1.概述

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阶段。

核心机制：数据分区、排序、缓存

具体来说，就是将maptask输出的结果数据，分发给reducetask，并在分发的过程中，对数据按照key进行分区和排序。

2.partition分区

2.1 如果reducetask的数量 > getpartition的结果数，则会多产生几个空的输出文件part-r-00xx
2.2 如果1<reduceTask的数量 < getPartition的结果数，则有一部分分区数据无处安放，会Exception
2.3 如果reduceTask的数量 = 1，则不管mapTask端输出多少个分区文件，最终结果都交给这一个reduceTask，最终也就只会产生一个结果文件 part-r-00000

3.shuffle流程

mr1.png

mr2.png

流程详解

上面的流程是整个mapreduce最全工作流程，但是shuffle过程只是从第7步开始到第16步结束，具体shuffle过程详解，如下：

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）

本文来自 白枭 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/github_36444580/article/details/75208992?utm_source=copy