标签：inf 用户 示意图 cal 效率 copy buffer compareto 定义
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；(从map的输出到reduce的输入)
shuffle: 洗牌、发牌——（核心机制：数据分区，排序，缓存）；
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；
Shuffle缓存流程：
Buffer in memory:内存缓冲区
Partition:分区
Sort：分类
Spill to disk：切片到磁盘
Merge on disk：合并到磁盘
Fetch:拿来，拿取
Copy phase:复制阶段
Mixture of in-memory and on-disk data:内存和磁盘数据的混合
(可以看出一个maptask可以对应多个reducetask)
shuffle是MR处理流程中的一个过程，它的每一个处理步骤是分散在各个map task和reduce task节点上完成的，整体来看，分为3个操作：
1、分区partition
2、Sort根据key排序
3、Combiner进行局部value的合并
1、 maptask收集我们的map()方法输出的kv对，放到内存缓冲区中
(环形缓冲区默认100M)
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
(经过patition分区，key的compareto方法，经过排序,由combiner合并同key键值对，再经过快排/外部排序，溢出到文件)
3、 多个溢出文件会被合并成大的溢出文件
(经过merge文件合并，归并排序，得到maptask的最终结果文件)
------------------------------------------------------------------------------------------------------------
4、 在溢出过程，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）(一个reducetask可以对应多个maptask，两者是多对多)
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）
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
标签：inf 用户 示意图 cal 效率 copy buffer compareto 定义
原文地址：https://www.cnblogs.com/pingzizhuanshu/p/9128277.html
