（统计单词数）mapreduce函数理解

一、隐藏的过程:

1、读取hdfs上的一个file文件

2、将块文件进行分片split（默认分片是hdfs的块大小，一个分片就是一个maptask）

3、读取split（分片）文件中的一行内容

4、将一行内容转换为key-value的形式（key：为偏移量（即多少行，我的理解），value：为一行的内容）

5、将key-value输入到自己的map函数中

二、进入自己写的map函数：

--自己的map函数作用是:

1、读入一个key-value的数据（每一次只能读取一行数据，循环读完分片中所有的行当前maptask结束）

2、对该行的内容进行处理加工（即对value中的内容进行处理）（例如拆分）

3、输出处理完一行内容生成的key（单词）和value（1）进行输出（进入shuffle中）

三、进入到隐藏的过程的shuffle过程

shuffle过程是将所有的map函数的执行的结果（重点）进行以下步骤：

1、将map执行的结果（所有的key-value值）内存缓存区

备注：map方法(写入)-->内存缓冲区(溢出)-->本地多个溢出磁盘文件(合并)-->大的溢出文件

备注：溢出和合并都会调用partitioner进行分区和排序(key)

2、将所有的结果放入到不同的分区中（key取余reduce个数=该分区的编号）

备注：一个分区编号对应唯一的一个reduce的编号。

3、将同一个分区中的key进行统一的排序（字典排序）

4、将同一个分区中的key-value进行合并:([key1,value1,value2,value3)]，是map文件分片的唯一）

5、当所有的maptask完成处理后reduc会按照自己编号到拉取所有的map生成的对应的分区下的数据，对拿过来的文件进行合并排序，按照map-key进行唯一的处理合并成:([key1,value1，value2，value3，value4...)]，是处理文件的唯一）

shuffle过程完成进入到reduce 中

四、--自己的reduce函数:map传过来的(key1，value1)值经过shuffle处理后，输出的(key，value)值（每一次只读唯一的（map-key，values）），进行统一的处理。

输入为:([key1,value1，value2，value3，value4...)]，是处理文件的唯一）

key:map处理一行内容生成的数据（例如hello）； value是在源文件中相同key组成之后，返回给我们的一个集合（例如该集合是[1,1,1,1]）。

（比如说进行循环相加i++）

输出为：通过job类中的FileOutputFormat.setOutputPath(job, new Path("/result"))

写入到hdfs的文件中。

context.write(new Text(key),new LongWritable(count))

map函数：主要是读取文件并分片，指定输出的key和输出的value（一般情况下输出的map-key是需求最后的主键，而value是需要进行聚合的数据）；

reduce函数：按照map指定的map-key对文件进行聚合处理（文件：读取的所有文件，且是经过map函数shuffle过程处理过后的文件）

以上全为本人对MR过程的理解，希望对大家有所帮助！，如有不正确的地方请多多指教！