MapReduce总结

MapReduce思想：

    核心：

        分而治之，先分在和

    应用场景：

        复杂任务，没有依赖，以并行提供处理效率

    脉络体现：

        先map后reduce

                map：把复杂的任务拆分成任务，局部进行计算，得出局部结果

                reduce：把map的局部结果进行全局汇总，得到最终结果

MapReduce设计构思：

    如何进行大数据处理？

            先分在合，分而治之

    抽象俩个函数模型：

输入输出都是以kv键值段

            map：把复杂的任务拆分成任务，局部进行计算，得出局部结果

            reduce:把map的局部结果进行全局汇总，得到最终结果

    把这么做和做什么进行拆分：

            程序负责复杂这么做（技术）

            用户负责做什么（业务）

以上俩者合并起来才是完整的MR程序

 

MapReduce框架结构和编程规范：

代码层面：

    类继承Mapper 重写map()-----负责map阶段的业务

    类继承Reduce 重写reduce()----负责reduce阶段的业务逻辑

    客户端运行的主类（main）-----指定mr相关属性，提交程序

将以上三个打包为jar包

 

运行角度：

    MapTask：map阶段运行的task

    ReduceTask:reduce阶段运行的task

    MapReduceApplictionMaster(MrAppMaster):程序运行的主体，监督各task运行和mr程序的运行 ，负责跟yarn进行资源

 

案例WordCount:

环境开发版本问题：

       Apache 2.7.4 优化了CDH2.6.0本地执行环境

数据类型和序列化机制：

    Writable（接口） 认为java序列化机制臃肿 不利于大数据网络传递

重点：（MR执行流程）：

 

序列化机制:

    序列化机制概念：

        进程网络间传递数据 数据变成字节流

    Writable:

        序列化方法：write(out)

        反序列化：readField(in)

注意：先序列化，后反序列化

 

自定义排序：

    本质（CompareTo）：

            0：相等

            正数：大于

            负数：小于

注意：谁大谁在后

 

    倒序排序：

            欺骗程序 ：欺骗 大--->负数 小--->正数

    对象实现接口：

            Compareable | WritableCompareable<Bean>

 

自定义分区：

    分区定义：

        决定了map的输出key value在哪一个reduceTask上

    默认分区规则：

        HashPartitioner(key.hashcode % NumReduceTasks)

    实现自定义分区：

        继承Partition类 重写getPartitions 该方法返回值就是分区的标号值

    让自定义分区生效：

        job.setPartitionClass()

    分区个数和reduceTask个数的关系：

        应该保持相等

        分区个数多  报错  非法分区

        分区个数少 执行 空文件产生

 

Combiner(归约):

        局部聚合组件 把每一个map的输出先进行局部聚合

        优化了IO网络  

        本身就是reduce 只是范围小  不是全局

        默认不是开启的

  注意：慎重使用：因为顺序 个数在最终的结果 会发生变化。

 

并行度机制：

    概念：所谓的并行度，指的是多个同时工作

    maptask并行度（逻辑切片  归约）：文件大小  个数  切片大小

    reducetask并行度：代码设置 涉及全局计数    慎重使用

 

shuffle机制：

    概念：是一个过程

    从map输出数据开始到reduce接受数据作为输入之前

    横跨了map reduce 阶段 中间横跨网络 是mr程序的核心 是执行效率最慢的原因。

 

数据压缩：

    压缩目的：减少网络传输数据量，减少最终磁盘所占空间

    压缩机制：

           map输出压缩：（影响网络传输的数量）

           redcue的输出压缩：（磁盘所占的空间）

    压缩算法：

            推荐用：snappy

            取决于Hadoop是否支持该压缩

                    检查是否支持本地库：hadoop chechnative

                    最好结合Hadoop编译 支持一部分压缩算法。

                        

    压缩的设置方式：

            直接在map程序中 通过conf.set()-----只对本mr有效

            修改xml配置文件 mapred-site.xml-----全局有效

 

优化参数：

       包括：资源，容错，稳定性等------Hadoop官网api xxx.default.xml(查找弃用属性--Deprecated Properties)

        

大小文件之间的关联操作---(hive大小表之间的join(结合))

        把所有的数据以关联的字段作为key发送到同一个reduce处理

                弊端：reduce join 压力大  可能发生数据倾斜

        在map阶段完成数据之间的关联

            map join 没有reduce阶段（numreducetask(0)）part-m-00000

                    分布式缓存：

                            可以把指定的文件（压缩包  jar ） 发生给当下程序的每一个maptask

                    setup初始化方法：

                            把缓存的小文件加载到当前maptask运行的程序内存中

                            创建各种不同的数据集合类型  保存小文件数据

 

    处理小文件场景：

           默认切片机制：-->一个小文件一个切片---->一个切片一个maptask

           CombineTextInputFormat:切片机制

           小文件：              

 

自定义分分组：

    发生阶段：

        调用reduce()方法之前

    默认分组：

        排好序的数据，根据前后俩个key是否相等（相等  或者   不相等）

    自定义对象作为key：

        WritableComparator分组继承的类 注意：WritableComparable<OrderBean> 排序实现接口

                它是用来给Key分组的

                它在ReduceTask中进行，默认的类型是GroupingComparator也可以自定义

                WritableComparator为辅助排序手段提供基础（继承它），用来应对不同的业务需求

                比如GroupingComparator(分组比较器)会在ReduceTask将文件写入磁盘并排序后按照Key进行分组，判断下一个key是否相同，将同组的Key传给reduce()执行

      自定义分组生效：

            job.setGroupingComparatorClass(OrderGroupingComparator.class);