分布式计算框架MapReduce

 

MapReduce概述

• 源自于Google的MapReduce论文，论文发表于2004年2月
• Hadoop MapReduce 是 Google MapReduce 的克隆版
• MapReduce优点：海量数据离线处理 & 易开发（相对于自己开发分布式框架来说的，现在的Spark和Flink要比MapReduce更简单） & 易运行（可以本地开发本地测试）
• MapReduce缺点：实时流式计算

MapReduce编程模型

MapReduce编程模型之Map和Reduce阶段

• 将作业拆分成Map阶段和Reduce阶段
• Map阶段：Map Tasks
• Reduce阶段：ReduceTasks

MapReduce变成模型之执行步骤

1. 准备map处理的输入数据
2. Mapper处理
3. shuffle
4. Reduce处理
5. 结果输出

MapReduce编程模型核心概念详解

• Split
• InputFormat
• OutputFormat
• Combiner
• Partitioner

词频统计升级之Combiner操作

Combiner

• 优点：能减少IO，提升作业的执行性能
• 缺点：求平均数： 总数 / 个数， 其实可以理解为非求和操作都要慎重？
  • 每个map求平均再到reducer求平均，与直接reducer求平均通常不一样。

map端的聚合操作就叫做combiner。

设map1处理了1kw个单词，均是hello，is；map2也处理了1千万个单词，均是hadoop和is。则所有的这些中间结果都需要经过网络传输，即1kw个中间结果+1kw个中间结果（map中输出的所有key都通过网络传输），可想而知，性能不会好，此时若我们先在map端做一次聚合，则只需各传输两个中间结果【(hello, 2), (is, 2)】+ 【(hadoop, 3), (is, 2)】，可以节省网络的开销，即在map端先做一次聚合，且该聚合操作和reducer的逻辑是一样的。

报错

忘记加载主类、也没有提交

[WARN ] method:org.apache.hadoop.util.NativeCodeLoader.(NativeCodeLoader.java:62)
Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

 

参考：慕课网-Hadoop 系统入门+核心精讲