概括：
combine和partition都是函數。中間的步驟應該僅僅有shuffle！

1.combine
combine分為map端和reduce端，作用是把同一個key的鍵值對合並在一起，能夠自己定義的。
combine函數把一個map函數產生的<key,value>對（多個key,value）合並成一個新的<key2,value2>.將新的<key2,value2>作為輸入到reduce函數中
這個value2亦可稱之為values，由於有多個。這個合並的目的是為了降低網絡傳輸。

詳細實現是由Combine類。

public static void main(String[] args)throws IOException {
Configuration conf = new Configuration();
Job job = new Job(conf);
job.setInputFormatClass(TextInputFormat.class);
job.setMapperClass(Mapper.class);
job.setCombinerClass(reduce.class);

job.setPartitionerClass(HashPartitioner.class);
job.setReducerClass(Reducer.class);
job.setOutputFormatClass(TextOutFormat.class);
}
}

HashPartitioner是mapreduce的默認partitioner。

計算方法是

which reducer=(key.hashCode() & Integer.MAX_VALUE) % numReduceTasks。得到當前的目的reducer。

public static class Partition extends Partitioner<IntWritable, IntWritable> {
@Override
public int getPartition(IntWritable key, IntWritable value,
int numPartitions) {
int Maxnumber = 65223;
int bound = Maxnumber / numPartitions + 1;
int keynumber = key.get();
for (int i = 0; i < numPartitions; i++) {
if (keynumber < bound * i && keynumber >= bound * (i - 1)) {
return i - 1;
}
}
return 0;
}

}

public static void main(String[] args) throws IOException,
InterruptedException, ClassNotFoundException {
Configuration conf = new Configuration();
Job job = new Job(conf, "sort");
job.setJarByClass(Sort.class);
job.setMapperClass(Map.class);
job.setReducerClass(Reduce.class);
job.setPartitionerClass(Partition.class);
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.setInputPaths(job, "/home/asheng/hadoop/in");
FileOutputFormat
.setOutputPath(job, new Path("/home/asheng/hadoop/out"));
job.waitForCompletion(true);
}
}

它比較難以理解，由於我們摸不著。看不到它。它僅僅是理論存在的。並且確實存在，它屬於mapreduce的框架。編程的時候。我們用不到它，它屬於mapreduce框架。具體能夠看通過實例讓你真正明確mapreduce---填空式、分布（切割）編程。

3.1shuffle的作用是
Map的結果，會通過partition分發到Reducer上，Reducer做完Reduce操作後。通過OutputFormat，進行輸出
shuffle階段的主要函數是fetchOutputs(),這個函數的功能就是將map階段的輸出，copy到reduce 節點本地。