предисловие

MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。
这种编程模型是有自己的思想的：先映射（map）,再规约（reduce）。
它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 
当前的软件实现是指定一个Map(映射)函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组。

Процесс выполнения задания mapreduce

流程分析
1.在客户端(jobclient)上启动一个mapreduce作业。

2.客户端向JobTracker节点请求一个Job ID。

3.将运行mapreduce作业所需要的资源文件放到HDFS上，
  包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。
  这些文件都存放在JobTracker专门为该mapreduce作业创建的文件夹中。（也就是说一个mapreduce作业对多需要的东西单独放在一个文件夹中，文件夹名为该作业的Job ID）。
  JAR文件默认会有10个副本
  输入划分信息告诉了JobTracker应该为这个作业启动多少个map任务等信息。

4.JobTracker节点接收到maprduec作业后，将其放在一个作业队列里，等待作业调度器对其进行调度，
  当作业调度器调度到该mapreduce作业时，会根据输入划分信息为每个划分创建一个map任务，
  并将map任务分配给TaskTracker执行。
  对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。

  这里需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化。
  意思是：将map任务分配给含有该map处理的数据块的TaskTracker上，
         同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。
         而分配reduce任务时并不考虑数据本地化。

5.TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，
  同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。
  当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。
  当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。

以上是在客户端、JobTracker、TaskTracker的层次来分析MapReduce的工作原理的，下面我们再细致一点，从map任务和reduce任务的层次来分析分析吧。

Сторона карты

1．每个输入分片会让一个map任务来处理，
   默认情况下，以HDFS的一个块的大小(默认为64M)为一个分片，当然我们也可以设置块的大小。
   map输出的结果会暂且放在一个内存缓冲区中，当该缓冲区快要溢出时，
   会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。

2．在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为和reduce任务相同数目的分区，
   也就是一个reduce任务对应一个分区的数据。
   这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。
   其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，
   如果此时设置了Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。

3．当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。
   合并的过程中会不断地进行排序和combia操作，
   目的有两个：1.尽量减少每次写入磁盘的数据量；2.尽量减少下一复制阶段网络传输的数据量。
   最后合并成了一个已分区且已排序的文件。
   为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。

4．将分区中的数据拷贝给相对应的reduce任务。
   有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？
   其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。
   所以JobTracker中保存了整个集群中的宏观信息。
   只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。

到这里，map端就分析完了。
那到底什么是Shuffle呢？Shuffle的中文意思是“洗牌”，如果我们这样看：一个map产生的数据，结果通过hash过程分区却分配给了不同的reduce任务，是不是一个对数据洗牌的过程呢？呵呵。

Уменьшить сторону

1．reduce任务会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。
   如果reduce端接受的数据量相当小，则直接存储在内存中，如果数据量超过了该缓冲区大小的一定比例，则对数据合并后溢写到磁盘中。 
  2．随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。
     其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。
  3．合并的过程中会产生许多的中间文件(写入磁盘了)，但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。