MRAppMaster仍采用了MRv1中的数据处理引擎，分别由MapTask和Reduce Task完成Map任务和Reduce 任务，但MRv2做了优化，主要是在shuffle阶段。
（1）Map端：用Netty代替Jetty
MRv1中，TaskTracker采用了Jetty服务器处理来自各个Reduce Task的数据请求，Jetty性能较低，所以改用了Netty。
（2）Reduce端：批拷贝
MRv1中，shuffle的时候Reduce Task会为每个数据分片建立一个专门的HTTP连接，即使多个分片同时出现在一个TaskTracker上也是这样。
所以Hadoop 2.0 用了批拷贝的技术，不再为每个Map Task建立一个HTTP连接，而是同一个TaskTracker上的多个Map Task建立一个HTTP连接，进而能够一次读取多个数据分片。
（3）Reduce端：shuffle和排序插件化
- shuffle插件化：hadoop2.0将shuffle代码独立出来，称为可插拔模块，用户可实现自己的shuffle。
定制化一个shuffle插件需要一个运行在NM上的org.apache.hadoop.yarn.server.nodemanager.containermanager.AuxServices.AuxiliaryService实现和一个运行在Reduce Task上的org.apache.hadoop.mapred.ShuffleConsumerPlugin实现，它们的默认值分别是org.apache.hadoop.mapred.ShuffleHandler和org.apache.hadoop.mapreduce.task.reduce.Shuffle
- 排序插件化：MR中用了 基于排序的数据聚集算法，排序统一采用了自己实现的快速排序算法，会对数据全排序，低效， MRv2将排序插件化，可自定义排序算法实现诸如基于hash的聚集算法或者limit-N算法。
定制化排序插件需要一个运行在Map Task中的org.apache.hadoop.mapred.MapOutputCollector实现和一个运行在Reduce Task上的org.apache.hadoop.mapred.ShuffleConsumerPlugin，它们默认值分别是org.apache.hadoop.mapred.MapTask$MapOutputBuffer和org.apache.hadoop.mapreduce.task.reduce.Shuffle。
