从源码的角度 :map --> sort —> copy --> sort -->reduce 　　sort —> copy --> sort属于shuffle

InputFormat数据输入

切片与MapTask并行度决定机制

1）问题引出
MapTask的并行度决定Map阶段的任务处理并发度，进而影响到整个Job的处理速度。
思考：1G的数据，启动8个MapTask，可以提高集群的并发处理能力。那么1K的数据，也启动8个MapTask(启动也需要花费大量时间，而且消耗资源)，会提高集群性能吗？MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？
2）MapTask并行度决定机制
数据块：Block是HDFS物理上把数据分成一块一块。数据块是HDFS存储数据单位。
MapTask数据片的数量决定，数据片的数量由片的大小和文件数量决定。一片就是一个MapTask
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片会对应启动一个MapTask。
数据切片与ＭａｐＴａｓｋ并行度机制

如果跨节点获取数据，非常消耗网络资源，网络资源很宝贵，而且节点上跑很多东西，kafka,zookeeper等。