MapReduce的基础知识

1、什么是MapReduce

1. Hadoop MapReduce 是一个 分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群（数千个节点）上的大量数据（多TB数据集）

2. MapReduce 是一种面向海量数据处理的一种指导思想，也是一种用于对大规模数据进行分布式计算的编程模型。

2、Map Reduce的优缺点

2.1 优点

• 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

• 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。

• 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。

• 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。

2.2 缺点

• 实时计算性能差： MapReduce 主要应用于离线作业，无法做到秒级或者是亚秒级别的数据响应。

• 不能进行流式计算： 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。

• 不擅长DAG（有向无环图）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）MrAppMaster：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阶段的整个数据处理流程。

4、MapReduce编程规范

• 用户编写的程序代码分成三个部分： Mapper、Reducer和Driver(客户端提交作业驱动程序)

• 用户自定义的Mapper和Reducer都要继承各自的父类。

Mapper阶段：

1. 用户自定义的Mapper要继承自己的父类

2. Mapper的输入数据是KV对的形式（KV的类型可自定义）

3. Mapper中的业务逻辑写在map()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

Reducer阶段：

1. 用户自定义的Reducer要继承自己的父类

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()方法中

4. ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

Driver： 描述的是提交Job对象需要的各种必要的信息。

MapReduce内置了很多默认属性，比如： 排序（key的字典序）、分组(reduce阶段key相同的为一组，一组调用一次reduce处理)等，这些都和数据的K有关，所以说kv的类型数据确定是及其重要的。

5、常用数据序列化类型