hdoop(mapReduce)

Hadoop（MapReduce）
MapReduce定义：
是一个分布式运算程序的编程框架，是用户开发”基于hadoop的数据分析应用”的核心框架。
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，并运行在hadoop集群上。

优点：
1、易于编程
它简单实现一些接口，就可以完成一个分布式程序，这个分布式可以分布到大量廉价的pc机器上运行

2、良好的扩展性
当计算机资源不能得到满足的时候，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
当其中一台机器挂了，他可以把上面的计算任务转移到另一个节点上运行，不至于这个任务运行失败，这个过程不需要人工参加，完全由hadoop内部完成

4、适合PB级以上海量数据的离线处理
可以实现上千台服务器集群并发工资，提供数据处理能力

缺点：
1、不擅长实时计算
无法像MySQL一样，在毫秒或秒级内返回结果

2、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

3、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，mapReduce使用后，每个mapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘io，导致性能非常低下

核心思想

分布式的运算程序需要分层至少2个阶段
第一个阶段的mapTask并发实例，完全并行运行，互不相干
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
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。

MapReduce进程
一个完整的mapReduce程序在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

官方Wordcount源码
采用反编译工具反编译源码，发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型。

常用数据序列化类型
常用的数据类型对应的Hadoop数据序列化类型
Java类型 Hadoop Writable类型
Boolean BooleanWritable
Byte ByteWritable
Int IntWritable
Float FloatWritable
Long LongWritable
Double DoubleWritable
String Text
Map MapWritable
Array ArrayWritable

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
用户自定义的mapper要继承自己的父类
Mapper的输入数据是key、value对的形式（key、value的类型可以自定义）
Mapper中的业务逻辑写在map()方法中
Mapper的输出和数据是key、value对的形式（key、value的类型可以自定义）
Map()方法（mapTask进程）对每一个<k,y>调用一次

Reduce阶段
用户自定义的reduce要继承自己的父类
Reduce的输入类型对应mapper的输出数据类型，也是key、value
Reduce的业务逻辑写在reduce()方法中
Reduce Task进程对每一组相同key的<key,value

组调用异常reduce()方法

Driver阶段
相当于yarn集群的客户端，用于提交整个程序到yarn集群，提交的是封装了mapReduce程序相关运行参数的job对象