分布式计算框架MapReduce总结

源自于Google的MapReduce论文，克隆复制发展而来
优点：海量数据离线处理＆易开发＆易运行(与Spark比较还是弱很多)
缺点:难以满足实时流式计算
在跑MapReduce时，前面我的几篇博客说的HDFS和YARN都必须先跑起来

词频统计案例分析：
wordcount: 统计文件中每个单词出现的次数

需求：求wc

1. 文件内容小：shell(wc_shell.sh)
   
   2）文件内容很大： TB或者GB量级时，如何解决大数据量的统计分析
   比如求某个域名的访问量时
   > url TOPN < wc的延伸
   工作环境中很多场景的开发都是在wc的基础上进行改造的
   借助于分布式计算框架来解决： mapreduce
   (input) -> map -> -> combine -> -> reduce -> (output)
   
   思想：分而治之

核心概念：

Split：交由MapReduce作业来处理的数据块，是MapReduce中最小的计算单元
HDFS：blocksize 是HDFS中最小的存储单元 128M
默认情况下：他们两是一一对应的，当然我们也可以手工设置他们之间的关系（不建议这么做）

InputFormat：
将我们的输入数据进行分片(split): InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;
TextInputFormat: 处理文本格式的数据
OutputFormat: 输出

MapReduce1.x的架构
1）JobTracker: JT
作业的管理者
将作业分解成一堆的任务：Task（MapTask和ReduceTask）
将任务分派给TaskTracker运行
作业的监控、容错处理（task作业挂了，重启task的机制）
在一定的时间间隔内，JT没有收到TT的心跳信息，TT可能是挂了，TT上运行的任务会被指派到其他TT上去执行

2）TaskTracker: TT
任务的执行者
在TT上执行我们的Task（MapTask和ReduceTask）
会与JT进行交互：执行/启动/停止作业，发送心跳信息给JT

3）MapTask
自己开发的map任务交由该Task出来
解析每条记录的数据，交给自己的map方法处理
将map的输出结果写到本地磁盘（有些作业只仅有map没有reduce==>HDFS）

4）ReduceTask
将Map Task输出的数据进行读取
按照数据进行分组传给我们自己编写的reduce方法处理
输出结果写到HDFS
MapReduce2.x的架构

更多代码以及详细信息见我的github相关项目
https://github.com/29DCH/Hadoop-MapReduce-Examples