分布式并行计算MapReduce

作业要求来自：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。

MapReduce的概念：

MapReduce是一个软件框架，基于该框架能够容易地编写应用程序，这些应用程序能够运行在由上千个商用机器组成的大集群上，并以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集。

MapReduce的功能：

MapReduce的思想就是“分而治之”。Mapper负责“分”，即把复杂的任务分解为若干个“简单的任务”来处理。“简单的任务”包含三层含义：一是数据或计算的规模相对原任务要大大缩小；二是就近计算原则，即任务会分配到存放着所需数据的节点上进行计算；三是这些小任务可以并行计算，彼此间几乎没有依赖关系。Reducer负责对map阶段的结果进行汇总。

MapReduce的工作原理：

　（1）MapReduce角色

　　•Client：作业提交发起者。

　　•JobTracker:初始化作业，分配作业，并且是与TaskTracker通信，最后是协调整个作业。

　　•TaskTracker：保持JobTracker通信，在分配的数据片段上执行MapReduce任务。

（2）提交作业

　　•在作业提交之前，是需要对作业进行配置

　　•程序代码，主要是自己书写的MapReduce程序。

　　•输入输出路径

　　•其他配置，比如输出压缩等这些

　　•当配置完成后，可以是通过JobCliNET来进行最后的一个提交

（3）作业的一个初始化

　　•当客户端提交完成后，JobTracker它就会将作业加入到队列里面，然后是进行调度，它的默认的调度方法是FIFO调试方式。

　　（4）任务的分配

　　•需要知道TaskTracker和JobTracker它们之间的通信与任务的分配它是通过心跳机制完成的。

　　•有趣的是TaskTracker它是会主动向JobTracker询问是否是有作业是需要完成的，若自己是可以做的，则就会申请到作业任务，这个任务可以使Map也可能是Reduce任务。

　　（5）任务的一个执行过程

　　•当申请到任务后，TaskTracker它就会做如下事情：

　需要是拷贝代码到本地
　拷贝任务的信息到本地
　启动JVM运行任务

　　（6）状态与任务的更新

　　•任务在运行过程中，它是首先会将自己的状态汇报给TaskTracker，然后由TaskTracker汇总告之JobTracker。

　　•需要知道的是任务的一个进度是通过计数器来实现的。

　　（7）最后是作业的完成

　　•JobTracker它是在接受到最后一个任务运行完成后，它才会将任务标志为成功。

　　•这个时候会做删除中间结果等善后处理工作。

　　总的来说，需要了解的是MapReduce是一种编程的模型，并且是用于大规模数据集（大于1TB）的并行运算。从基本的概念“Map（映射）”和“Reduce（化简）”和他们的主要思想，这些都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。可以方便编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。

MapReduce的工作过程：

在MapReduce整个过程可以概括为以下过程：

输入 --> map --> shuffle --> reduce -->输出

输入文件会被切分成多个块，每一块都有一个map task

map阶段的输出结果会先写到内存缓冲区，然后由缓冲区写到磁盘上。默认的缓冲区大小是100M，溢出的百分比是0.8，也就是说当缓冲区中达到80M的时候就会往磁盘上写。如果map计算完成后的中间结果没有达到80M，最终也是要写到磁盘上的，因为它最终还是要形成文件。那么，在往磁盘上写的时候会进行分区和排序。一个map的输出可能有多个这个的文件，这些文件最终会合并成一个，这就是这个map的输出文件。

流程说明如下：

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

2.HDFS上运行MapReduce

1）准备文本文件，放在本地/home/hadoop/wc

本次实验准备的文本文档为96-zyd.txt，内容如下图所示。