MapReduce的学习和使用

本文是基于CentOS 7.3系统环境，进行MapReduce的学习和使用

• CentOS 7.3

1. MapReduce简介

1.1 MapReduce定义

MapReduce是一个分布式运算程序的编程框架，是基于Hadoop的数据分析计算的核心框架

1.2 MapReduce处理过程

主要分为两个阶段：Map和Reduce

• Map负责把一个任务分解成多个任务
• Reduce负责把分解后多任务处理的结果进行汇总

1.3 MapReduce的优点

• 1. MapReduce易于编程
  只需要实现一些简单接口，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，就跟写一个简单的串行程序是一模一样的。
• 2. 良好的扩展性（hadoop的特点）
  当你的计算资源不能满足的时候，你可以通过简单的增加机器（nodemanager）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，不至于整个任务运行失败。
• 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

1.4 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
  多个应用程序之间存在依赖关系，后一个应用程序的输入为前一个程序的输出。在这种情况下，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

1.5 MapReduce核心编程思想

1. 分布式的运算程序往往需要分成至少2个阶段。
2. 第一个阶段的MapTask并发实例，完全并行运行，互不相干。
3. 第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
4. 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。

1.5 MapReduce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