官方给的定义：系统执行排序、将 map 输出作为输入传给 reducer 的过程称为 Shuffle。 （看完是不是一脸懵逼）通俗来讲，就是从 map 产生输出开始到 reduce 消化输入的整个 过程称为 Shuffle。如下图用黑线框出的部分：
每一个map任务都会有一个圆形缓冲区。默认大小100MB（io.sort.mb 属性）阈值 0.8 也就是 80MB(mapreduce.map.sort.spill.percent 属 性指定） ,
一 旦 达 到 阈 值 一 个 后 台 线 程 开 始 把 内 容 写 到 (spill) 磁 盘 的 指 定 目 录 mapred.local.dir 下的新建的一个溢出写文件。写入磁盘前先 partition、sort、 [combiner]。一个 map task 任务可能产生 N 个磁盘文件。map task 运算完之后，产 生了 N 个文件，然后将这些文件 merge 合成一个文件。 如果 N=2，合成的新文件写入磁盘前只经过 patition（分区）和 sort（排序）过程，不 会执行 combiner 合并（无论是否指定 combiner 类），如下图所示
如果 N>=3，合成的新文件写入磁盘前经过 patition（分区）、sort（排序）过和 combiner 合并（前提是指定了 combiner 类），如下图所示：
思考：为什么只有当 N>=3 时，合成文件才会执行 combiner 呢？
这是因为如果 N<3 时，执行 combiner 虽然减少了文件的大小，但是同时产生了一定的系 统开销。由于减少的文件大小不大，权衡利弊后，确定 N<2 时不在执行 combiner 操作。 当该 map task 全部执行完之后，对应的 reduce task 将会拷贝对应分区的数据（该过 程称为 fetch），如下图所示：
其它的 map task 任务完成后，对应的 reduce task 也同样执行 fetch 操作，如下图所 示：
每个 map 任务的完成时间可能不同，因此只要有一个任务完成，reduce 任务就开始复制 其输出。该阶段被称为 reduce 的复制阶段。reduce 任务有少量复制线程，因此能够并行 取 得 map 输 出 。 默 认 值 是 5 个 线 程 ， 但 这 个 默 认 值 可 以 通 过 设 置 mapred.reduce.parallel.copies 属性改变。
复制完所有 map 输出后，reduce 任务进入合并阶段，该阶段将合并 map 输出，并维持其 顺序排序（相当于执行了 sort），如果指定了 combiner，在写入磁盘前还会执行 combiner 操作。
那么具体是如何合并的呢？ 合并因子默认是 10，可以通过 io.sort.factor 属性设置。合并过程是循环进行了，可能叫经过多趟合并。目标是合并最小数量的文件以便满足最后一趟的合并系数。假设有 40 个文件，我们不会在四趟中每趟合并 10 个文件从而得到 4 个文件。相反，第一趟只合并 4 个文件，随后的三趟分别合并 10 个文件。再最后一趟中 4 个已合并的文件和余下的 6 个（未 合并的）文件合计 10 个文件。具体流程如下图所示：
