一、可排序的Key

• 排序是MapReduce框架中最重要的操作之一
  • MapTask和ReduceTask均会对数据按照Key进行排序；
  • 该操作数据Hadoop的默认行为，任何应用程序中的数据均会被排序，而不管逻辑上是否需要；
  • 默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。
• 对于MapTask
  • 它会将处理的结果暂时存放到环形缓冲区中，当环形缓冲区使用率达到一定的阈值后，再对环形缓冲区中的数据进行一次快速排序；
  • 并将这些有序数据溢写到磁盘上；
  • 而当数据处理完毕后，他会对磁盘上所有的文件进行归并排序。
• 对应ReduceTask
  • 它从每个执行完成的MapTask上远程拷贝相应的数据文件，如果大小超过一定的阈值，则溢写到磁盘上，否则存储在内存中；
  • 如果磁盘上的文件数目达到一定的阈值，则进行一次归并排序以生成一个更大的文件；
  • 如果内存中文件大小或者数目超过一定的阈值，则进行一次合并后将数据溢写到磁盘上；
  • 当所有数据拷贝完毕后，ReduceTask同一对内存和磁盘上的所有数据进行一次归并排序。

二、排序的种类

• 部分排序
  • MapReduce根据输入记录的键值对数据集排序，保证输出的每个文件内部有序。
• 全排序
  • 最终数据结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask，但该方法在处理大型文件时效率极低（发生了数据倾斜），因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。
• 辅助排序
  • 在Reduce端对key进行分组，应用于在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到一个reduce方法时，可以采用分组排序。
• 二次排序
  • 二次排序：mr编程中，需要先按输入数据的某一列a排序，如果相同，再按另一个列b排序；
  • mr自带的类型作为key无法满足需求时，往往需要自定义javabean作为map输出的key；
  • javabean中，使用compareTo方法指定排序的规则。