1、使用一个reducer

这个是最容易想到的思路
优点是实现简单，
缺点也很明显，一个reduce有可能比较慢，无法利用分布式的优点

2、重写Partioner类。

通过重写Partition类，把key在一个范围内的发往一个固定的reduce，这样在一个reduce内key是全排序的，在reduce之间按照序号也是排好序的。比如key代表的是一个年龄。我们可以把数据输出到10个reduer。1-10岁之间发往第0个reduce,11-20发往第2个reduce，以此类推。

缺点是这种划分可能不均匀。

这里就需要关注Partition这个阶段，Partition阶段是针对每个Reduce，需要创建一个分区，然后把Map的输出结果映射到特定的分区中。这个分区中可能会有N个Key对应的数据，但是一个Key的所有数据只能在一个分区中。在实现全排序的过程中，如果只有一个reduce，也就是只有一个Partition，那么所有Map的输出都会经过一个Partition到一个reduce里，在一个reduce里可以根据compareTo(也可以采用其他比较算法)来排序，实现全排序。但是这种情况就让MapReduce失去了分布式计算的光环。

所以全排序的大概思路为：确保Partition之间是有序的就OK了，即保证Partition1的最大值小于Partition2的最小值就OK了。

即便这样做也还是有个问题：Partition的分布不均，可能导致某些Partition处理的数据量远大于其他Partition处理的数据量。

而实现全排序的核心步骤为：取样和Partition。
先“取样”，保证Partition得更均匀：

对Math.min(10, splits.length)个split（输入分片）进行随机取样，对每个split取10000个样，总共10万个样
10万个样排序，根据reducer的数量(n)，取出间隔平均的n-1个样
将这个n-1个样写入partitionFile(_partition.lst，是一个SequenceFile)，key是取的样，值是nullValue
将partitionFile写入DistributedCache
整个全排序的详细介绍可参照：http://www.iteye.com/topic/709986

3,、使用TotalOrderPartition

我们知道Mapreduce框架在feed数据给reducer之前会对map output key排序，这种排序机制保证了每一个reducer局部有序，hadoop 默认的partitioner是HashPartitioner，它依赖于output key的hashcode，使得相同key会去相同reducer，但是不保证全局有序，如果想要获得全局排序结果（比如获取top N, bottom N），就需要用到TotalOrderPartitioner了，它保证了相同key去相同reducer的同时也保证了全局有序。

TotalOrderPartitioner依赖于一个partition file来distribute keys，partition file是一个实现计算好的sequence file，如果我们设置的reducer number是N，那么这个文件包含（N-1）个key分割点，并且是基于key comparator排好序的。TotalOrderPartitioner会检查每一个key属于哪一个reducer的范围内，然后决定分发给哪一个reducer。

InputSampler类的writePartitionFile方法会对input files取样并创建partition file。有三种取样方法：