Map Reduce是一个计算框架。Map函数发送到所有含有涉及数据的节点上运行，而Reduce之运行在多台主机上用作收集map结果用，reduce数量取决于reduce收集函数分了几个组，只在几个几个节点上运行。
shuffle机制：分组排序
MapReduce执行过程
- map进程数量基于切片思想，一个切片对应一个map进程，切片大小相对块大小而言，块小切片对应的块数量多，切片是文件中偏移量的范围。
- 计算分好的split切片交付给map进程后，先在内存中处理，每用满一次缓存，将缓存内容输出成一个溢出文件，每个文件的数据都局部组间有序。
- 当输入数据被处理完，将当前map进程所产生的溢出文件合并成大文件（按组号合并，保持组间有序）。
- 当任意map进程完成汇总同时，reduce进程开始收集大文件，从各个map收集每个大文件的同组号数据进行归并排序。
- 最终一个reduce进程输出一个完好的分好类的排好序的同组数据。
- MR中由于数据量可能超出缓存大小，可能要频繁写入磁盘文件，所以MR往往要比spark、storm慢，但也正因为与磁盘进行交互，MR能处理的数据量级更大，在离线非实时计算中很难被替代。
shuffle机制
- Yarn的ResourceManager将计算资源分配好后，将启动NodeManager节点中一个节点的MRAppMaster进程，而mapreduce的shuffle机制在这里开始。
- MRAppMaster进程根据切片数量确定Map节点的个数，并启动这些节点上的map task，这些task将处理本机上的分片数据，并将分组结果保存在map主机的内存缓冲区（当内存缓冲满时，自动溢出到磁盘中，根据配置文件配置可能生成多个小文件，缓冲区及小文件局部有序），并在这之后将小文件合并成一个大文件，在大文件的合并过程中依旧保持排序
- map task进程将任务完成后，会向MRAppMaster报告结果，一并汇报任务状态、结果文件位置、分组信息等
- MRAppMaster进程接收到所有map task的反馈结果，将启动一些节点上的reduce task进程，同时只对每一个reduce授予不同的reduce号，告知取哪个组的数据、数据文件在哪，主机等等
- reduce得到信息后去目标位置下载数据，当然只取相应的那个组的数据，其余组的数据由其他reduce取走
- reduce合并从各个map取来的相同组数据，并保持排序
- reduce逻辑处理合并的集合
- 输出结果，job完成
- MRAppMaster向ResourceManager注销，job彻底结束，Yarn接管