分布式并行计算MapReduce

作业要求来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3319

1.用自己的话阐明Hadoop平台上HDFS和MapReduce的功能、工作原理和工作过程。

HDFS:进行分布式计算平台，将多台节点的内容进行汇总分析。

MapReduce:

1、功能：用于处理和生成大规模数据集的相关的实现，将数据切割成数据块分批处理。
2、工作原理：用户定义一个map函数来处理一个Key-Value对以生成一批中间的Key-Value对，再定义一个reduce函数将所有这些中间的有相同Key的Value合并起来，MapReduce模型主要有Mapper和Reducer，Mapper端主要负责对数据的分析处理，最终转化为Key-Value的数据结构；Reducer端主要是获取Mapper出来的结果，对结果进行统计。即分而治之的策略：

3、工作过程：
将分析的文件切割成多个数据块，将其分配给各个节点处理，每个节点又把数据块分给多个map处理，接着多个map将结果发送给shuffle处理，shuffle再将其交给reduce，最终将其写入到分布式系统文件。

2.HDFS上运行MapReduce

1）查看是否已经安装python：

2）在/home/hadoop/路径下建立wc文件夹，在文件夹内新建mapper.py、reducer.py、run.sh和文本文件HarryPotter.txt：

3）查看mapper.py reducer.py run.sh的内容：

4）修改mapper.py和reducer.py文件的权限：

5）测试mapper.py和reducer.py：

6）启动hadoop：

7）把文本文件上传到hdfs：

8）将hadoop-streaming-2.7.1.jar的路径添加到bashrc文件并且让环境变量生效：

9）运行run.sh文件统计文本：