大数据技术基础笔记7 MapReduce

7.1 概述

7.1.1 分布式并行编程

“摩尔定律”：CPU性能大约每隔18个月翻一番
从2005年开始摩尔定律逐渐失效 ，需要处理的数据量快速增加，人们开始借助于分布式并行编程来提高程序性能。
分布式程序运行在大规模计算机集群上，可以并行执行大规模数据处理任务，从而获得海量的计算能力
谷歌公司最先提出了分布式并行编程模型MapReduce，Hadoop MapReduce是它的开源实现，后者比前者使用门槛低很多

问题：在MapReduce出现之前，已经有像MPI这样非常成熟的并行计算框架了，那么为什么Google还需要MapReduce？MapReduce相较于传统的并行计算框架有什么优势？

7.1.2 MapReduce模型简介

—MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象为Map和Reduce函数：
MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片（split），这些分片可以被多个Map任务并行处理
MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，减少网络传输开销
MapReduce框架采用了Master/Slave架构，Master上运行JobTracker，每个Slave上运行TaskTracker

—编程容易
不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算
MapReduce应用程序则不一定要用Java来写

7.1.3 Map和Reduce函数

输入和输出采用键值对形式

7.2 MapReduce体系结构

MapReduce体系结构主要由四个部分组成：
Client、JobTracker、TaskTracker以及Task

1.Client
用户编写的MapReduce程序通过Client提交到JobTracker端。
用户可通过Client提供的一些接口查看作业运行状态
2.JobTracker
JobTracker负责资源监控和作业调度。
JobTracker 监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点。
JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源
3.TaskTracker
TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进度汇报给JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等）
TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。slot 分为Map slot 和Reduce slot 两种，分别供MapTask 和Reduce Task 使用
一个Task 获取到一个slot 后才有机会运行。
4.Task
分为Map Task 和Reduce Task 两种，均由TaskTracker 启动

7.3 MapReduce工作流程