MapReduce的Shuffle過程介紹
Shuffle的本義是洗牌、混洗，把一組有一定規則的數據儘量轉換成一組無規則的數據，越隨機越好。MapReduce中的Shuffle更像是洗牌的逆過程，把一組無規則的數據儘量轉換成一組具有一定規則的數據。
爲什麼MapReduce計算模型需要Shuffle過程？我們都知道MapReduce計算模型一般包括兩個重要的階段：Map是映射，負責數據的過濾分發；Reduce是規約，負責數據的計算歸併。Reduce的數據來源於Map，Map的輸出即是Reduce的輸入，Reduce需要通過Shuffle來獲取數據。
從Map輸出到Reduce輸入的整個過程可以廣義地稱爲Shuffle。Shuffle橫跨Map端和Reduce端，在Map端包括Spill過程，在Reduce端包括copy和sort過程，如圖所示：
Spill過程
Spill過程包括輸出、排序、溢寫、合併等步驟，如圖所示：
Collect
每個Map任務不斷地以<key, value>對的形式把數據輸出到在內存中構造的一個環形數據結構中。使用環形數據結構是爲了更有效地使用內存空間，在內存中放置儘可能多的數據。
這個數據結構其實就是個字節數組，叫Kvbuffer，名如其義，但是這裏面不光放置了<key, value>數據，還放置了一些索引數據，給放置索引數據的區域起了一個Kvmeta的別名，在Kvbuffer的一塊區域上穿了一個IntBuffer（字節序採用的是平臺自身的字節序）的馬甲。<key, value>數據區域和索引數據區域在Kvbuffer中是相鄰不重疊的兩個區域，用一個分界點來劃分兩者，分界點不是亙古不變的，而是每次Spill之後都會更新一次。初始的分界點是0，<key, value>數據的存儲方向是向上增長，索引數據的存儲方向是向下增長，如圖所示：
Kvbuffer的存放指針bufindex是一直悶着頭地向上增長，比如bufindex初始值爲0，一個Int型的key寫完之後，bufindex增長爲4，一個Int型的value寫完之後，bufindex增長爲8。
索引是對<key, value>在kvbuffer中的索引，是個四元組，包括：value的起始位置、key的起始位置、partition值、value的長度，佔用四個Int長度，Kvmeta的存放指針Kvindex每次都是向下跳四個“格子”，然後再向上一個格子一個格子地填充四元組的數據。比如Kvindex初始位置是-4，當第一個<key, value>寫完之後，(Kvindex+0)的位置存放value的起始位置、(Kvindex+1)的位置存放key的起始位置、(Kvindex+2)的位置存放partition的值、(Kvindex+3)的位置存放value的長度，然後Kvindex跳到-8位置，等第二個<key, value>和索引寫完之後，Kvindex跳到-32位置。
Kvbuffer的大小雖然可以通過參數設置，但是總共就那麼大，<key, value>和索引不斷地增加，加着加着，Kvbuffer總有不夠用的那天，那怎麼辦？把數據從內存刷到磁盤上再接着往內存寫數據，把Kvbuffer中的數據刷到磁盤上的過程就叫Spill，多麼明瞭的叫法，內存中的數據滿了就自動地spill到具有更大空間的磁盤。
關於Spill觸發的條件，也就是Kvbuffer用到什麼程度開始Spill，還是要講究一下的。如果把Kvbuffer用得死死得，一點縫都不剩的時候再開始Spill，那Map任務就需要等Spill完成騰出空間之後才能繼續寫數據；如果Kvbuffer只是滿到一定程度，比如80%的時候就開始Spill，那在Spill的同時，Map任務還能繼續寫數據，如果Spill夠快，Map可能都不需要爲空閒空間而發愁。兩利相衡取其大，一般選擇後者。
Spill這個重要的過程是由Spill線程承擔，Spill線程從Map任務接到“命令”之後就開始正式幹活，乾的活叫SortAndSpill，原來不僅僅是Spill，在Spill之前還有個頗具爭議性的Sort。
Sort
先把Kvbuffer中的數據按照partition值和key兩個關鍵字升序排序，移動的只是索引數據，排序結果是Kvmeta中數據按照partition爲單位聚集在一起，同一partition內的按照key有序。
Spill
Spill線程爲這次Spill過程創建一個磁盤文件：從所有的本地目錄中輪訓查找能存儲這麼大空間的目錄，找到之後在其中創建一個類似於“spill12.out”的文件。Spill線程根據排過序的Kvmeta挨個partition的把<key, value>數據吐到這個文件中，一個partition對應的數據吐完之後順序地吐下個partition，直到把所有的partition遍歷完。一個partition在文件中對應的數據也叫段(segment)。
所有的partition對應的數據都放在這個文件裏，雖然是順序存放的，但是怎麼直接知道某個partition在這個文件中存放的起始位置呢？強大的索引又出場了。有一個三元組記錄某個partition對應的數據在這個文件中的索引：起始位置、原始數據長度、壓縮之後的數據長度，一個partition對應一個三元組。然後把這些索引信息存放在內存中，如果內存中放不下了，後續的索引信息就需要寫到磁盤文件中了：從所有的本地目錄中輪訓查找能存儲這麼大空間的目錄，找到之後在其中創建一個類似於“spill12.out.index”的文件，文件中不光存儲了索引數據，還存儲了crc32的校驗數據。(spill12.out.index不一定在磁盤上創建，如果內存（默認1M空間）中能放得下就放在內存中，即使在磁盤上創建了，和spill12.out文件也不一定在同一個目錄下。)
每一次Spill過程就會最少生成一個out文件，有時還會生成index文件，Spill的次數也烙印在文件名中。索引文件和數據文件的對應關係如下圖所示：
話分兩端，在Spill線程如火如荼的進行SortAndSpill工作的同時，Map任務不會因此而停歇，而是一無既往地進行着數據輸出。Map還是把數據寫到kvbuffer中，那問題就來了：<key, value>只顧着悶頭按照bufindex指針向上增長，kvmeta只顧着按照Kvindex向下增長，是保持指針起始位置不變繼續跑呢，還是另謀它路？如果保持指針起始位置不變，很快bufindex和Kvindex就碰頭了，碰頭之後再重新開始或者移動內存都比較麻煩，不可取。Map取kvbuffer中剩餘空間的中間位置，用這個位置設置爲新的分界點，bufindex指針移動到這個分界點，Kvindex移動到這個分界點的-16位置，然後兩者就可以和諧地按照自己既定的軌跡放置數據了，當Spill完成，空間騰出之後，不需要做任何改動繼續前進。分界點的轉換如下圖所示：
Map任務總要把輸出的數據寫到磁盤上，即使輸出數據量很小在內存中全部能裝得下，在最後也會把數據刷到磁盤上。
Merge
Map任務如果輸出數據量很大，可能會進行好幾次Spill，out文件和Index文件會產生很多，分佈在不同的磁盤上。最後把這些文件進行合併的merge過程閃亮登場。
Merge過程怎麼知道產生的Spill文件都在哪了呢？從所有的本地目錄上掃描得到產生的Spill文件，然後把路徑存儲在一個數組裏。Merge過程又怎麼知道Spill的索引信息呢？沒錯，也是從所有的本地目錄上掃描得到Index文件，然後把索引信息存儲在一個列表裏。到這裏，又遇到了一個值得納悶的地方。在之前Spill過程中的時候爲什麼不直接把這些信息存儲在內存中呢，何必又多了這步掃描的操作？特別是Spill的索引數據，之前當內存超限之後就把數據寫到磁盤，現在又要從磁盤把這些數據讀出來，還是需要裝到更多的內存中。之所以多此一舉，是因爲這時kvbuffer這個內存大戶已經不再使用可以回收，有內存空間來裝這些數據了。（對於內存空間較大的土豪來說，用內存來省卻這兩個io步驟還是值得考慮的。）
然後爲merge過程創建一個叫file.out的文件和一個叫file.out.Index的文件用來存儲最終的輸出和索引。
一個partition一個partition的進行合併輸出。對於某個partition來說，從索引列表中查詢這個partition對應的所有索引信息，每個對應一個段插入到段列表中。也就是這個partition對應一個段列表，記錄所有的Spill文件中對應的這個partition那段數據的文件名、起始位置、長度等等。
然後對這個partition對應的所有的segment進行合併，目標是合併成一個segment。當這個partition對應很多個segment時，會分批地進行合併：先從segment列表中把第一批取出來，以key爲關鍵字放置成最小堆，然後從最小堆中每次取出最小的<key, value>輸出到一個臨時文件中，這樣就把這一批段合併成一個臨時的段，把它加回到segment列表中；再從segment列表中把第二批取出來合併輸出到一個臨時segment，把其加入到列表中；這樣往復執行，直到剩下的段是一批，輸出到最終的文件中。
最終的索引數據仍然輸出到Index文件中。
Map端的Shuffle過程到此結束。
Copy
Reduce任務通過HTTP向各個Map任務拖取它所需要的數據。每個節點都會啓動一個常駐的HTTP server，其中一項服務就是響應Reduce拖取Map數據。當有MapOutput的HTTP請求過來的時候，HTTP server就讀取相應的Map輸出文件中對應這個Reduce部分的數據通過網絡流輸出給Reduce。
Reduce任務拖取某個Map對應的數據，如果在內存中能放得下這次數據的話就直接把數據寫到內存中。Reduce要向每個Map去拖取數據，在內存中每個Map對應一塊數據，當內存中存儲的Map數據佔用空間達到一定程度的時候，開始啓動內存中merge，把內存中的數據merge輸出到磁盤上一個文件中。
如果在內存中不能放得下這個Map的數據的話，直接把Map數據寫到磁盤上，在本地目錄創建一個文件，從HTTP流中讀取數據然後寫到磁盤，使用的緩存區大小是64K。拖一個Map數據過來就會創建一個文件，當文件數量達到一定閾值時，開始啓動磁盤文件merge，把這些文件合併輸出到一個文件。
有些Map的數據較小是可以放在內存中的，有些Map的數據較大需要放在磁盤上，這樣最後Reduce任務拖過來的數據有些放在內存中了有些放在磁盤上，最後會對這些來一個全局合併。
Merge Sort
這裏使用的Merge和Map端使用的Merge過程一樣。Map的輸出數據已經是有序的，Merge進行一次合併排序，所謂Reduce端的sort過程就是這個合併的過程。一般Reduce是一邊copy一邊sort，即copy和sort兩個階段是重疊而不是完全分開的。
Reduce端的Shuffle過程至此結束。