目录
一、什么是shuffle，为什么要用shuffle？
二、shuffle工作流程
三、流程图详细讲解：以wordcount作为案例
一、什么是shuffle，为什么要用shuffle？
数据从Map阶段传递给Reduce阶段的过程就叫Shuffle，Shuffle机制是整个MapReduce框架中最核心的部分。
Mapreduce要确保每个reducer的输入都是按键排序的。
二、shuffle工作流程
1、Collect阶段：将MapTask的结果输出到默认大小为100M的环形缓冲区，保存key/value序列化数据，Partition分区信息等。
2、Spill 阶段：当内存中的数据达到阀值（默认80%）的时候，会将数据写入本地磁盘，在将数据写入磁盘之前需要对数据进行一次排序的操作，如果配置了combiner，还会将有相同分区号和key的数据进行排序。
3、.Merge 阶段：把所有溢出的临时文件进行一次合并操作，以确保一个MapTask最终只产生一个中间数据文件。
4、Copy阶段： ReduceTask启动Fetcher线程到已经完成MapTask的节点上复制一份属于自己的数据，这些数据默认会保存在内存的缓冲区中，当内存的缓冲区达到一定的阀值的时候，就会将数据写到磁盘之上。
5、Merge阶段：在ReduceTask远程复制数据（http）的同时，会在后台开启两个线程(一个是内存到磁盘的合并，一个是磁盘到磁盘的合并)对内存到本地的数据文件进行合并操作。
6、Sort阶段：在对数据进行合并的同时，会进行排序操作，由于MapTask 阶段已经对数据进行了局部的排序，ReduceTask只需保证Copy的数据的最终整体有效性即可
简而言之：
Maptask会不断收集我们的map()方法输出的kv对，放到内存缓冲区（默认100M）中，当缓冲区达到饱和的时候就会溢出到磁盘中，如果map的输出结果很多，则会有多个溢出文件，多个溢出文件会被合并成一个大的溢出文件，在文件溢出、合并的过程中，都要调用partitoner进行分组和针对key进行排序(默认是按照Key的hash值对reduceTasks个数取模)，之后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，reducetask会将这些文件再进行合并（归并排序)。
三、流程图详细讲解：以wordcount作为案例
No.1：job.split文件是切片信息。
FileInputFormat切片：在MapReduce的执行过程当中，默认的数据分片大小为100M，但是这个大小可能会随着hdfs中block大小的设置而发生变 化，具体的切分规则如下：
max.split(100M)
min.split(10M)
block(128M)==>大小可以自定义
max(min.split,min(max.split,block))
根据上述规则进行计算的话，上例上的分片大小为100M。1.0 hadoop最后切片是64M.
No.2：LineRecordReader中next（）方法会反复调用，读取数据，以偏移量（每一行的起始位置）、数据作为key、value发送给mapper
No.3：map（）方法进行切分split，将单词作为key，个数 1 作为value发送出去
No.4：mappr发出去的数据会被MapOutCollector收集保存到内存的一个环形缓冲区
No.5：环形缓冲区数据达到阈值的时候，为了能让后面的数据进来，之前的数据会溢出到本地磁盘
No.6：在保存到本地文件之前，partition会对kv数据进行分区，默认是根据key的hashCode对reduceTasks个数取模得到的，相同的key会一个分区。
如果想改变分区规则，需要我们自定义一个类继承Partitioner，重写getPartition（）方法，之前写过省份根据电话号分区的案例。
No.7：如果溢出到磁盘上文件达到一定数量，则会合并成一个更大文件
No.8：所有的maptask任务完成后，会通过http发送给reducer
No.9：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。同一台机器会把不同maptask的结果文件再进行合并（归并排序）成大文件。
No.10：合并之后，shuffle过程也就结束了。reduce阶段会进行合并等操作。这里会有一个GroupingComparator分组器，会根据自己需求将指定数据按照组的形式存放在不同文件中，之前写过根据不同user求消费TopN的案例。
No.11：保存在hdfs中。
总体流程图：
