《大数据》MapReduce练习

思考问题

1.统计出IP的文件，哪个ip出现的次数最多，一行一个ip。如果文件很大，超过内存。

2.给定a、b两个文件，各存放50亿个url，每个url各占64B，内存限制是4GB，请找出a、b两个文件共同的url？

3.现在有一个非常庞大的URL库（100E），然后现在还有一个URL，（迅速）判断这个URL是否在这个URL库中？

MapReduce

MapReduce是一个处理海量数据计算的框架

MapReduce框架解决了什么问题
1.内部的任务调度
2.高可用，HA
3.节点间的通信问题

MapReduce原理

过程说明：

Mapper 任务过程详解

Reducer 任务过程详解

Commbinner 过程

Hadoop允许用户针对map 任务的输出指定一个合并函数。即为了减少传输到Reduce中的数据量。它主要是为了削减Mapper的输出从而减少网络带宽和Reducer之上的负载。特别值得注意的一点，一个combiner只是处理一个结点中的的输出，而不能享受像reduce一样的输入（经过了shuffle阶段的数据）

不适合的场景：
平均值计算

Shuffle过程

Hadoop Streaming

MR整个采取的JAVA实现的，提供java接口。
Streaming使得跨语言也可以进行MR的编写。

MapReduce 实战

reduce过程的百分比与对应的处理如下：

• 0~33%是shuffle的过程，数据从mapper已到了reducer
• 33~67%是sort的过程，这个过程只会在mapper完成后才会执行
• 67~100%才是reducer程序执行的过程。如果reduce卡在了67%，那么说明reducer一个也没有执行。可能是输入数据太大，超过了限制，也可能是reducer有死循环的bug。

常用命令

查看节点信息：
http://192.168.77.10:50070