分布式并行计算MapReduce
该作业要求来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3319
一、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的功能：高度容错性、支持大规模数据集、支持流式读取数据、简单的一致性模型、移动计算而非移动数据、异构软硬件平台间的可移植性
MapReduce的功能：数据划分和计算任务调度、数据/代码互定位、系统优化、出错检测和恢复、HDFS工作原理及流程
hdfs的工作流程：
- hdfs集群分为两大角色:NameNode,DataNode (Secondary NameNode)
- NameNode负责管理整个文件的元数据(命名空间信息，块信息) 相当于Master
- DataNode负责管理用户的文件数据块 相当于Salve
- 文件会按照固定的大小（block=128M）切成若干块后分布式存储在若干个datanode节点上
- 每一个文件块有多个副本（默认是三个），存在不同的datanode上
- DataNode会定期向NameNode汇报自身所保存的文件block信息，而namenode则会负责保持文件副本数量
- hdfs的内部工作机制会对客户的保持透明，客户端请求方法hdfs都是通过向namenode申请来进行访问
- SecondaryNameNode有两个作用，一是镜像备份，二是日志与镜像的定期合并
MapReduce的工作流程：
1、输入文件分片，每一片都由一个MapTask来处理
2、Map输出的中间结果会先放在内存缓冲区中，这个缓冲区的大小默认是100M，当缓冲区中的内容达到80%时（80M）会将缓冲区的内容写到磁盘上。也就是说，一个map会输出一个或者多个这样的文件，如果一个map输出的全部内容没有超过限制，那么最终也会发生这个写磁盘的操作，只不过是写几次的问题。
3、从缓冲区写到磁盘的时候，会进行分区并排序，分区指的是某个key应该进入到哪个分区，同一分区中的key会进行排序，如果定义了Combiner的话，也会进行combine操作
4、如果一个map产生的中间结果存放到多个文件，那么这些文件最终会合并成一个文件，这个合并过程不会改变分区数量，只会减少文件数量。例如，假设分了3个区，4个文件，那么最终会合并成1个文件，3个区
5、以上只是一个map的输出，接下来进入reduce阶段
6、每个reducer对应一个ReduceTask，在真正开始reduce之前，先要从分区中抓取数据
7、相同的分区的数据会进入同一个reduce。这一步中会从所有map输出中抓取某一分区的数据，在抓取的过程中伴随着排序、合并。
8、reduce输出
二、HDFS上运行MapReduce
1）准备文本文件，放在本地/home/hadoop/wc
2）编写map函数和reduce函数，在本地运行测试通过
3）启动Hadoop：HDFS, JobTracker, TaskTracker
4）把文本文件上传到hdfs文件系统上 user/hadoop/input
5）streaming的jar文件的路径写入环境变量，让环境变量生效
6）建立一个shell脚本文件：streaming接口运行的脚本，名称为run.sh
7）source run.sh来执行mapreduce
8）查看运行结果
每位同学准备不一样的大一点英文文本文件，每个步骤截图交上博客上。
上述步骤测试通过之后，可以尝试对文本做处理之后再统计次数,如标点符号、停用词等。
有能力的同学尝试对之前爬虫爬取的文本，在Hadoop上做中文词频统计
