mr运行原理详解
hadoop2.x的三大核心：mapreduce 、hdfs以及yarn ，其中核心之一mapreduce，利用了分而治之的思想，Map（映射）和 Reduce（归约），分布式多处理然后进行汇总的思想，比如：清点扑克牌把里面的花色都分开，一个人清点那么可能耗时4分钟，如果利用mapreduce的思想，把扑克牌分成4份，每个人对自己的那一份进行清点，然后4个人都清点完成之后把各自的相同花色放一起进行汇总，那么这样可能只会耗时1分钟。这就是mapreduce的思想，其中每个人就相当于一个map，汇总就相当于是reduce，最开始的分牌就是patition分区（如果不均匀分配就相当于是数据倾斜），从map到reduce的过程就是shuffle。
下面就简单说说我理解的mapreduce执行流程
略过提交任务的流程以及yarn的相关过程，可以参考：http://blog.****.net/qq_20641565/article/details/54729059
这里直接从map任务被执行说起。
1.当map任务开始执行的时候，会先根据用户设置的FileInputFormat去读取数据源，默认是TextFileInputFormat读取hdfs中的文件（当然mapreduce内部也提供了其他的实现类，比如读取数据库的等等），我们也可以自己定义一个FileInputFormat，继承FileInputFormat类就可以重写isSplitable和createRecordReader方法并在createRecordReader方法里面返回一个自定义的RecordReader实例就行（也是继承RecordReader类就行，需要重写里面的getCurrentKey、close、getCurrentValue、getProgress、initialize、nextKeyValue这几个方法可以参考：http://blog.****.net/qq_20641565/article/details/52770522)
2.当上面的处理完成后会进入到map方法，就以wordcount为例，这里map收到的参数为文件的一行例如数据是：“hello lijie hello word spark scala java java java”，然后对上面的一行进行split(” “)切分，然后用context.write输出（hello ，1）（lijie ，1）（hello ，1）（word ，1）（spark ，1）（scala ，1）（java，1）（java，1）（java，1）
3.上面的输出会先写到一个缓冲区里面（环形缓冲区，默认100M），当写入百分之80的时候会对里面的数据进行dump，dump的过程会对里面的数据先进行分区然后排序，如果有combiner会进行局部的combiner，之后写入运行map程序的那台服务器的本地磁盘中，如果map一直执行，那么会每满百分之80又会执行上面的过程直到map执行完成
3.上面的步骤走完之后产生了很多小的文件，然后会触发mr的文件合并，把多个文件进行合并，合并过程中又会进行排序和局部的combiner，如果定义的是2个reduce，那么最后每个map端就会生产2个分区文件，并且文件里面的内容会已经排序且局部combiner（前提是设置了combiner）
4.map任务执行完成之后，reduce会从map端下载对应的文件，并且又会对下载过来的文件进行合并且排序并且会调用GroupComparator 对象（用来自定义哪些是一组的，mr程序默认key相同为同一组，但是可以自己定义GroupComparator，这样不同的key也可以进入同一个reduce方法进行处理，详情见：http://blog.****.net/qq_20641565/article/details/53491257）
5.执行reduce方法，并且执行reduce的逻辑，执行完成之后就会调用FileOutputFormat，这个同FileInputFormat一样，同样可以自定义，也是继承FileOutPutFormat返回一个RecordWriter,这里就不过多介绍，默认是TextFileOutputFormat写入到hdfs里面
6.整个mapreduce的执行流程就完成了，如果FileOutputFormat和FileInputFormat是默认的话，那么数据流就是：HDFS -> 本地磁盘 ->HDFS，并且多次进行IO操作，所以mr的瓶颈在于他的IO操作，只适合进行离线计算