作为Hadoop生态核心组件的MapReduce，是实现大数据计算处理的主要引擎，其核心思想是＂分而治之＂，简单来说就是分为Map和Reduce两个阶段。今天的大数据开发分享，我们主要来讲讲MapReduce具体的任务流程。 MapReduce的任务流程，简单点来说，先进行数据拆分，一个大的MapReduce作业，会被分解为多个小的Map任务。中间环节，可能会有Combiner会处理Map生成的数据；之后数据到达Partitioner，将中间结果分配到对应的Reducer所在节点上；Reducer会处理中间数据，得到最终的结果。 一、Map阶段 MapReduce接收到数据后，需要对数据进行划分。MapReduce中有一个InputFormat类，它会完成如下三个任务： 验证作业数据的输入形式和格式。 将输入数据分割为若干个逻辑意义上的InputSplit，其中每一个InputSplit都将单独作为Map任务的输入。也就是说，InputSplit的个数，代表了Map任务的个数。需要注意，这里并没有做实际切分，仅仅是将数据进行逻辑上的切分。 提供一个RecordReader，用于将Map的输入转换为若干个记录。虽然MapReduce作业可以接受很多种格式的数据，但是Map任务接收的任务其实是键值对类型的数据，因此需要将初始的输入数据转化为键值对。RecordReader对象会从数据分片中读取出数据记录，然后转化为Key-Value键值对，逐个输入到Map中进行处理。 二、Combiner Combiner组件在实际运行当中，并非必须存在的部分，通常可以按照实际的需求灵活的添加。Combiner组件的主要作用是减少网络传输负载，优化网络数据传输优化。 当我们Map任务处理完成之后，大文本会变成一个一个的Key-Value对。 在没有Combiner组件前提下，这些键值对会直接传输到Reducer端，进行最后的统计工作。但是这一步是可以优化的，因为Map端仅仅是将每行的词拆分了，但是其实可以再做一步统计的。 设计Combiner时，要保证Combiner的key-value和Map的key-value一致。这也意味着，若你设计的Combiner改变了原先Map的键值对设计，那么你的Combiner设计就是不合法的。 三、Partitioner 为了保证所有主键相同的键值对会传输到同一个Reducer节点，以便Reducer节点可以在不访问其他Reducer节点的情况下就可以计算出最终的结果，我们需要对来自Map（如果有Combiner，就是Combiner之后的结果）中间键值对进行分区处理，Partitioner主要就是进行分区处理的。 Partitioner默认的分发规则 根据key的hashcode%reduce task数来分发，所以：如果要按照我们自己的需求进行分组，则需要改写数据分发（分区）组件Partitioner。 Partition的key value，就是Mapper输出的key value 输入是Map的结果对和Reducer的数目，输出则是分配的Reducer（整数编号）。就是指定Mappr输出的键值对到哪一个reducer上去。系统缺省的Partitioner是HashPartitioner，它以key的Hash值对Reducer的数目取模，得到对应的Reducer。这样保证如果有相同的key值，肯定被分配到同一个reducre上。如果有N个reducer，编号就为0,1,2,3……(N-1)。 MapReduce中会将map输出的kv对，按照相同key分组，然后分发给不同的reducetask默认的分发规则为:根据key的hashcode%reduce task数来分发，所以:如果要按照我们自己的需求进行分组，则需要改写数据分发(分组)组件Partitioner,自定义一个CustomPartitioner继承抽象类:Partitioner Partitioner的执行时机，是在Map输出key-value对之后。 四、Reduce Reduce处理上游（Map，也可能有Combiner）的中间结果。需要注意的是，Map到Reduce整个过程中，键值的变化是不一样的： 初始是文本内容，会被RecordReader处理为键值对； 经过Map（也可能有Combiner）后，仍然是键值对形式； 经过Partition，到达Reduce的结果是key-list(value)形式，所以在Reduce处理的value其实一个整体； Reduce会把所有的结果处理完成，输出到对应的输出路径。 关于大数据开发，MapReduce任务流程，以上就为大家做了简单的介绍了。MapReduce在Hadoop生态当中，是重要的数据处理指导思想，理解了MapReduce，对于后续的Spark计算引擎的学习，也有指导意义。
