Hadoop Mapreduce中shuffle 详解

MapReduce 里面的shuffle:描述者数据从map task 输出到reduce task 输入的这段过程

Shuffle 过程：

首先，map 输出的<key,value > 会放在内存中，内存有一定的大小，超过之后，会将内存里的东西溢写（spill） 到磁盘（disk)中 。在从内存溢写到磁盘的过程中，会有两个操作：分区（parttition),排序（sort）。map结束之后，磁盘中会有很多文件 。

有很多小文件，需要将文件进行文件的合并，并且排序。map 中的一些map任务可能结束....

合并的大文件，存在map task 运行的本地磁盘，reduce task 会去map task 运行机器上拷贝要处理的数据，多个reduce task 拷贝的数据，也得进行merge，并且排序。然后进行分组（将相同的key 的value 放在一起），然后调用reduce 方法。

map输出的<key,value> 和 reduce 输入的<key,value> 的数据类型一致

 

综上所述：

     分区  partition

     排序 sort

     copy  用户无法干涉

     分组  group

     压缩 compress 可设置

     combiner