项目地址 https://github.com/datawhalechina/juicy-bigdata,感谢项目团队的付出。
本次主要学习 mapreduce 相关内容。
1. mapreduce 概述
mapreduce 是 google 提出的分布式并行编程框架。hadoop mapreduce (下文中的 mapreduce 指 hadoop reduce)是其开源实现。运行于 HDFS 系统之上,处理效率高、使用门槛低,一经提出便受到了广大程序员的喜爱。
mapreduce 设计理念遵循 让程序计算靠近数据 ,因为数据需要大量的网络开销,让数据靠近程序 的理念效率较低。
2. mapreduce 核心流程
mapreduce 核心流程有 map、shuffle、reduce 3个阶段。
如上图所示:
- map 阶段:将输入按照 key 进行分组;
- shuffle 阶段:将 map 处理结果进行分区排序、合并(key相同,value 值进行本地汇总 )
map-1:
k1, v1
k1, v2
map-2:
k1, v3
k1, v4
k2, v5
k2, v6
---->
map-1:
k1, v1+v2
map-2:
k1, v3+v4
k2, v5+v6
)形成大量的溢出文件,而后,将大量的溢出文件归并(按照 key 进行整体排序整合)为少量的大文件;
map-1:
k1, v1+v2
map-2:
k1, v3+v4
k2, v5+v6
---->
k1,[v1+v2,v3+v4]
k2,[v5+v6]
- reduce 阶段:获取 shuffle 结果,进行汇总计算 。
k1, v1+v2+v3+v4
k2, v5+v6