大数据学习2（MapReduce）

思想：分而治之

一，执行流程

由图我们可以看到， MapReduce存在以下4个独立的实体。

1. JobClient：运行于client node，负责将MapReduce程序打成Jar包存储到HDFS，并把Jar包的路径提交到Jobtracker，由Jobtracker进行任务的分配和监控。
2. JobTracker：运行于name node，负责接收JobClient提交的Job，调度Job的每一个子task运行于TaskTracker上，并监控它们，如果发现有失败的task就重新运行它。
3. TaskTracker：运行于data node，负责主动与JobTracker通信，接收作业，并直接执行每一个任务。
4. HDFS：用来与其它实体间共享作业文件。

各实体间通过以下过程完成一次MapReduce作业：

1. JobClient通过RPC协议向JobTracker请求一个新应用的ID，用于MapReduce作业的ID
2. JobTracker检查作业的输出说明。例如，如果没有指定输出目录或目录已存在，作业就不提交，错误抛回给JobClient，否则，返回新的作业ID给JobClient
3. JobClient将作业所需的资源（包括作业JAR文件、配置文件和计算所得得输入分片）复制到以作业ID命名的HDFS文件夹中
4. JobClient通过submitApplication()提交作业
5. JobTracker收到调用它的submitApplication()消息后，进行任务初始化
6. JobTracker读取HDFS上的要处理的文件，开始计算输入分片，每一个分片对应一个TaskTracker
7. TaskTracker通过心跳机制领取任务（任务的描述信息）
8. TaskTracker读取HDFS上的作业资源（JAR包、配置文件等）
9. TaskTracker启动一个java child子进程，用来执行具体的任务（MapperTask或ReducerTask）
10. TaskTracker将Reduce结果写入到HDFS当中

二，工作原理

Map任务处理

1. 需要对输入文件进行“分片”,也就是把所要输入的文件copy到HDFS中
2. 启动job读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数
3. 重写map()，对第一步产生的<k,v>进行处理，转换为新的<k,v>输出
4. 对输出的key、value进行分区
5. 对不同分区的数据，按照key进行排序、分组。相同key的value放到一个集合中
6. (可选) 对分组后的数据进行归约

Reduce任务处理

1. 进入reduce阶段。相同的key的map输出会到达同一个reducer,reducer对key相同的多个value进行“reduce操作”
2. 多个map任务的输出，按照不同的分区，通过网络复制到不同的reduce节点上
3. 对多个map的输出进行合并、排序。
4. 重写reduce函数实现自己的逻辑，对输入的key、value处理，转换成新的key、value输出
5. 把reduce的输出保存到文件中

       

　　 Map-Reduce框架的运作完全基于<key,value>对，即数据的输入是一批<key,value>对，生成的结果也是一批<key,value>对，只是有时候它们的类型不一样而已。Key和value的类由于需要支持被序列化（serialize）操作，所以它们必须要实现Writable接口，而且key的类还必须实现WritableComparable接口，使得可以让框架对数据集的执行排序操作。 

Map：<k1,v1> ->list<k2,v2>

Reduce：<k2,list<v2>> -><k3,v3>

一个Map-Reduce任务的执行过程以及数据输入输出的类型如下所示：

(input)<k1,v1> -> map -> <k2,v2> -> combine -> <k2,v2> -> reduce -> <k3,v3>(output)

原文链接：https://www.jianshu.com/p/ca165beb305b

原文链接：https://blog.csdn.net/spy_h/article/details/80747329