1.client在提交任务之前，根据参数配置形成任务分配的规划。（比如，切分数据块）
2.client端提交任务信息，计算出所需要启动的MapTask的数量，然后向Yarn申请执行任务所需要的资源。
3.Yarn启动计算任务，读取需要计算的文本数据，然后调用自定义的Mapper（你自己写的Mapper）进行逻辑运算，然后调用Context.write(k,v)写出数据，生成新的K,V值。
4.数据处理完之后，调用OutPutCollector.collect()输出结果，此函数内部会将Key/Value进行分区（调用Partitioner），数据写入到一个环形内存缓冲区。
5.利用快排对缓存区数据进行排序，排序规则如下：
- 先按照分区编号Partition进行排序
- 在一个分区内按照key进行排序。
6.把分区排序后的数据写入分区工作目录下的临时文件中，如果设置了Combiner，MapTask会以分区为单位对这些临时文件进行一次Combine操作（多轮递归合并，默认每次合并10个文件【io.sort.factor】），最终每个分区只会生成一个大文件（output/file.out）和该文件的索引文件（output/file.out.index）。（多轮递归合并：就是在待合并列表中先合并10个文件生成一个文件，然后把生成的文件重新放到待合并列表的中，依次循环，直至最后一个文件）
7.分区数据写到内存索引数据结构SpillRecord中，元信息包括临时文件的偏移量、压缩前数据大小和压缩后数据大小。当前索引大小超过1M，则将内存索引写入到文件中。
8.ReduceTask从各个MapTask上Copy一片数据，如果其大小超过一定得阈值，则写到磁盘上，否则放入内存中。同时ReduceTask会启动两个线程，同时对磁盘和内存中的数据文件进行合并，防止文件过多（每个MapTask中含有不同的数据，根据Partition，这些数据需要发送到不同的ReduceTask中。ReduceTask会自己拉取这些数据）
9.MapTask中的数据已经进行了排序，因此ReduceTask对数据进行一次归并排序即可让数据有序。
10.调用GroupingComparator组件进行分组操作，其目的是为了决定哪些数据作为一组。
11.调用Reduce函数将数据计算结果写入到HDFS上。至此完成MapReduce。