第三步叫做“洗牌”。它是map-reduce框架的主要增值之一，不过对于大型数据集来说，它也非常昂贵。框架对所有Map器输出的完整记录集执行类似于分组操作的操作，然后使用每组记录调用reducer。回答3个问题：
3.1. 假设您的作业配置为具有r个总减速器。该框架将每个map输出文件分割成r个片段，并将每个片段发送给一个reducer任务。总共有m个Map绘制者，那就是四处飞行的小切片先生。当一个特定的reducer接收到它所需要的所有切片时，它会将它们合并在一起，并按k2键对结果进行排序，然后按该键动态地对记录进行分组，以便对reduce（）进行单独调用。如果存在重复的k2密钥，则组将比单个密钥大。事实上，这就是重点。如果你的Map器从来没有输出过相同的密钥，那么你的算法甚至不需要reduce阶段，你可以完全跳过昂贵的shuffle。
3.2. 执行所有数据移动的负载分布在整个集群中，因为每个reducer任务都知道它想要什么输出，并从每个Map器请求它们。主节点唯一要做的就是协调，也就是说，告诉每个reducer何时开始提取mapper输出，监视死节点，并跟踪每个人的进度。
3.3. 减速机输出不受框架检查，也不以任何方式进行组合。不管您有多少个reducer任务（r），这就是您将得到多少个包含k3、v3记录的输出文件。如果需要再次合并，请对该输出运行另一个作业。

在阅读此答案之前，请先花点时间阅读有关合并排序（分而治之方法）的内容
下面是框架在幕后发生的一整套动作
客户端提交mapreduce作业。作业提交时
fileinputformat决定如何将文件分割为多个分割（分割=1个或多个hdfs块，具体取决于分割大小）。
jobtracker计算出拆分的位置，并在拆分附近生成Map器，位置的优先级为（1）。本地数据，2。机架本地，3。网络跃点（本地）
Map程序读取数据（fileinputformat提供的记录读取器）并生成k1->v1
这些数据被本地保存到运行Map程序的本地文件系统中，这里的技巧是保存在本地文件系统上的数据被“排序”并存储在分区中（等于还原器的数量）
如果启用了组合器，则在保存到磁盘之前，对于给定的键，值将根据组合器逻辑进行合并（基本上与reduce相同），数据将被排序并保存到磁盘上
5 . 每个reducer从Map器的相应分区中提取数据（不要忘记reducer提取的所有数据都已排序）

{
k1->v1
k1->v2 
K2->v3
}

reducer打开指向从Map器中提取的所有已排序文件的文件指针并合并它们(合并时使用group和sort comparator）当从已排序的文件进行合并时，reducer的输出将被排序并保存到hdfs中
这一步有点类似于合并排序“合并步骤”
请通过http://bytepadding.com/big-data/map-reduce/understanding-map-reduce-the-missing-guide/ 对于相同的图形表示