Hadoop的shuffle
1.maptask执行,outputcollect收集maptask的输出数据,将数据写入环形缓冲区中,记录起始偏移量(split)
2.环形缓冲区默认大小为100M,当数据达到80M时,记录终止偏移量。
3.启动spiller溢出器,将数据进行分区(默认分组根据key的hash值%reduce数量进行分区),分区内进行快速排序
4.分区,排序结束后,将数据刷写到磁盘(这个过程中,maptask输出的数据写入剩余20%环形缓冲区,同样需要记录起始偏移量)
5.maptask将形成的多个小文件做归并排序合并成一个大文件
6.当有一个maptask执行完成后,appMaster申请资源,启动reducetask
7.reducetask到运行完成maptask的机器上拉取属于自己分区的数据
8.reducetask将拉取过来的数据进行merge操作,归并排序数据,将数据按相同key“分组”,每组数据调用一次reduce()方法
9.执行reduce逻辑,将结果输出到文件
具体理解上我觉得这张图更加简单明了: