MapReduce看起来是如此简单，可背后又是如何运转的呢？
MapReduce作为Hadoop的编程框架，把数据的操作抽象成map和reduce操作，简化了大数据编程的复杂度，但是MapReduce是如何执行的呢？
对于每一个MapReduce，都对应着一个map，一个reduce（可能没有），以及一个job描述，当提交这个任务时，Hadoop框架会解析这个job，然后按照描述来启动mapper、reducer，并且将输入文件灌入mapper，同时接收mapper输出，处理之后再喂给reducer，对reducer的结果处理之后就得到了最终结果。
Mapper
默认情况下，对于HDFS数据文件的每一个block，Hadoop都会启动一个mapper，也就是说一个mapper负责处理一个block，这样在资源充足的情况下能大大加快处理速度。HDFS的文件格式有很多，当它是默认的文本格式时，框架会读取这个block并且循环调用mapper的map方法，每次喂入一行，KV键值对分别是偏移量和文本内容。
对于接收到的内容，mapper在处理之后通过context输出新的若干键值对，框架会接收这些键值对。为了减少磁盘读写，这些输出首先被存储在缓冲区中，当缓冲区达到一定阈值之后开始将缓冲区内容写入到磁盘中。对于这些内容，首先按照后续处理的reducer不同划分成一个个小的分片（根据哈希等策略），然后针对每一个分片做一个内存内排序，如果MapReduce指定了combiner，再在分片上做一次combine操作，然后将结果合并后按照round-robin策略写入到不同的磁盘中，当mapper处理完所有数据后，再次合并所有的小文件，形成一个大的有序且分区的大文件。如果小文件的数量超过一定阈值，会在新的文件上再做一次combine操作，进一步减少文件大小，减少后续reducer的复制通信量以及加快硬盘读写。
Reducer
默认情况下，每个MapReduce只有一个reducer，但是可以根据需求，设置多个reducer。在每个reducer启动初期，会去每一个机器（application manager存放着所有该任务中的mapper和机器）上通过http协议拉取属于自己的那份数据，然后对于所有的有序文件集做排序和合并操作，形成一个新的大文件。需要注意的是，如果文件大小较少，则会直接进行内存内排序跟合并，而不会落盘。同样，如果文件数很多，会多次执行combine操作。
然后框架按照键组织所有的键值对，每次喂入一个键以及所有的值，当reducer处理并生成新的键值对后，对结果做排序操作，然后写入HDFS相应目录。
当所有的reducer执行完毕之后，做收尾工作，删除mapper和reducer节点上生成的中间数据并释放资源。
由于不同机器性能不同等原因，不同的mapper结束时间不同，为了加快处理速度，reducer不会等到所有mapper处理完毕之后才开始启动，而是当一定比例的mapper执行结束后提前启动，然后拉取数据合并，这样等剩下的mapper结束之后能尽快的拉取剩下的数据，开始reduce操作。
容错
大数据中，一个必须要考虑的因素就是容错，在MapReduce中，如果一个mapper在执行时出现故障，只需要重新处理相应的block即可；可如果reducer出错，它就需要重新拉取相应mapper的结果，为了避免这种情况下带来的大量mapper重新处理，mapper的处理结果会等到整个任务完成之后才统一删除。