hadoop细节---Mapreduce过程详解
一.先回顾一下hadoop api中的数据类型：
BooleanWritable:标准布尔型数值
ByteWritable:单字节数值
DoubleWritable:双字节数值
FloatWritable:浮点数
IntWritable:整型数
LongWritable:长整型数
Text:使用UTF8格式存储的文本（类似java中的string）
NullWritable:当
二.Map-Reduce执行过程：
1.Job类初始化JobClient实例，JobClient中生成JobTracker的RPC实例，这样可以保持与JobTracker的通讯，JobTracker的地址和端口等都是外部配置的，通过Configuration对象读取并且传入。
2.JobClient提交作业。
3.JobClient生成作业目录。
4.从本地拷贝MapReduce的作业jar文件(一般是自己写的程序代码jar)。
5.如果DistributedCache中有需要的数据，从DistributedCache中拷贝这部分数据。
6.根据InputFormat实例，实现输入数据的split，在作业目录上生成job.split和job.splitmetainfo文件。
7.将配置文件写入到作业目录的job.xml文件中。
8.JobClient和JobTracker通讯，提交作业。
9.JobTracker将job加入到job队列中。
10.JobTracker的TaskScheduler（任务调度器）对job队列进行调度。
11.TaskTracker通过心跳和JobTracker保持联系，JobTracker收到后根据心跳带来的数据，判断是否可以分配给TaskTracker Task，TaskScheduler会对Task进行分配。
12.TaskTracker启动TaskRunner实例，在TaskRunner中启动单独的JVM进行Mapper运行。
13.Map端会从HDFS中读取输入数据，执行之后Map输出数据先是在内存当中，当达到阀值后，split到硬盘上面，在此过程中如果有combiner的话要进行combiner，当然sort是肯定要进行的。
14.Map结束了，Reduce开始运行，从Map端拷贝数据，称为shuffle阶段，之后执行reduce输出结果数据。
15.当jobtracker收到作业最后一个任务完成通知后，便把作业的状态设置为“完成”。
16.在jobclient查询状态时，便知道任务已经完成，于是从runjob（）方法返回。
三．Map端机制：
自定义一个类，继承于基类Mapper，该基类是一个泛型，有4个形参类型：用来指定map函数的输入键、输入值，输出键、输出值，如下public class Map extends Mapper
（一）map输入做的事：
1.反射构造InputFormat.
2.反射构造InputSplit.
3.创建RecordReader.
4.反射创建MapperRunner
（二）map输出做的事：
1.如果有Partitioner的话，反射构造Partitioner。
2.将key/value/Partitioner数据写入到内存当中。
3.当内存当中的数据达到一定阀值了，需要spill到硬盘上面，在spill前，需要进行排序，如果有combiner的话需要进行combiner。
4.sort的规则是先进行Partitioner的排序，然后再进行key的字典排序，默认的是快速排序。
5.当生成多个spill文件时，需要进行归并，最终归并成一个大文件。
关于排序：
1.在内存中进行排序，整个数据的内存不会进行移动，只是再加上一层索引的数据，排序只要调整索引数据就可以了
2.多个spill文件归并到一个大文件时，是一个归并排序的过程，每一个spill文件都是按分区和key排序好的，所以归并完的文件也是按分区和key排序好的。
在进行归并的时候，也不是一次性的把所有的spill文件归并成一个大文件，而是部分spill文件归并成中间文件，然后中间文件和剩下的spill文件再进行一次归并，依次类推，这个的考虑还是因为一次归并文件太多的话IO消耗太大了，如下图:
四．Reduce端机制：
自定义一个类，继承于基类Reducer，该基类是一个泛型，有4个形参类型：用来指定reduce函数的输入键、输入值，输出键、输出值、
public class Reduce extends Reducer
（一）reduce输入做的事：
1。ReduceTask有一个线程和TaskTracker联系，之后TaskTracker和JobTracker联系，获取MapTask完成事件
2. ReduceTask会创建和MapTask数目相等的拷贝线程，用于拷贝MapTask的输出数据，MapTask的数据一般都是非本地的
3. 当有新的MapTask完成事件时，拷贝线程就从指定的机器上面拷贝数据，是通过http的形式进行拷贝
4. 当数据拷贝的时候，分两种情况，当数据量小的时候就会写入内存当中，当数据量大的时候就会写入硬盘当中，这些工作分别由两个线程完成
5. 因为所有的数据都来自不同的机器，所以有多个文件，这些文件需要归并成一个文件，在拷贝文件的时候就会进行归并动作
6. 拷贝和归并过程统称为shuffle过程。
（二）Reduce输出做的事：
1.构造RecordWriter，这个是根据客户端设置的OutputFormat中getRecordWriter()方法得到
2.通过OutputFormat和RecordWriter将结果输出到临时文件中
3.Rudece进行commit过程，和TaskTracker进行通信，TaskTracker和JobTracker进行通信，然后JobTracker返回commit的指令，Reduce进行
commit，将临时结果文件重命名成最终的文件
4.commit成功后，kill掉其他的TaskAttempt
五．主函数（作业的配置方法）：
publicstatic void main(String[] args) throws Exception{
Configuration conf = newConfiguration();
String[]otherArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
if(otherArgs.length != 2) {
System.err.println("Usage:Data **
System.exit(2);
}
Jobjob = new Job(conf, "**");
job.setJarByClass(**.class);
/ /设置Map和Reduce处理类
job.setMapperClass(Map.class);
//job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(Reduce.class);
//设置输出类型
job.setOutputKeyClass(IntWritable.class);
job.setOutputValueClass(IntWritable.class);
//设置输入和输出目录
FileInputFormat.addInputPath(job,new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true)? 0 : 1);
}