MapReduce计算框架

是指实现某项任务或某项工作从开始到结束的计算过程或流的结构

并行计算框架

一个大的任务拆分成多个小任务，将多个小任务分发到多个节点上。每个节点同时执行计算

Hadoop为什么比传统技术方案快

• 1、分布式存储
• 2、分布式并行计算
• 3、节点横向扩展
• 4、移动程序到数据端
• 5、多个数据副本

MapReduce核心思想

分而治之，先分后和：将一个大的、复杂的工作或任务，拆分成多个小的任务，并行处理，最终进行合并。

• MapReduce由Map和Reduce组成
• Map: 将数据进行拆分
• Reduce:对数据进行汇总

偏移量

每个字符移动到当前文档的最前面需要移动的字符个数。

hadoop数据类型

• java : int long double float boolean string
• hadoop : IntWritable LongWritable DoubleWritable FloatWritable BooleanWritable Text

MapReduce计算任务的步骤

• 第1步：InputFormat
  InputFormat 到hdfs上读取数据
  将数据传给Split
• 第2步：Split
  //设置读取数据的路径 TextInputFormat.addInputPath(job,new Path(“C:\bbb.txt”)); //3、设置Map job.setMapperClass(WordCountMap.class); //设置map输出的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); //4、设置reduce代码 job.setReducerClass(WordCountReduce.class); //设置reduce输出的类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); //5、设置读输出数据的class job.setOutputFormatClass(TextOutputFormat.class); //设置输出数据的路径 TextOutputFormat.setOutputPath(job,new Path(“C:\ccc.txt”)); //6、等待代码执行（返回状态码） return job.waitForCompletion(true)?0:1;
  Split将数据进行逻辑切分，
  将数据传给RR
• 第3步：RR
  RR:将传入的数据转换成一行一行的数据，输出行首字母偏移量和偏移量对应的数据
  将数据传给MAP
• 第4步：MAP
  MAP:根据业务需求实现自定义代码
  将数据传给Shuffle的partition
• 第5步：partition
  partition:按照一定的分区规则，将key value的list进行分区。
  将数据传给Shuffle的Sort
• 第6步：Sort
  Sort:对分区内的数据进行排序
  将数据传给Shuffle的combiner
• 第7步：combiner
  combiner:对数据进行局部聚合。
  将数据传给Shuffle的Group
• 第8步：Group
  Group:将相同key的key提取出来作为唯一的key,
  将相同key对应的value获取出来作为value的list
  将数据传给Reduce
• 第9步：Reduce
  Reduce：根据业务需求进行最终的合并汇总。
  将数据传给outputFormat
• 第10步：outputFormat
  outputFormat:将数据写入HDFS

Shuffle阶段的Partition分区算法

算法：对key 进行哈希，获取到一个哈希值，用这个哈希值与reducetask的数量取余。余几，这个数据就放在余数编号的partition中。

Split的逻辑切分

获取到读取到的数据，对数据进行逻辑切分，切分的大小是128M.
这里的128 与HDFS数据块的128没有任何关系
HDFS 128 是存储层面的数据切分
split128 是计算层面的128，只不过数据恰好相等。
两个128相同的原因是，一个集成程序能够正好计算一个数据块。