Hadoop：认识MapReduce

MapReduce是一个用于处理大数据集的编程模型和算法框架。其优势在于能够处理大量的数据，通过并行化来加速计算过程。它适用于那些可以分解为多个独立子任务的计算密集型作业，如文本处理、数据分析和大规模数据集的聚合等。然而，MapReduce也有其局限性，比如对于需要快速迭代的任务或者实时数据处理，MapReduce可能不是最佳选择。

总的来说，MapReduce是大数据技术中的一个重要概念，它在Hadoop生态系统中发挥着关键作用，特别是在处理大规模数据集时，它提供了一种可靠且高效的方法来并行处理数据。本篇我们来讲解一下MapReduce的相关内容。

一 MapReduce模型介绍

随着需要处理的数据量激增，我们开始借助分布式并行编程来提高程序的性能，分布式并行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，从而获得海量计算的能力。

谷歌公司最先提了分布式并行模型MapReduce，hadoop MapReduce则是其的开源实现。但是在MapReduce出现之前，就已经有MPI一类的并行计算框架了，两者的区别主要在于：

	传统并行计算框架	MapReduce
集群架构	共享式（共享内存/共享存储）	非共享式
容错性	容错性差	容错性好
价格	贵	相对较低
硬件&扩展性	刀片服务器+高速网+SAN，扩展性差	普通PC机，扩展性好
学习难度	高	低
使用场景	实时、细粒度、计算密集型	批处理、非实时、数据密集型

可以看出，两者最大的区别在与其适用的场景不同，之前我们对于并行计算的要求更多注重计算密集型，而云计算则更注重对“大数据”的处理，因此传统的并行计算框架已经远远不能满足我们的需求了。

MapReduce的优点在于其易于编程、具有良好的扩展性以及高容错性，可以实现上千台服务器集群并发工作，提供数据处理能力。但同样的，MapReduce也不适合进行实时计算或流式计算。

MapReduce将复杂的、运行于大规模集群上的并行计算过程高度抽象到了两个函数——map和reduce。通过MapReduce框架，我们不需要掌握分布式编程的细节，也能够容易的将自己的程序运行在分布式系统上。

MapReduce的一个重要理念就是“计算向数据靠拢”，而不是传统的“数据向计算靠拢”。

MapReduce框架采用了master/slave架构，包括一个master和若干个slave，master上运行作业跟踪器JobTracker，负责整个作业的调度和处理以及失败和恢复，slave上运行负责具体任务执行的组件TaskTracker，负责接受JobTracke发给它的作业处理指令，完成具体的任务处理。

map函数的输入为键值对，每一个输入的键值对会输出一批中间结果。

reduce函数的输入为，输出为键值对。list（v）表示一批属于同一个k的value。

二 MapReduce体系结构

MapReduce的体系结构包括：

• Client 客户端。

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当前提交作业的运行状态。

• JobTracker 作业跟踪器。

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负责任务的调度，即将不同的Task分派到相应的TaskTracker中。

JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息发送给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

• TaskScheduler 任务调度器

负责任务的调度，即将不同的Task分派到相应的TaskTracker中。

• 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）。 一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用。slot 分为Map slot 和 Reduce slot 两种，分别供MapTask 和Reduce Task 使用，两者不通用。

• Task 

Task 分为Map Task 和Reduce Task 两种，在一台机器上可以同时运行两种任务，均由TaskTracker启动。

三 MapReduce工作流程

不同的map任务之间不会进行通信。

不同的Reduce任务之间不会发生任何信息交换。

用户不能显式地从一台机器向另一台机器发送消息。

所有的数据交换都是通过MapReduce框架自身去实现。

1） MapReduce 框架使用 InputFormat模块做Ma前的预处理，比如验证输入的格式是否符合输入定义；然后，将输入文件切分为逻辑上的多个 InputSplit。 InputSplit是 MapReduce对文件进行处理和运算的输入单位，只是一个逻辑概念，每个 InputSplit并没有对文件进行实际切分，只是记录了要处理的数据的位置和长度
2）因为 InputSplit是逻辑切分而非物理切分，所以还需要通过 RecordReader（RR）根据InputSplit中的信息来处理 InputSplit中的具体记录，加载数据并将其转换为适合Map任务读取的键值对，输入给Map任务
3）Map任务会根据用户自定义的映射规则，输出一系列的作为中间结果

4）为了让Reduce可以并行处理Map的结果，需要对Map的输出进行一定的分区（Partition）、排序（Sort）、合并（Combine）、归并（Merge）等操作，得到形式的中间结果，再交给对应的Reduce来处理,这个过程称为Shuffle。
5）Reduce以一系列中间结果作为输入，执行用户定义的逻辑，输出结果交给OutputFormat模块。
6）OutputFormat 模块会验证输出目录是否已经存在，以及输出结果类型是否符合配置文件中的配置类型，如果都满足，就输出Reduce的结果到分布式文件系统。

---

本篇我们简单介绍了MapReduce模型及其工作流程，下面我们会借助章鱼大数据平台完成我们的第一个MapReduce练习，通过代码编写进一步理解MapReduce的原理及流程。