1.分区
将map端的数据标记好分区 ,然后将数据发送到环形缓冲区中,环型缓冲区默认大小100mb,达到%80阈值,进行溢写操作,溢写前会对这些数据进行排序,排序是按照字典序key 的索引进行字典序排序,排序手段是快排。(对key取哈希hash,哈希取出来这个值,用这个值对reducetask的个数取余,余几就放到哪个分区中)这样就通过分区操作分区到环形缓冲区,往外溢写开启排序
2.排序
排序会进行字典序排序,排序手段是快排。溢写会产生很多溢写的文件,溢写的文件数达到10个,开始Merge(合并),merge采用的算法是归并排序,等到所有的maptask运行完毕,启动一定数量的ReduceTask,并且告知reducetask读取数据的这个范围是整个分区,每个reduce会拉去map端对应分区的数据,拉取完数据后,会先存储到内存中,内存不够了再存到磁盘中,拉取完所有的数量后会进行归并排序,将内存和磁盘中的数据都进行一次排序,然后在进入Reduce方法之前,对数据进行分组操作。
3.combiner 局部聚合
不对最终的结果有影响
4.分组
在进行reduce操作之前,进行分组的操作,将数据以组为单位,发送到reduce方法里面去。