在使用java编写MaReduce程序之前，先让我们解决一个基本问题——MapReduce是什么？它的运行机制是怎么样的？

能够打开这篇文章的读者，应该或多或少都有一些技术基础。但是为了使得下面的解说更加清楚明白，这里还是要简单描述一下。

一、MapReduce定义

MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个 完整的分布式运算程序，并发运行在一个Hadoop集群上。

用一句话总结一下：
MapReduce是一种适用于大数据下分布式并行计算的编程模型，只要按照规定完成Map（分发数据）和Reduce（处理数据）两部分工作，就可以快速得出结果。

二、MR优缺点

优点

  • MapReduce 易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可 以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写 一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编 程变得非常流行。

  • 良好的扩展性

当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展 它的计算能力。

  • 高容错性

MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务 转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不 需要人工参与，而完全是由Hadoop内部完成的。

  • 适合PB级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力

缺点

  • 不擅长实时计算

MapReduce无法像MySQL一样，在毫秒或者秒级内返回结果。

  • 不擅长流式计算

流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。

  • 不擅长DAG(有向图)计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业 的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。

三、MR核心思想

image.png

  • 分布式的运算程序往往需要分成至少 2 个阶段。

  • 第一个阶段的 MapTask 并发实例，完全并行运行，互不相干。

  • 第二个阶段的 ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有 MapTask 并发实例的输出。
  • MapReduce 编程模型只能包含一个 Map 阶段和一个 Reduce 阶段，如果用户的业务逻辑非常复杂，那就只能多个 MapReduce 程序，串行运行。
  1. <br />总结:分析 WordCount 数据流走向深入理解 MapReduce 核心思想

四、MapReduce 进程

一个完整的MapReduce程序在分布式运行时有三类实例进程:

  • MrAppMaster:负责整个程序的过程调度及状态协调。

  • MapTask: 负责Map阶段的整个数据处理流程。

  • ReduceTask: 负责Reduce阶段的整个数据处理流程。

五、MR编程规范

用户编写的程序分成三个部分:Mapper、Reducer 和 Driver。

Mapper阶段

  • 用户自定义的Mapper要继承MR的Mapper父类

  • Mapper的输入数据是KV对的形式(KV的类型可自定义)

  • Mapper中的业务逻辑写在map()方法中

  • Mapper的输出数据是KV对的形式(KV的类型可自定义)

  • map()方法(MapTask进程)对每一个调用一次

Reducer阶段

  • 用户自定义的Reducer要继承MR的Reduce父类

  • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV

  • Reducer的业务逻辑写在reduce()方法中

  • ReduceTask进程对每一组相同k的组调用一次reduce()方法


Driver阶段

相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是 封装了MapReduce程序相关运行参数的job对象