《hadoop权威指南》读书摘要

1、MapReduce执行流程

RecordReader->读取文件数据，将数据拆分为kv对
map阶段->调用用户定义程序处理kv对，并对数据进行分区（job.setPartitionerClass）后存储到“环形内存缓冲区”，
         当缓冲区达到一定阈值时（默认80%），会启动后台线程将部分数据溢出写入（spill）磁盘的临时文件中，
         将数据写入文件前会先进行排序（job.setSortComparatorClass）后执行合并（combine）操作（可选）。
         当整个map任务完成溢出写入（spill）后，会将所有临时文件执行归并（merge）操作，生成一个大文件 
         此时的归并会将spill文件中所有的相同partition合并到一起，并对每个partition中的数据按照key进行排序（sort）操作，生成key和对应的value-list，文件归并时，如果溢写文件数量超过参数min.num.spills.for.combine的值（默认为3）时，可以再次进行合并（combine）。
         
reduce阶段-> reduce task会从不同的job里拉取map task的最终结果，并将相同的partition数据归并(merge)成一个大文件，对文件中的数据按key进行排序。
         之后会对数据进行分组(job.setGroupingComparatorClass)。之后调用reduce进行数据处理 
         ps:如果：reduce数=1，所有分区都在一个reduce中处理，生成一个文件
                  1<reduce数<分区数，会报错，有的分区找不到处理的reduce
                  reduce数>分区数，会有本分reduce没有数据处理，生成空文件 
                  
                  一个分组调用一次reduce()方法 

参考：https://blog.csdn.net/asn_forever/article/details/81233547

           https://blog.csdn.net/u014374284/article/details/49205885