Hadoop -04 MapReduce介绍

Hadoop-MapReduce

MapReduce是一个框架，我们可以使用它来编写应用程序，以可靠的方式并行地处理大量商品硬件群集上的大量数据。

什么是MapReduce？

MapReduce是一种基于java的分布式计算的处理技术和程序模型。 MapReduce算法包含两个重要任务，即Map和Reduce。Map采用一组数据并将其转换为另一组数据，其中各个元素被分解为元组（键/值对）。其次，reduce任务，它将map的输出作为输入，并将这些数据元组合并成一组较小的元组。作为MapReduce名称的顺序，reduce任务总是在map作业之后执行。

MapReduce的主要优点是易于在多个计算节点上扩展数据处理。在MapReduce模型下，数据处理原语称为映射器和缩减器。将数据处理应用程序分解为映射器和简化器有时并不重要。但是，一旦我们以MapReduce形式编写应用程序，扩展应用程序以在集群中运行数百，数千甚至数万台机器只是一种配置更改。这种简单的可扩展性是吸引许多程序员使用MapReduce模型的原因。

算法

• 通常MapReduce范例是基于将计算机发送到数据所在的位置！

• MapReduce程序在三个阶段执行，即map阶段，shuffle阶段和reduce阶段。

  • Map 阶段 ：

    映射或映射器的作业是处理输入数据。一般来说，输入数据是以文件或目录的形式存储在Hadoop文件系统（HDFS）中。输入文件逐行传递到映射器函数。映射器处理数据并创建几个小块的数据。

  • Reduce 阶段 ：

    这个阶段是Shuffle阶段和Reduce阶段的组合。 Reducer的工作是处理来自映射器的数据。处理后，它产生一组新的输出，将存储在HDFS中。

• 在MapReduce作业期间，Hadoop将Map和Reduce任务发送到集群中的相应服务器。

• 该框架管理数据传递的所有细节，例如发出任务，验证任务完成，以及在节点之间复制集群周围的数据。

• 大多数计算发生在节点上，本地磁盘上的数据减少了网络流量。

• 完成给定任务后，集群收集并减少数据以形成适当的结果，并将其发送回Hadoop服务器。

术语

• PayLoad：应用程序实现Map和Reduce功能，并形成作业的核心。
• Mapper： 映射器将输入键/值对映射到一组中间键/值对。
• NamedNode ：管理Hadoop分布式文件系统（HDFS）的节点。
• DataNode ：在任何处理发生之前提前呈现数据的节点。
• MasterNode ： JobTracker运行并接受来自客户端的作业请求的节​​点。
• SlaveNode ： Map和Reduce程序运行的节点。
• JobTracker ：计划作业并跟踪将作业分配给任务跟踪器。
• Task Tracker ： 跟踪任务并向JobTracker报告状态。
• Job ：程序是跨数据集的Mapper和Reducer的执行。
• Task ：在一个数据片段上执行Mapper或Reducer。
• Task Attempt ：尝试在SlaveNode上执行任务的特定实例。
  

MapReduce - 读取数据

通过InputFormat决定读取的数据的类型，然后拆分成一个个InputSplit，每个InputSplit对应一个Map处理，RecordReader读取InputSplit的内容给Map

• InputFormat

决定读取数据的格式，可以是文件或数据库等

功能

1. 验证作业输入的正确性，如格式等
2. 将输入文件切割成逻辑分片(InputSplit)，一个InputSplit将会被分配给一个独立的Map任务
3. 提供RecordReader实现，读取InputSplit中的"K-V对"供Mapper使用

方法
List getSplits(): 获取由输入文件计算出输入分片(InputSplit)，解决数据或文件分割成片问题

RecordReader createRecordReader(): 创建RecordReader，从InputSplit中读取数据，解决读取分片中数据问题