欢迎关注我的CSDN: https://blog.csdn.net/bingque6535

一. 基本概念

1. 为什么需要MapReduce

1. 海量数据在单机上处理因为硬件资源限制，无法胜任
2. 而一旦将单机版程序扩展到集群来分布式运行，将极大增加程序的复杂度和开发难度
3. MapReduce把大量分布式程序涉及到的内容都封装进了该运算框架
4. 引入 MapReduce 框架后，开发人员可以将绝大部分工作集中在业务逻辑的开发上，而将分布式计算中的复杂性交由框架来处理

2. MapReduce的思想就是“分而治之”

1. Mapper负责“分”，即把复杂的任务分解为若干个“简单的任务”来处理。“简单的任务”包含三层含义：
   • 一是数据或计算的规模相对原任务要大大缩小
   • 二是就近计算原则，即任务会分配到存放着所需数据的节点上进行计算；
   • 三是这些小任务可以并行计算，彼此间几乎没有依赖关系。
2. Reducer负责对map阶段的结果进行汇总

3. MapReduce的优缺点

1. 优点

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，跟写一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晨它的计算能力。
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. 适合海量数据的离线处理

2. 缺点

1. 不擅长实时计算
   MapReduce无法像MySQL一样, 在毫秒或秒级内返回结果
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。

4. 常用数据序列化类型

5. 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

1. MapReduceMaster: 负责整个程序的过程调度及状态协调
2. MapTask: 负责Map阶段的整个数据处理流程
3. ReduceTask: 负责Reduce阶段整个数据处理流程

6. MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver。

1. Mapper阶段

   1. 用户自定义的Mapper要继承Mapper类
   2. Mapper的输入数据是KV对的开式（KV的类型可自定义）
   3. Mapper中的业务逻辑写在ma()方法中
   4. Mapper的输出数据是KV对的形式（KV的类型可自定义）
   5. map()方法（MapTask进程）对每一个<K，V>调用一次

2. Reducer阶段

   1. 用户自定义的Reducer要继承Reducer类
   2. Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
   3. Reducer的业务逻辑写在reduce()方法
   4. ReduceTask进程对每一组相同k的<k, v>组调用一次reduce()方法

3. Driver阶段
   相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

欢迎关注我的CSDN: https://blog.csdn.net/bingque6535