一、MapReduce定义
MR是一个分布式运算程序的编程框架,是用户开发基于Hadoop的数据分析应用核心框架,MR的核心功能就是将用户编写的业务逻辑代码
和自带的默认组件
整合成一个完整的分布式运算程序
,并发运行在Hadoop集群
上。
二、MR的优缺点
1、优点
1.1 MR易于编程:它简单的实现一些接口,就可以完成一个分布运算式程序。这个程序可以分不到大量廉价的机器上运行,也就是说你写一个分布式程序,跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MR编程变得非常流行。
1.2 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。
1.3 高容错性:MR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。
1.4 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作,提供数据处理能力。
2、缺点
2.1 不擅长实时计算:MR无法像MySQL一样,在毫秒或者秒级内返回结果。
2.2 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。这是因为 MR 自身的设计特点决定了数据源必须是静态的。
2.3 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。在这种情况下,MR 并不是不能做,而是使用后,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,导致性能非常的低下。
三、MR核心思想
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。
四、MR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。
五、MR常用数据序列化类型
六、MR编程规范
1、Map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KV对的形式(KV的类型可自定义)
(3)Mapper中的业务逻辑写在map()方法中
(4)Mapper的输出数据是KV对的形式(KV的类型可自定义)
(5)map()方法(MapTask进程)对每一个<K,V>调用一次
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的输出数据类型,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