准备知识：            

    1.在InputFormat<k,v>这个接口中，有两个方法，InputSplit[] getSplits();

                                            RecordReader<k,v> getRecordReader();

    2.mapreduce作业提交与初始化过程。

        作业提交：

                （1）命令行提交。。。。

                （2）获取作业ID,

                     创建HDFS目录（你指定的存放结果的目录）

                     上传文件到HDFS(应用程序Jar包，xml文件等)

                     生成split文件（就是调用你指定的InputFormat中的getSplits）

                 (3) 向JobTracker提交作业。

        作业初始化：

                调度器调用JobTracker.initJob()来构造Map Task 和Reduce Task并对他们进行

                初始化。

    3.Task运行过程分析

                Map Task整体流程：

                Read:   通过RecodReader(你指定的InputFormat中的getRecordreader()),从输入

                        的InputSplit中解析出一个个key/value

                Map:   将上一步的key/value交给map()处理,形成新的key/value。

                Collect：在map()中，调用Partition.getPartition()，形成三元组                                     <key,value,partition>,写入内存环形缓冲区中。

                Spill:  （1）当内存缓冲区满了之后，对其中的数据排序（先按照partition,然                                后再按照key）

                         （2）如果有Combiner,对数据做一次聚集

                         （3）写入临时文件

                Combine：将临时文件合并（以分区为单位，并且排序）

                Ruduce Task整体流程：

                shuffle:  从各个Map Task上拷贝一片数据（按照partition）

                merge：   合并文件

                sort:     排序,reduce()函数的输入数据时按照key进行聚集的一组数据，

                Reduce:   

                一个Map（这里指的是哪个类）处理的是一个分片，map()函数，处理的是一对

                key/value。

本文出自 “厚积薄发” 博客，请务必保留此出处http://duanzhenyue.blog.51cto.com/9360091/1553372

hadoop-mapreduce总结1