简而言之：mapper逐行读取文件拆分，并将行转换为只包含必要列的中间行，进行初始筛选、聚合和其他转换。
reducer从mapper接收中间行并进行最终处理：聚合、排序等。
长话短说：
mr上的hive和tez上的hive使用mapreduce框架原语构建整个处理作业。
正在拆分csv文件，mapreduce framework为inputformat生成的每个inputsplit生成一个Map任务。
Map将输入记录转换为中间记录。转换的中间记录不需要与输入记录的类型相同。发出的记录中只包含必要的列。给定的输入对可以Map到零个或多个输出对，Map器进行初始过滤和聚合。
Map器输出被排序，然后按还原器进行分区，分区的总数与还原器的数量相同。
中间的排序输出总是存储在一个简单的 (key-len, key, value-len, value) 格式。应用程序可以控制是否以及如何压缩中间输出。
reducer将共享一个键的一组中间值缩减为一组较小的值。换句话说，reducer进行最终聚合，必要时进行排序。
reducer有3个主要阶段：shuffle、sort和reduce。洗牌
reducer的输入是Map器的排序输出。在这个阶段，框架通过http获取所有Map器输出的相关分区。分类
在这个阶段，框架按键对输入进行分组（因为不同的Map器可能输出相同的键）。
洗牌和排序阶段同时发生；在获取Map输出时，它们被合并。
在减少阶段 reduce(WritableComparable, Iterator, OutputCollector, Reporter) 方法被调用 <key, (list of values)> 在分组输入中配对。
reduce任务的输出通常写入文件系统。
如果不需要减少，将reduce任务数设置为零是合法的。在这种情况下，map任务的输出直接进入文件系统。
hive on tez将复杂的作业（由许多map和reduce步骤组成）构建为单个dag（顶点是处理步骤-Map器或reducer，边-它们之间的数据传输），可以跳过不必要的步骤，并且不会将中间结果写入持久存储（hdfs）。
请阅读mapreduce文档中的更多详细信息。

是的，对于csv或以面向行的方式存储数据的情况，方法读取所有行（即所有列），如果有任何groupby或聚合，那么reducer将执行聚合。