Hadoop权威指南——学习笔记2
今天主要学习了第二章关于MapReduce，澄清了对一些概念的认识。
- 分片：也叫输入分片（input split），是Hadoop将MapReduce的输入数据划分成的等长的小数据块。Hadoop为每一个分片构建一个map任务。一方面，分片越小，负载平衡的质量越好；另一方面，如果分片太小，那么管理分片的总时间和构建map任务的总时间将决定着作业的整个执行时间。以前一直认为分片就是block，其实不是。只是对于大多数作业来说，一个合理的分片大小趋向于HDFS的一个块大小。
- map任务将其输出写入本地硬盘，而非HDFS。
- reduce任务数量并非由输入数据的大小决定的，而是特别指定的。如果有多个reduce任务，则每个map任务会对其输出进行分区（partition），即为每个reduce建立一个分区。分区由用户定义的分区函数控制，但通常用默认的分区器（partitioner，分区函数）通过哈希函数来分区，这种方法很高效。
- combiner：合并函数，用于减少map任务和reduce任务之间的数据传输量。一般的做法是在map结束后先调用一次reduce函数，然后把结果通过网络传输给reduce任务，这样做可以减少map和reduce间的数据传输。
