理论
Reduce Task会启动多个拷贝线程从每个Map Task上去读取相应的中间结果，具体的拷贝线程数目由参数"mapreduce.reduce.shuffle.parallelcopies"(默认为5)指定，对于每个待拷贝的文件，如果文件大小小于一定阈值A，则将其放在内存中，否则以文件的形式存放在磁盘上，如果内存中文件满足一定条件D，则会将这些数据写入磁盘，而当磁盘上文件数目达到mapreduce.task.io.sort.factor（默认是10）时，进行一次合并。
阈值A为：
heapsize * {mapreduce.reduce.shuffle.input.buffer.percent} *{mapreduce.reduce.shuffle.memory.limit.percent}
其中，heapsize是通过参数"mapreduce.reduce.java.opts"指定的，默认是200MB，mapreduce.reduce.shuffle.input.buffer.percent默认值为0.7，mapreduce.reduce.shuffle.memory.limit.percent默认0.25。
条件D为以下两个条件中任意一个：
内存使用率（总的可用内存为heapsize * {mapreduce.reduce.shuffle.input.buffer.percent})达到mapreduce.reduce.shuffle.merge.percent（默认我0.66）
内存中该文件数目超过 mapreduce.reduce.merge.inmem.threshold（默认是1000）。
实践
reduce shuffle OOM问题
项目配置中：
mapreduce.reduce.shuffle.parallelcopies=10
mapreduce.reduce.java.opts=8.2
mapreduce.reduce.shuffle.input.buffer.percent=0.7
mapreduce.reduce.shuffle.memory.limit.percent=0.25
通过计算判断为何OOM:
8.2*0.7*0.25*10=14.20 > 8.2 (所以OOM)，所以我们可以调整mapreduce.reduce.shuffle.parallelcopies=5，mapreduce.reduce.shuffle.input.buffer.percent=0.5来使其不OOM。
