MapReduce学习1：MapReduce基本概念

1 MapReduce概述
- 1.1 MapReduce定义
- 1.2 MapReduce优缺点
- - 1.2.1 MapReduce优缺点
  - 1.2.2 MapReduce的缺点
3 MapReduce核心思想
4 MapReduce进程

1 MapReduce概述

1.1 MapReduce定义

MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上

1.2 MapReduce优缺点

1.2.1 MapReduce优缺点

1、MapReduce易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写—个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行

2、良好的扩展性

当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力

3、高容错性

MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的

4、适合PB级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力

适用于离线处理，也就是对时间没有要求，只要得到最终的结果即可，与之相对的是实时处理

1.2.2 MapReduce的缺点

1、不擅长实时计算

MapReduce无法像MySQL一样，在毫秒或者秒级内返回结果

2、不擅长流式计算

流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的

3、不擅长DAG(有向图)计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下

3 MapReduce核心思想

下边以一个需求为例子进行解释：统计文件中规定单词数，并且将a-p开头的单词存放到一个文件，q-z开头的单词存放到一个文件中

1、MapReduce阶段分为两个阶段：Map阶段和Reduce阶段，也就是分发数据和合并结果阶段

2、如下图为Map阶段，其中输入两个文件，一个文件200MB，另一个文件是100MB，分别是如图大的橙色快和灰色块（里边的内容就是单词）。200MB的文件被切片成128MB和72MB分发，而100MB则完整分发到一个MapReduce处理程序中

上述文件切片是一个逻辑的切片，例如上述200MB的文件中切片为128MB的部分，事实上传递过去还是整个文件 ，但是通过指针只获取从0~128MB这部分的数据，而并没有实际将文件进行切割。默认情况下切片的大小是设置的块的大小

3、每个切片都要单独去计算，并为其启用MapTask进行处理，而被不同MapTask是完全并行处理的，互不干扰

4、MapTask处理过程如下

读数据，并按行处理
按空格切分行内单词
KV键值对(单词，1)
将所有的KV键值对中的单词，按照单词首字母，分成2个分区溢写到磁盘（分区结果就是按照首字母不同的单词放到磁盘中不同的分区内，这是相当于将单词处理到不同文件的上一个步骤）

5、每个MapTask任务都会将对应的输入数据处理到两个分区，如下分区1和分区2。然后进入Reduce阶段的并发ReduceTask，ReduceTask完全互不相干，但是他们的数据依赖于上—个阶段的所有MapTask并发实例的输出，这里启用了两个ReduceTask，分别对应处理统计a-p开头的单词，他依赖的数据是3个MapTask处理后的分区1的数据，另外一个则是处理所有的分区2的数据

6、ReduceTask阶段的处理结果输出到对应的文件中

MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行，也就是一个MapReduce程序在一个Map阶段中处理不完数据，那么他只能提交给下一个MapReduce数据，而进行多个Map阶段知道数据处理完整，而提交到下一个MapReduce阶段是在上一个MapReduce处理完的基础上的，所以是串行的

4 MapReduce进程

一个完整的MapReduce程序在分布式运行时有三类实例进程:

MrAppMaster：负责整个程序的过程调度及状态协调。当作业放到yarn上的时候就由它进行管理。
MapTask：负责Map阶段的整个数据处理流程
ReduceTask：负责Reduce阶段的整个数据处理流程

对于一个MapReduce程序中，只有一个MrAppMaster，整个程序由它调度。而对于 MapTask和ReduceTask可以有多个，并且Reduce过程也可以没有，取决于你的业务逻辑