hadoop map-red的执行过程

hadoop的 map-red就是一个并行计算平台，我们在使用这个平台的时候，要做的事情就是提交自己定制的任务（job，主要定制map类，reduce类，combine类等类）,然后设置job的各种参数，比如设置mappe/reducer/combine类， 输入数据路径，输出数据路径，输出格式。然后可以根据日志或者web页面查看任务执行的情况，如果错误，通过web页面查看日志。对于map-red平台，我们可以设置各种参数，来使得我们提交的任务的执行效率得到优化，比如多少个reducer任务，分片大小等。

map-red的执行过程，首先分片由hadoop来完成，hadoop将完成的分片交给一个mapper任务，一个mapper任务可以不只执行一个分片，mapper任务的执行过程是，从data中读入一行，然后用我们自定义的mapper函数处理，每读入一行，调用mapper函数一次。 如果有多个reducer任务，hadoop还要进行分区，默认的分区器是“key.hash（reduce任务的个数）”（注： 可以写自己的分区器），也就是在一个分区中，是具有相同的hash值的key-value, 等到reducer任务运行的时候，会从对应于自身（hash对应）的多个mapper的相应分区中通过网络取过来放在本地，然后在reducer本地进行shuffle操作，shuffle操作是对多个map的输出进行一次重排序，因为单个map的输出已经是有序的啦（map写入磁盘前在内存中执行的），shuffle操作后进行reduc操作，将结果输出到目标地。（为什么要进行排序，为了reduce的输出？）

为了减少map和redu的之间传输的数据数量，在mapper操作完成后，在map处可以对中间数据进行一次combine处理，combine处理实质上是reduce数据的预处理在map本地的运行。combine是在map输出的中间数据写入到磁盘前运行，并且会反复运行，所以combine的另外一个意义也是使得map写入到磁盘的中间数据量更少。

如果没有reduce任务，hadoop会将map结果直接输出到目标地，如果有reduce，map的结果就是reduce的输入，即中间数据，hadoop把这些中间数据放在本地存储（是否是采用oracle的临时表空间的思想）。