1、将原始输入的数据分成N份（每份默认为64M），交给N个Map节点任务

2、Map收到分片的数据后调用用户自定义的Map函数，生成多个KeyValue数据对

3、MapReduce提供了Partition接口，Partition会根据Reduce的个数来决定当前当前这个KeyValue数据对应该由哪个Reduce处理。（默认的Partition是采用Key的hash值取Reduce的模）

4、输出的KeyValue数据对写入一个内存缓存区（默认为100M，它的作用是为了减少磁盘的IO，由io.sort.mb属性控制）。

5、当多个输出的KeyValue数据对超过内存缓存区设置的大小的Spill比例（spill.percent这个比例默认为0.8，由io.sort.spill.percent属性控制）时，会执行Spill将内存缓存区的内容写入磁盘。Spill的过程由另一个线程完成，不会影响KeyValue数据对写入内存缓存区。

6、当Spill线程启动后，在写入磁盘前，需要将要写入到磁盘的大量KeyValue数据对进行Sort，如果设置了Combiner，在写入磁盘前将有相同Key的KeyValue对的Value做Combiner（其实也是一个类似Reduce过程），这样做的目的是为了减少Spill写入磁盘的数据量，还可以将文件进行压缩减少网络传输（mapred.compress.map.out设置为true）。注：使用Combiner虽然会提高效率，但是有些操作是会影响最终Reduce的结果的，如：求平均值。

7、每一次Spill都会在Map端生成一个文件，如果Map输出的KeyValue数据对特别大时会生成多个Spill文件，在当前Map节点的执行最后阶段，会将生成的多个Spill文件Merge为一个Spill文件，Merge的过程和Spill的过程实质上一样，也会执行Combiner。Map任务彻底结束。Map节点在发送心跳时将任务完成的信息发送到JobTracker。

8、Reduce阶段先进行拷贝，每个ReduceTask通过RPC从JobTracker中获取Map的完成情况，将Map完成的结果文件中，拷贝Partition分给当前Reduce节点的相关KeyValue数据对到Reduce节点的内存缓存区中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，此属性表示Heap空间的百分比），如果内存缓存区超过比例（由mapred.job.shuffle.merge.percent决定）会写入到Reduce节点的本地磁盘中，同Map阶段类似

9、再进行Merge，从多个Map节点获取的结果信息，不断的做Merge，最终形成ReduceTask的输入文件

10、合并后的Reduce的输入文件，默认是保存在磁盘的，然后执行用户自定义的Reduce函数。

11、由于HDFS是不允许多个线程操作同一文件的，所以多个Reduce节点将会生成多个输出文件