存 2)内存到磁盘 3)磁盘到磁盘。默认情况下第一种形式不启用，让人比较困惑，是吧。当内存中的数据量到达一定阈值，就启动内存到磁盘的merge。与map 端类似，这也是溢写的过程，这个过程中如果你设置有Combiner，也是会启用的，然后在磁盘中生成了众多的溢写文件。第二种merge方式一直在运行，直到没有map端的数据时才结束，然后启动第三种磁盘到磁盘的merge方式生成最终的那个文件。
4. Reducer的输入文件。不断地merge后，最后会生成一个“最终文件”。为什么加引号？因为这个文件可能存在于磁盘上，也可能存在于内存中。对我们来说，当然希望它存放于内存中，直接作为Reducer的输入，但默认情况下，这个文件是存放于磁盘中的。当Reducer的输入文件已定，整个Shuffle才最终结束。
5. reduce阶段：和map函数一样也是程序员编写的，最终结果是存储在hdfs上的。

---

致谢

@上述所有链接