大数据之MapReduce框架简介

---

前言

#博学谷IT学习技术支持#
Hadoop包含HDFS分布式存储框架、MapReduce分布式计算框架和Yarn分布式资源调度框架，本篇文章主要介绍Hadoop三大框架中的MapReduce框架。

一、什么是分布式计算

分布式计算是一种计算方法，从字面理解就是将一个计算分布在多台计算机上面运行，与集中计算是相对的，通过分布式计算大大缩短计算时间，提高计算效率。

二、MapReduce简介

（一）介绍

MapReduce是一个软件框架，用于轻松编写应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群上的大量数据，MapReduce主要处理海量数据，也是一种对大规模数据进行分布式计算的编程模型，其计算过程主要分为Map阶段、Shuffle阶段和Reduce阶段，即将先将数据按照一定规则进行拆分，接着讲数据打算重新排列，最终将计算出的结果进行合并。

（二）特点

MapReduce主要有以下四个特点：
（1）易于编程，Mapreduce框架提供了用于二次开发的接口，简单地实现一些接口，就可以完成一个分布式程序。
（2）良好的扩展性，当计算机资源不能得到满足的时候，可以通过增加机器来扩展它的计算能力。
（3）高容错性，Hadoop集群是分布式搭建和部署得，任何单一机器节点宕机了，它可以把上面的计算任务转移到另一个节点上运行，不影响整个作业任务得完成，过程完全是由Hadoop内部完成的。
（4）适合海量数据的离线处理，可以处理GB、TB和PB级别的数据量。

（三）局限性

虽然MapReduce有多个优势，但还是有一些两个不足点：
（1）实时计算性能差，MapReduce主要用于离线数据计算，无法实现实时的数据响应
（2）无法进行流式计算，流式计算指的是实时计算，而MapRedece只能进行离线计算，只要处理静态的数据，动态数据的无法实时计算。

三、MapReduce编程

（一）MapReduce架构体系

MapReduce程序在分布式运行包含三类实例进程：
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

（二）MapReduce工作执行流程

整个MapReduce工作流程可以分为：Map阶段、Shuffle阶段和Reduce阶段
（1）Map阶段：负责把从数据源读取来到数据进行处理，读取数据返回的是kv键值对类型，经过自定义map方法处理之后，输出的也是kv键值对类型
（2）Shuffle阶段：map输出的数据会经过分区、排序、分组等自带动作进行重组，相当于洗牌的逆过程。这是MapReduce的核心所在，也是难点所在
（3）Reduce阶段：负责将经过Shuffle阶段的数据进行合并处理。

---

总结

MapReduce框架主要分为Map数据拆分阶段、Shuffle数据清晰阶段和Reduce数据合并阶段，该框架使用分布式计算的方式对数据进行拆分洗牌，最终合并数据，从而提高数据的处理效率。