mapreduce的过程分析
map的shuffle过程分为6个步骤
split --> map --> partition --> kvbuffer(--> sort --> spill) -->merge (--> segment列表 )-->file（文件）
第一步split（切分数据）
- 通过API接口，接入准备的数据，按照128M进行数据切分，每个128M对应一个map
第二步map（操作数据）
- 将数据读取出来，设置好key和value的值
第三步partition（分区）
- 根据key的值进行hash（默认是hash，也可以自己修改采用别的方式）处理，对reduce task数量进行取模获得的partition值。
第四步kvbuffer（数据写入到内存缓冲区-环形数据结构）
kvbuffer分为两部分，一部分是key-value值，一部分是索引值
- bufindex（数据值）
- kvmeta（索引四元组）value起始位置、key起始位置、partition的值、value的长度
缓冲区默认为100M，在写入到80%的时候，会触发spill操作，sortAndspill先把kvbuffer中的数据按照partition的值和key关键字排序，同一partition内按照key有序，将排序好的文件写到本地磁盘。剩余的20%可以继续使用，不会导致map停止。一个溢出文件中，可能由多个partition分区
第五步merge
经过kvbuffer的好几次spill，会出现好多文件（spill1.out文件和spill1.index），merge会读取所有的index文件，维护一个segment列表，将索引文件依次加载到segment列表中，根据列表中的信息，将spill溢出文件合并成一个大文件(file.out、file.index)至此，map端的shuffle操作就做完了。
合并Combiner（具体在哪里，我也不太确定）
如果指定了Combiner，可能在两个地方被调用：
1.当为作业设置Combiner类后，缓存溢出线程将缓存存放到磁盘时，就会调用；
2.缓存溢出的数量超过mapreduce.map.combine.minspills（默认3）时，在缓存溢出文件合并的时候会调用
合并（Combine）和归并（Merge）的区别： 两个键值对<“a”,1>和<“a”,1>，如果合并，会得到<“a”,2>，如果归并，会得到<“a”,<1,1>>
reduce的shuffle过程分为2个步骤
从map 节点拉取map（已经运行完）的结果数据 --> reduce端merge合并文件
第一步http的方式去map端拉取数据
- map任务结束后，会通知TaskTracker，TaskTracker会通知JobTracker，JobTracker中记录着map与TaskTracker的对应关系，reduce会定期向JobTracker通信，一旦得到map数据输出结果地址，会去对应的数据文件复制到本地，并不会等待所有的map全跑完才做这件事情。map端最终会生成一个文件（file.out、file.index），如果这个文件中有多个partition，那么就会被多个reduce端来拉取数据
（偷来的图，主要是为了体现，一个map端生成一个file.out和file.index，然后被多个reduce端来拉取数据）
第二步将复制到本地的文件进行reduce-merge
- copy过来的数据会先放到内存中，如果内存缓冲区（mapred.job.shuffle.input.buffer.percent配置，默认是JVM的heap size的70%）可以容得下数据，可以在内存直接merge，即：内存到内存merge。（这种方式一般不会启用）
- 如果reduce中map数据占到内存一定的空间比例（内存到磁盘merge的启动门限可以通过mapred.job.shuffle.merge.percent配置，默认是66%），会触发内存merge，并将merge结果输出到磁盘上，即：内存到磁盘merge。
- 在reduce端的数据全部拷贝完成时，在reduce端会出现多个文件，会触发合并排序操作，即：磁盘到磁盘merge。故reduce的输出文件是一个整体有序的数据块。
