Hadoop之MapReduce

概述

MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题。
MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。
Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。

使用

MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。
这两个函数的形参和返回值都是<key、 value>，使用的时候一定要注意构造<k,v>。

执行流程（此处举例说明）

一个文本(在HDFS上面保存，两个block)中每一个单词的出现的次数：
	hello you hello marry
	hello me really
			----->block-1
			
	hello kate ready
	xiao wang hello tomcat
			----->block-2

**1.**获取每一个block块中的文本，遍历所有，回去其中的一行str
因为要统计的是每一个单词i的次数，所以还需要直到文本中有哪些单词，可以根据字符串的特点，使用split()进行切割。

String[] words=str.split("");

根据要求，需将每一个单词i转换为<K,V>的形式，k为单词本身，v为单词出现的次数。
**2.**因为mr的计算是分布式的 ，每一个map（称之为一个mapper task）计算其中的一个block块数据。

map阶段：
	输入<K1,V1>
		k1，偏移量，v1，当前行文本内容
		map()函数操作
	输出<K2,V2>
		k2，具体单词，v2，单词对应的统计项，比如次数
	输出<K2,V2>		

shuffle阶段
研究后发现，如果按照<key,1>这种方式向reduce输出数据的时候，会有
大量的冗余数据。
比如map阶段之后有5个hello,则输出<hello,1>,<hello,1>,<hello,1>,
<hello,1>,<hello,1>5次，实际上会对网络造成一定的压力，能不能对
这5个<hello,1>进行一个进入reduce之前的本地组合？比如成为
<hello,5>或者<hello,[1,1,1,1,1]>.
这个过程成为shuffle，洗牌重组阶段，达到上述的结果，称之为规约。
>>>shuffle阶段，也就是对map的输出进行重新洗牌：
分区、分组、排序
<K2,V2>...===><K2,V2s>

reduce阶段，接收map的输出结果<key,values>
对这个结果进行汇总统计，针对values，进行简单的累加，计算得出key
对应的次数
reduce针对一个key调用一次reduce()函数
=====>reduce 阶段
输入<K2,V2>
	K2,就是map的输出的K2，V2s是map经过shuffle之后的结果集
	reduce()函数操作
转化为<K3,V3>	

经过上述操作之后
将计算结果输出给用户，一般会先存储（落地）到hdfs，然后反馈给用户。