MapReduce 的shuffle过程

Map过程处理完生成一堆键值对，并写入缓存，
最终缓存数据会写入磁盘，但是写入磁盘之前会经历一些操作才会写入磁盘。
经历分区，排序，可能会合并，这个过程结束，且缓存满了（并不是满了才写，而是到一定比例，默认是0.8，因为需要留缓存让map任务得以继续），再写入磁盘（非hdfs）
然后清空缓存，上述步骤会发生多次，每个磁盘文件，最后统一归并，最后归并成一个大的文件。这个大文件是分区的，对应的reduce任务处理对应的分区文件。

shuffle过程其实是下面四个步骤的第3步：
1、输入数据执行map任务
2、写入缓存
3、溢写（分区，排序，合并） 这一步是shuffle过程。
对于写入缓存的一堆键值对，先进行分区，这个分区就是为之后reduce从分区中取文件之间联系，这个分区一般对key进行hash函数，这样保证相同的key的值分在一个区。
对于每一个分区的数据，进行排序（系统默认根据字典序排序，无需用户干预）。
拍完序再进行合并，合并为了减少溢写到磁盘上的数据量，假如有两个键值对<a,1> ，<a,1>
合并的操作就是将其变为<a,2>的操作。两个键值对合并为一个键值对，这种才叫合并。
这种方式就可以减少很多的键值对，写入磁盘数据量大大减少。合并操作不是必须的，用户定义了，才执行合并操作。
然后就写入磁盘文件了。
重复1，2，3步骤，就会产生多个溢写文件了。
4、文件归并
最终在整个map任务执行完之前，系统会对这么多小的文件进行归并操作，合并为一个大的文件。这个大的文件里面的键值对，同样是分区的，且是排序的。

当jobtracker检测到上述步骤完全结束，会通知reduce去把属于该reduce的文件拉走。
上述就是map端的shuffle过程。

reduce从多个map任务中拉去文件，这些文件到reduce服务器上会先归并再合并。
再重说刚刚 如果map没有进行合并操作的话，那生成的就是<a,{1,1}>，经过了合并操作才是生成<a,2>。
所以再总结一下：
在map过程的时候，如果：
执行了合并操作 生成<key,value>形式
没有执行合并操作 生成<key,value-list>形式

reduce的归并是指将<a,1> <a,1> 生成一个<a,{1,1}>的形式
为什么reduce还要生成<key,value-list>呢？因为reduce处理的文件是来自于多个map服务器上的，例如：
A map服务器文件：<a,4>
B map服务器问件：<a,5>
那reduce拿到这些文件要先，归并生成：<a,{4,5}>
然后再合并生成<a,9>

讲课的人说：
如果map输出的结果没有经过合并的话，输出的是：<key,value-list>
那按照这个理解，其实在溢写前，至少执行了 分区，排序，归并，可能发生合并。
因为map如果不执行合并，也有value-list的生成的话，说明肯定发生了归并操作了。
那我觉得讲课的人说的合并操作大大减少了磁盘写入量，其实是减少了，但没有大大减少吧。
最后，reduce端shuffle过程是在reduce函数执行之前。