hadoop mapreduce 过程详解
1：最简单的过程：
map - reduce
2：定制了partitioner以将map的结果送往指定reducer的过程：
map - partition - reduce
3：增加了在本地先进性一次reduce（优化）
map - combin(本地reduce) - partition - reduce
基本上，一个完整的mapreduce过程可以分为以上3中提到的4个步骤，下面以hadoop自带的wordcount为例，说明四个步骤的工作：
假设输入文件的内容为：
"hello word" 第一行
"hello hadoop" 第二行
一：map
a,mapper用Job的setMapperClass指定
b,map的输入通过Job的setInputFormat指定，默认问TextInputFormat(每行为一条记录，以偏移为key，行内容为value)，还可以指定为KeyValueTextInputFormat（每行为一条记录，分隔符之前为key，之后为value，默认的分隔符是\t，通过mapred.textinputformat.seperator指定），SequenceFileInputFormar(键和值由用户指定，序列文件为hadoop专用的二进制压缩格式)，还有NLineInputFormat（与Textnputormat相同，但每个分片一定由N行，N默认为1，通过，mapred.line.input.format.linespermap设定）
c,map的输出与输入格式类似，反推即可，例如对应SequenceFileInputFormat，输出类为SequenceFileOutputFormat
处理输入数据，将数据按照用户想要的<key，value>形式collect起来
在经过这个步骤后，现在的数据为一下形式:<hello 1>,<word 1>,<hello 1>,<hadoop 1>
二：combin
combin是在本地进行的一个reduce的过程，其目的是提高hadoop的效率。
直接将数据交给下一个步骤处理，这个例子中存在两个以hello为键的记录，所以在下一个步骤中需要处理两条<hello 1>的记录，如果先做一次combin，则只需处理一次<hello 2>的记录，这样做的一个好处就是，当数据量很大时，减少很多开销。（直接将partition后的结果交给reduce处理，由于tasktracker并不一定分布在本节点，过多的冗余记录会影响IO，与其在reduce时进行处理，不如在本地先进性一些优化以提高效率）
三：partition
得到map给的记录后，他们该分配给哪些reducer来处理呢？hadoop采用的默认的派发方式是根据散列值来派发的，但是实际中，这并不能很高效或者按照我们要求的去执行任务。例如，经过partition处理后，一个节点的reducer分配到了20条记录，另一个却分配道了10W万条，试想，这种情况效率如何。又或者，我们想要处理后得到的文件按照一定的规律进行输出，假设有两个reducer，我们想要最终结果中part-00000中存储的是"h"开头的记录的结果,part-00001中存储其他开头的结果，这些默认的partitioner是做不到的。所以需要我们自己定制partition来根据自己的要求，选择记录的reducer。
自定义partitioner很简单，只要自定义一个类，并且继承Partitioner类，重写其getPartition方法就好了，在使用的时候通过调用Job的setPartitionerClass指定一下即可
note：hadoop的partition过程会根据数据格式，选择相应的比较规则对数据进行排序
四：reduce
reduce就是所谓的归并阶段啦，此时我们的数据是以<key,list(value1,value2...)>的方式存储的。以wordcount的例子来说，如果没有执行上面的2步骤的话，此时的记录应该是：<hadoop list(1)>,<hello list(1,1)>,<word list(1)>,如果执行过2步骤的话，那么结果应该是<hadoop list(1)>,<hello list(2)>,<word list(1)>。
此时，只要根据需求，处理key和values即可
最终结果：
hadoop 1
hello 2
word 1