Hadoop之MapReduce运行原理（一）

一. Hadoop的知识架构图如下所示：

二、MapReduce 的基本概念

 1)MapReduce是什么？
   a、MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。
   b、相对于Hadoop框架来说，其最核心设计就是：HDFS和MapReduce。
        HDFS提供了海量数据的存储,MapReduce提供了对数据的计算。
   c、MapReduce把任务分为 map(映射)阶段和reduce(化简)。
   d、源自于Google 的MapReduce 论文发表于2004年12月。
      Hadoop MapReduce 是Google MapReduce的克隆版。
   通俗的说法如下：
     我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“Map”。 
     我们人越多，数书就更快。现在我们到一起，把所有人的统计数加在一起。这就是reduce。

三、MapReduce的特点

特点：

    1、易于编程（MapReduce最大的亮点）
    2、良好的扩展性
    3、高容错性
    4、适合PB 级以上海量离线数据处理

针对上述几个特点的解析：

    1、易于编程： 
    MapReduce提供了一种抽象机制将程序员与系统层细节隔离开来，程序员仅需描述需要计算什么(what to compute),
     而具体怎么去做(how to compute)就交由系统的执行框架处理，这样程序员可从系统层细节中解放出来，而致力于其应用本身计算问题的算法设计。   
   
    例如软件工程实践指南中，专业程序员认为之所以写程序困难，
    是因为程序员需要记住太多的编程细节(从变量名到复杂算法的边界情况处理)，
    这对大脑记忆是一个巨大的认知负担,需要高度集中注意力而并行程序编写有更多困难，
    如需要考虑多线程中诸如同步等复杂繁琐的细节，由于并发执行中的不可预测性，程序的调试查错也十分困难；
    大规模数据处理时程序员需要考虑诸如数据分布存储管理、数据分发、数据通信和同步、计算结果收集等诸多细节问题。  
    
    2、良好的扩展性
       当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。  
       
    3、高容错性:
    MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，
    这就要求它具有很高的容错性。
    比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上面上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，
    而完全是由 Hadoop 内部完成的。  

    4、PB 级以上海量数据的离线处理
    这里加上离线处理，说明它适合离线处理而不适合在线处理。比如像毫秒级别的返回一个结果，MapReduce 很难做到。 

MapReduce 的特色— 不擅长的方面

1、实时计算
     像MySQL 一样，在毫秒级或者秒级内返回结果

2、流式计算
     MapReduce 的输入数据集是静态的，不能动态变化
     MapReduce 自身的设计特点决定了数据源必须是静态的

3、DAG 计算
     多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出
     也就是说用MapReduce来处理的数据集（或任务）必须具备这样的特点：
     待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。

解说：DAG

四. MapReduce的架构

和HDFS一样，MapReduce也是采用Master/Slave的架构，其架构图如下所示。这里分别整理出MapReduce1.0与2.0的架构图

MapReduce 1.0 的架构图：

架构图解说 :

MapReduce 2.0 的架构图： (重点理解2.0的)

架构图解说 :

 a、Client
    与MapReduce 1.0 的Client类似，用户通过Client与YARN交互，提交MapReduce作业，查询作业运行状态，管理作业等。
    
 b、MRAppMaster
    功能类似于 1.0 中的JobTracker ，但不负责资源管理；
    功能包括：任务划分、资源申请并将之二次分配个Map Task和Reduce Task。

MapReduce 2.0 的运行流程

MapReduce 2.0 容错性

a、MRAppMaster 容错性
   一旦运行失败，由YARN 的ResourceManager 负责重新启动，最多重启次数可由用户设置，默认是2 次。一旦超过最高重启次数，则作业运行失败。

b、Map Task/Reduce Task
  Task 周期性向MRAppMaster 汇报心跳；
  一旦Task 挂掉，则MRAppMaster 将为之重新申请资源，并运行之。最多重新运行次数可由用户设置，默认4 次。 

MapReduce 计算框架— 推测执行机制

    1、作业完成时间取决于最慢的任务完成时间
       一个作业由若干个Map 任务和Reduce 任务构成
       因硬件老化、软件Bug 等，某些任务可能运行非常慢
       典型案例：系统中有99%的Map任务都完成了，只有少数几个Map老是进度很慢，完不成，怎么办？
       
   2、推测执行机制：
       发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度
       为拖后腿任务启动一个备份任务，同时运行
       谁先运行完，则采用谁的结果
       
   3、不能启用推测执行机制
      任务间存在严重的负载倾斜
      特殊任务，比如任务向数据库中写数据  

MapReduce 计算框架— 任务并行执行

五、常见MapReduce 应用场景

1、  简单的数据统计，比如网站pv 、uv 统计
2、  搜索引擎建索引
3、  海量数据查找
4、  复杂数据分析算法实现
5、  聚类算法
6、  分类算法
7、  推荐算法