【Hadoop】MapReduce概述

MapReduce定义

Mapreduce是一个分布式运算程序的编程思想，是用户开发“基于Hadoop的数据分析应用”的核心框架，其核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上

MapReduce优缺点：

1. 优点
   a. MapReduce易于编程
   它简单的实现一些接口，就可以完成一个分布式程序。
   b. 良好的扩展性
   当你的技术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
   c. 高容错性
   当其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败
   d. 适合PB级以上海量数据的离线处理

2. 缺点
   a. 不擅长实时计算
   MapReduce无法像MySQL一样，在毫秒或者秒级内返回结果
   b. 不擅长流式计算
   流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。
   c. 不擅长DAG(有向图)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，在这种情况下，MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO,导致性能非常的地下

MapReduce核心编程思想

1）分布式的运算程序往往需要分成至少2个阶段。
2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。
3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。

总结：分析WordCount数据流走向深入理解MapReduce核心思想。

一个完整的MapReduce程序分布式运行时有三类实例进程：
1）MrAppMaster:负责整个程序的过程调度及状态协调
2）MapTask:负责Map阶段的整个数据处理流程
3）ReduceTask: 负责Reduce阶段的整个数据处理流程

MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver。

1. Mapper阶段
   1）用户自定义的Mapper要继承自己的父类
   2）Mapper的输入数据是键值对的形式
   3)Mapper的业务逻辑写在map()方法中
   4）MapTask进程对每一个<K,V>组调用一次map()方法
   5)Mapper的输出数据是kv对的形式

2. Reducer阶段
   1）用户自定义的Reducer要继承自己的父类
   2）Reducer的输入数据类型对应Mapper的输出类型，也是KV
   3)Reducer的业务逻辑写在reduce()方法中
   4）ReduceTask进程对每一组相同k的<K,V>组调用一次reduce()方法

3. Driver阶段
   相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

wordcount例子

（1）创建maven工程
（2）在pom.xml文件中添加如下依赖

<dependencies>
		<dependency>
			<groupId>junit</groupId>
			<artifactId>junit</artifactId>
			<version>RELEASE</version>
		</dependency>
		<dependency>
			<groupId>org.apache.logging.log4j</groupId>
			<artifactId>log4j-core</artifactId>
			<version>2.8.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-common</artifactId>
			<version>2.7.2</version>
		</dependency>