1. MapReduce概述

MapReduce是一个分布式计算的编程框架，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并发地运行在一个Hadoop集群上。

1.1 MapReduce进程

一个完整的MapReduce程序在运行时有3种进程：

1. MrAppMaster：负责整个MapReduce程序的调度和状态协调；
2. MapTask：负责Map阶段的数据处理流程；
3. ReduceTask：负责Reduce阶段的数据处理流程。

2. MapReduce编程

用户需要按照一定的规范来进行MapReduce程序的开发。

2.1编程规范

用户编写的MapReduce程序由三个部分组成：Mapper、Reducer和Driver.

Mapper编写

1. 用户自定义的Mapper继承特定的Mapper类；
2. 定义Mapper的输入数据类型（K-V对形式的两个参数，都需要指定）；
3. 定义Mapper的输出数据类型（K-V对形式的两个参数，都需要指定）；
4. 重写map()方法，将业务逻辑写在其中。

对于每个输入的<K,V>参数，map()方法均会执行一次。

Reduce编写

1. 用户自定义Reducer继承特定的Reducer父类；
2. 定义Reducer的输入数据类型，其也是K-V对，并对应Mapper的输出数据类型；
3. 重写reduce()方法，将业务逻辑写入其中。

ReduceTask进程会对每一组相同k的<k,v>输入参数只调用一次reduce()方法。

Driver编写

相当于YARN集群的客户端，用于提交MapReduce程序到YARN集群，提交的是一个job对象，该job对象封装了MapReduce程序相关的运行参数。

2.1 常用数据类型

Hadoop的数据类型都要实现Writable接口，以便用这些类型定义的数据可以被序列化进行网络传输和文件存储。

自定义MapReduce数据类型

自定义数据类型有两种方式：

1. 实现Writable接口
   重写 write（）和readFields（）方法
2. 实现WritableComparable接口
   重写 write（），readFields（）和compareTo（）方法。

3. MapReduce的优缺点

优点

1. MapReduce编程简单。只需要实现一些接口，就可以完成一个分布式计算程序，并分不到大量廉价的PC机器上运行；
2. 良好的扩展性。当计算资源不足时，可以通过简单的增加机器来扩展计算能力；
3. 高容错性。MapReduce程序运行在廉价的PC机器上，当其中一台机器宕机了，它可以自动将计算任务转移到另外一个节点上运行，而不需要人工参与；
4. PB级以上海量数据的计算。

缺点

1. 不擅长实时计算。MapReduce一般用来做数据的离线处理，它没法像MySQL一样，在毫秒或者秒级别内返回结果；
2. 不擅长流式计算。流式计算的输入数据是动态的，而MapReduce的输入数据是静态的，不能动态变化；
3. 不擅长DAG(有向图)计算。DAG计算指的是，多个应用存在依赖关系，后一个应用的输入为前一个应用的输出。使用MapReduce进行此种计算，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，导致性能非常低下。

4. MapReduce工作流程

1）默认HDFS中一个存储块的大小是128M，所以需要将200M拆成128+72；
2）maptask并行运行，互不影响；
3）reducetask也是并行运行，互不影响，但是reducetask的开始要依赖于所以的maptask都运行结束。

5. WordCount案例

这里实现一个和Hadoop官方提供的wordcount类似功能，需求如下：
输入：文本文件，文件中包含一些单词。
输出：各个单词输出的次数。

对照“2.1编程规范”，我们需要编写Mapper、Reducer、Driver。

5.1 Mapper

public class WordcountMapper extends Mapper<LongWritable,Text, Text, IntWritable> {
    Text outKey = new Text();
    IntWritable outValue = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words =  line.split(" ");
        for (String word : words) {
            outKey.set(word);
            context.write(outKey,outValue);
        }
    }
}

5.2 Reducer

public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    IntWritable outValue = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
            sum += val.get();
        }

        outValue.set(sum);
        context.write(key, outValue);
    }
}

5.3 Driver

public class WordcountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 获取配置信息以及封装任务
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);

        // 设置jar加载路径
        job.setJarByClass(WordcountDriver.class);

        // 设置map和reduce类
        job.setMapperClass(WordcountMapper.class);
        job.setReducerClass(WordcountReducer.class);

        // 设置map输出kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 设置最终输出kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 提交
        job.submit();
    }
}

需要注意一点：导包的时候很多类在org.apache.hadoop.mapreduce包和org.apache.hadoop.mapred中存在同名的情况，一般导入org.apache.hadoop.mapreduce包。

5.4 打包运行

在pom.xml文件中配置maven-assembly-plugin，然后通过mvn install指令对应用进行打包， 最后在target目录中可以看到打好的包

其中with-dependencies.jar中多了依赖，如果是在集群中运行的话，集群中包含mapreduce运行所需的jar包，所以使用不带依赖的jar包即可。

将wordcount-1.0-SNAPSHOT.jar上传到hadoop服务器，然后运行hadoop jar即可。

[hadoop@hadoop01 software]$ hadoop jar wordcount-1.0-SNAPSHOT.jar com.zgc.mapreduce.wordcount.WordcountDriver /usr/hadoop/input /usr/hadoop/output

其中，/usr/hadoop/input是一个hdfs的目录，它下面含有需要统计单词次数的文件。

执行完成之后，可以通过hdfs dfs -cat /usr/hadoop/output/part-r-00000指令查看统计结果。

参考

1. MapReduce的核心编程思想