大数据中mapreduce的核心，shuffle的理解，以及在shuffle中的优化问题
大数据中mapreduce的核心，shuffle的理解，以及在shuffle中的优化问题
关于shuffle的过程图。
一：概述shuffle
Shuffle是mapreduce的核心，链接map与reduce的中间过程。
Mapp负责过滤分发，而reduce则是归并整理，从mapp输出到reduce的输入的这个过程称为shuffle过程。
二：map端的shuffle
1.map结果的输出
map的处理结果首先存放在一个环形的缓冲区。
这个缓冲区的内存是100M，是map存放结果的地方。如果数据量较大，超过了一定的量（默认80M），将会发生溢写过程。
在mapred-site.xml中设置内存的大小
<property>
<name>mapreduce.task.io.sort.mb</name>
<value>100</value>
</property>
在mapred-site.xml中设置内存溢写的阈值
<property>
<name>mapreduce.task.io.sort.spill.percent</name>
<value>0.8</value>
</property>
2.溢写过程
溢写是系统在后台单独开一个线程去操办。
溢写过程包括：分区partion，排序sort，溢写spill to disk，合并merge。
3.分区
分区分的是80%的内存。
因为reduce可能有不同的任务，所以会对80M的内存进行分区，将map的输出结果放入的对应的reduce分区中。
4.排序
默认是按照key排序。
当分区完成之后，对每一个分区的数据进行排序。
5.溢写
排序之后，将内存的数据写入硬盘。留出内存方便map的新的输出结果。
6.合并
如果是第一次写入硬盘则不需要考虑合并问题，但是在大数据的情况下，前面已经存在大量的spill文件的时候，这时候需要将它们进行合并。
将各个分区合并之后，对每一个分区的数据再进行一次排序
使用归并的方式进行合并，归并算法。
实现compara，进行比较。
形成一个文件。
三：reduce端的shuffle
1.步骤
对于reduce端的shuffle，大致分为复制，合并。
2.复制
当reduce开启任务后，不断的在各个节点复制需要的数据。
3.合并（内含排序）
复制数据的时候，把可以存放进内存的就把数据存放在内存中，当达到一定的时候，启动merge，将数据写进硬盘。
如果map数据大于内存需要存放的限制，直接写入硬盘，当达到一定的数量后将其合并为一个文件。
这时候，reduce开启任务需要的数据在内存中和在硬盘中，最终形成一个全局文件。
4.分组
《hadoop，1》
《hadoop，1》
《yarn，1》
《hadoop，1》
《hdfs，1》
《yarn，1》
将相同的key放在一起，使用comparable完成比较。
结果为：
《hadoop，list（1,1,1）》
《yarn，list（1,1）》
《hdfs，list（1）》
四：关于Comparator的理解
不管是排序还是分组，都需要自定义排序器comparable
Comparator类继承WritableComparator
而WritableComparator完成接口RawComparator
在RawComparator中：
五：shuffle处的优化
1.combine的优化
2.下面列举需要修改的程序
3.输出结果
4.关于压缩方面的优化
注意点：
会出现的问题：
六：属于分区的一个思路
例如，大小写的分区
一共分为两个区，0代表大写，1代表小写
