MapTask运行过程与原理详解

整个Map阶段流程大体如上图所示。

简单概述:

inputFile通过split被逻辑切分为多个split文件，通过Record按行读取内容给 map(用户自己实现的)进行处理，数据被map处理结束之后交给OutputCollector收集 器，对其结果key进行分区(默认使用hash分区)，然后写入buffer，每个map task都有 一个内存缓冲区，存储着map的输出结果，当缓冲区快满的时候需要将缓冲区的数据以一 个临时文件的方式存放到磁盘，当整个map task结束后再对磁盘中这个map task产生的所 有临时文件做合并，生成最终的正式输出文件，然后等待reduce task来拉数据

详细步骤

1. 读取数据组件 InputFormat (默认 TextInputFormat) 会通过 getSplits 方法对输入目录中文件进行逻辑切片规划得到 splits, 有多少个 split 就对应启动多少个MapTask . split 与 block 的对应关系默认是一对一
2. 将输入文件切分为 splits 之后, 由 RecordReader 对象 (默认是LineRecordReader) 进行读取, 以 \n 作为分隔符, 读取一行数据, 返回 <key，value> . Key 表示每行首字符 偏移值, Value 表示这一行文本内容
3. 读取 split 返回 <key