MapReduce 的 Shuffle 机制

1.1、概述

1、MapReduce 中，map 阶段处理的数据如何传递给 reduce 阶段，是 MapReduce 框架中最关键的一个流程，这个流程就叫 Shuffle；

2、Shuffle: 数据混洗 ——（核心机制：数据分区partitioner，排序soft，合并combiner，缓存）；

3、具体来说：就是将 maptask 输出的处理结果数据，分发给 reducetask，并在分发的过程中，对数据按 key 进行了分区和排序；

（此图转自网络，上图水印为博客自加，非本人刻意为之）

1、maptask 收集我们的 map()方法输出的 kv 对，放到内存缓冲区中

2、从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

3、多个溢出文件会被合并成大的溢出文件

4、在溢出过程中，及合并的过程中，都要调用 partitoner 进行分组和针对 key 进行排序

5、reducetask 根据自己的分区号，去各个 maptask 机器上取相应的结果分区数据

6、reducetask 会取到同一个分区的来自不同 maptask 的结果文件，reducetask 会将这些文件再进行合并（归并排序）

7、合并成大文件后，shuffle 的过程也就结束了，后面进入 reducetask 的逻辑运算过程（从文件中取出一个一个的键值对 group，调用用户自定义的 reduce()方法）

【注：Shuffle 中的缓冲区大小会影响到 mapreduce 程序的执行效率，原则上说，缓冲区越大，磁盘 io 的次数越少，执行速度就越快缓冲区的大小可以通过参数调整, 参数：io.sort.mb 默认 100M】