MapReduce原理简介

一、MapReduce是什么

1. MapReduce是一种分布式计算框架 ，以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集。主要用于搜索领域，解决海量数据的计算问题。
2. MapReduce有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。

二、MapReduce做什么

• MapReduce框架由Map和Reduce组成。
• Map()负责把一个大的block块进行切片并计算。
• Reduce() 负责把Map()切片的数据进行汇总、计算。

三、MapReduce怎么做

1. 第一步对输入的数据进行切片，每个切片分配一个map()任务，map()对其中的数据进行计算，对每个数据用键值对的形式记录，然后输出到环形缓冲区（图中sort的位置）。

2. map（）中输出的数据在环形缓冲区内进行快排，每个环形缓冲区默认大小100M，当数据达到80M时（默认），把数据输出到磁盘上。形成很多个内部有序整体无序的小文件。

3. 框架把磁盘中的小文件传到Reduce()中来，然后进行归并排序，最终输出。

四、要点是什么

1. MapReduce将输入的数据进行逻辑切片，一片对应一个Map任务

2. Map以并行的方式处理切片

3. 框架对Map输出进行排序，然后发给Reduce

4. MapReduce的输入输出数据处于同一个文件系统（HDFS）

5. 框架负责任务调度、任务监控、失败任务的重新执行

6. 框架会对键和值进行序列化，因此键和值需要实现writable接口，框架会对键排序，因此必须实现writableComparable接口。

五、MapReduce原语

MapReduce原语：“相同”key的键值对为一组调用一次Reduce方法，方法内迭代这组数据进行计算。

原文链接：https://zhuanlan.zhihu.com/p/62135686