Hadoop 学习笔记 05 之 MapReduce 浅析

简介：

每一项新技术都是为了解决某个痛点，随着数据量指数型得增长，面对海量的数据技术，虽然存储用 Hadoop 的 HDFS 文件系统解决，但没初加工的数据如同一堆刚从矿场运出来的矿砂，价值度低。

那么该如何处理海量的数据呢，比如分析某个时间段订单量 / 某个地区的几十年的温度？为了解决这个问题，不得不介绍 Map reduce 这个框架。

一 、Mapreduce 简单介绍

官话：MapReduce 是一个分布式计算模型框架，由两个阶段组成：Map和Reduce。

主要用于搜索领域，解决海量数据的计算问题，只需要实现 Map() 和 Reduce() 两个函数即可。

通俗理解：好比家里一堆家务活，全部给一个人做可能一整天都弄不完，于是分工，老二（Map）负责清洗碗筷，老幺（Map）负责拖地，于是很快就搞定了；老大负责检查（Reduce 汇总）。这就是MapReduce 把任务分解再汇总。

二、Mapreduce 工作（流程）原理

我分两个版本解读，第一个是正式版，第二个是故事版

正式版例子

粗略的讲，MapReduce 的工作流程分为：map task( Map 任务) 与 reduce task(Reduce 任务)。

map task：1、把一个（或多个）需要处理的文件（block) 按 spill 切分并启动对应 map ， 然后输出到一个环形内存缓冲区，用于存储任务的输出。

当内存缓冲区到阙值（0.8）时，会把内容写到磁盘的指定目录下的新建的一个溢出写文件。

注意：一个 spill （切片）对应一个 map task。，map task 的并发数量是由 spill 决定的。

2、写磁盘前，要 partition （分区），sort （排序）。如果有 combiner（相同 key 的 map ），combine（合并） 排序后数据。

3 、等最后记录写完，合并全部溢出写文件为一个分区且排序的文件。

reduce task1、Reducer 通过 Http 方式得到输出文件的分区。

2、TaskTracker 为分区文件运行 Reduce 任务。复制阶段把 Map 输出的复制到 Reducer 的内存或磁盘。一个 Map 任务完成，Reduce 就开始复制输出。

3 、排序阶段合并 map 输出，然后走 Reduce 阶段。

故事版本以生活的场景为例子，一个餐厅进了一批食材（input），不同的厨师去拿（Split）对应的食材切碎（Map），切碎之后就放到不同的机器上（烤箱 冷藏柜）（Shuffle 洗牌），然后顾客来会点不同的食物，服务员会给他们组装（Reduce），最后交给顾客（Output / Finalize）。

三 、应用场景

Map Reduce 就是一种分治思想，把大问题分解成小问题，各个击破，那么应用场景呢？

1、统计单词数2、建立倒排索引3、统计用户（手机号码）的流量4、计算 URL 的访问频率。。。。。。。。。。。

四、思考题：

Combiner / Partitioner 的作用是什么，应用场景是什么以及 Shuffler 的过程是怎么样的？

微信搜索公众号「一起学大数据呀」，里面有更多学习资料