Hadoop-MapReduce机制原理

1、MapReduce概述

  Hadoop MapReduce是一个分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群（数千个节点）上的大量数据（多TB数据集）；

• 一个最终完整版本的MR程序需要用户编写的代码和Hadoop自己实现的代码整合在一起才可以；
• 其中用户负责map、reduce两个阶段的业务问题，Hadoop负责底层所有的技术问题；
• 由于MapReduce计算引擎天生的弊端（慢），当下企业中直接使用率已经日薄西山了，所以在企业中工作很少涉及到MapReduce直接编程，但是某些软件的背后还依赖MapReduce引擎

2、MapReduce特点

特点	内容
易于编程	Mapreduce框架提供了用于二次开发的接口，方便用户使用和开发
扩展性强	资源不够用的情况下，可以快速扩容，增加节点
高容错性	分布式搭建和部署，任何单一机器节点宕机，不影响整个作业任务得完成。
处理海量离线数据	可以处理GB、TB和PB级别的数据量

3、MapReduce局限性

局限性	内容
实时计算性能差	MapReduce主要应用于离线作业，无法作到秒级或者是亚秒级得数据响应。
不能流式计算	流式计算特点是数据源源不断的计算，也就是说数据是动态的；而MapReduce作为一个离线计算框架，主要是针对静态数据集，数据是不能动态变化的。

4、Map Task

5、Map 阶段步骤：

第一阶段：把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划。默认Split size = Block size（128M），每一个切片由一个MapTask处理。（getSplits）

第二阶段：对切片中的数据按照一定的规则读取解析返回键值对。默认是按行读取数据。key是每一行的起始位置偏移量，value是本行的文本内容。（TextInputFormat）

第三阶段：调用Mapper类中的map方法处理数据。每读取解析出来的一个 ，调用一次map方法Reduce Task；

第四阶段：按照一定的规则对Map输出的键值对进行分区partition。默认不分区，因为只有一个reducetask。分区的数量就是reducetask运行的数量。

第五阶段：Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill的时候根据key进行排序sort。默认根据key字典序排序。

第六阶段：对所有溢出文件进行最终的merge合并，成为一个文件。

6、Reduce 阶段步骤：

第一阶段：ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据。

第二阶段：把拉取来数据，全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序。

第三阶段是对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法。最后把这些输出的键值对写入到HDFS文件中。

7、Map Reduce 阶段图