一、先理解MapReduce作业组成
一个完整的MapReduce作业称作job，它包括三部分：
-
- 输入数据
- MapReduce程序
- 配置信息
Hadoop工作时会将job分成若干个task：map任务和reduce任务
有两类节点控制作业执行的过程：JobTracker和TaskTracker
-
- JobTracker：记录作业整体进度，对TaskTracker进行调度
- TaskTracker：执行task任务并向JobTracker汇报
二、大块数据先流入map
Hadoop会将输入数据划分成等长的数据块，成为数据分片。Hadoop会为每个分片构建一个map任务。并行的处理分片时间肯定会少于处理整个大数据块的时间，但由于各个节点性能及作业运行情况的不同，每个分片的处理时间可能不一样，因此，把数据分片切分的更细可以得到更好的负载均衡。
但另一方面，分片太小的话，管理分片和构建map任务的时间将会增多。因此，需要在hadoop分片大小和处理分片时间之间做一个权衡。对大多数作业来说，一个分片大小为64MB比较合适，其实，Hadoop的默认块大小也是64MB。
我们上面看到了hadoop的数据块大小与最佳分片大小相同，这样的话，数据分片就不容易跨数据块存储，因此，一个map任务的输入分片便可以直接读取本地数据块，这就避免了再从其它节点读取分片数据，从而节省了网络开销。
map的任务输出是写入到本地磁盘而非HDFS的。那么为什么呢？因为map任务输出的是中间结果，一旦map任务完成即会被删除，如果把它存入HDFS中并实现备份容错，未免有点大题小做。如果一个map任务失败，hadoop会再另一个节点重启map一个map任务。
三、数据从map流入reduce
而reduce任务并不具备数据本地化优势——单个reduce任务的输入通常来自所有mapper输出。一般排序过的map输出需要通过网络传输发送到运行reduce任务的节点，并在reduce端进行合并。reduce的输出通常需要存储到HDFS中以实现可靠存储。每个reduce输出HDFS块第一个复本会存储在本地节点，而其它复本则存储到其它节点，因此reduce输出也需要占用网络带宽。
如下图：一个reduce任务的MapReduce任务数据流
reduce任务的数量并非由输入数据大小决定，而是特别指定。如有多个reduce任务，则每个map任务都会对其输出进行分区（partition），因为每个reduce任务会建一个分区。相同键的记录都会被partition到同一个分区中。具体的分区方式由分区函数来控制，一般通过hash函数来分区。
我们把map任务和reduce任务之间的数据流称为shuffle，因为每个reduce任务的输入都来自多个map任务，因此，这个阶段比较复杂，而shuffle过程中的参数调整对job运行的总时间是有非常大的影响的，一般MapReduce的调优主要就是调整shuffle阶段的参数。
如下图：多个reduce任务的数据流
四、如何减少从map到reduce的数据量
集群上的可用带宽限制了MapReduce的作业数量，因为map的中间结果传递给reduce是要经过网络传输的，因此最重要的一点就是尽量减少map和reduce任务间传输的数据量。不过，Hadoop允许用户针对map任务的输出指定一个合并函数（combiner），用合并函数的输出作为reduce函数的输入，但需要注意，合并函数的运用不应该改变reduce函数的计算结果。
例如有两个map的输出分别是map1={0,20,10};map2={15,25}，求最大值，我们可以对先每个map的数据的数据进行合并，合并完成之后再传输给reducer：
map1={0,20,10}->combiner->{20};
map2={15,25}->combiner->{25};
reducer->{25}
即 max(0,20,10,15,25)=max(max(0,20,10),max(15,25))=25
如下图：将combiner后的输出作为reducer的输入
但需要特别注意的是，并不是任何场景都是可以用combiner的，比如把上面的例子改成求平均值：
-
- combiner后的reducer的结果: avg(avg(0,20,10),avg(15,25))=avg(10,20)=15;
- 没有进行combiner的reducer结果： avg(0,20,10,15,25)=14;