mapreduce 基础内容

MapReduce：分布式计算框架，用来分解大数据量的处理

Map阶段对数据集上的独立元素进行指定的操作，生成键值对形成中间结果，Reduce阶段对中间结果中相同的键的所有值进行规约，以得到最终的结果。

优点：

1）易于编程：简单的实现一些接口

2）可扩展性当计算资源不足时，通过增加机器可以扩展他的计算能力

3）高容错性：当一台机器挂了，会把机器上的计算任务转移到另外的一个节点上

缺点：不适合实时的统计处理（流式计算），MapReduce处理的数据是静态的。例如：处理历史数据，（因为每次的运算结果都是到磁盘，如果再次处理要先进行读磁盘）

我们先认识以下几类：

1）Mapper：是一个泛型类型，有四个形参，分别是map函数的输入键、输入值、输出键、输出值。泛型类型的形参只能是引用类型，不能是原始类型（如int、double、char）输出类型为（key-Value pair）

2）Shuffle：数据的迁移Map到Reduce阶段。

3）Combine：(局部统计：针对的是一个map的统计,最小化对数据的迁移）。

4）Partitioner:是分区处理器他把key的hash拿到值对3取模，如果值为0放到第一个Reducer，如果值为1放入第二个Reducer，如果值为2放入第三个Reducer,不管每个mapper输送过来的key，只要key相同就会进入同一个Reducer。

5）Reduce：进行的一个全局统计接受每一个Map的统计，按照所有的key值拿过来进行统计。

MapReduce基本原理

 

1）map：读取的数据进入到环状缓冲区（100m）

读到80%，会将缓冲区的文件传入磁盘，当缓冲区写到磁盘的时候会进行分区，排序，combin会进行分区排序，而溢出的文件会生成溢出文件，最后会将这些文件统计进行排序分区，等待reduce前来取走

2）reduce：根据hash计算好的map去取值，然后合并文件，按照内部的k/v进行归并排序，再根据key进行分组。