MapReduce
MapReduce是一种面向大规模数据处理的、分布式运算程序的编程框架。它通过将实际业务逻辑代码+自带默认组件的方式实现在Hadoop集群上的分布式计算。
MapReduce的优势
1. 易于编程
MapReduce框架将整个分布式的过程都进行了封装,用户只需要根据自己的实际业务,对简单的接口进行实现,就可以达到非常理想的目的。
2. 扩展性好
若计算资源不足时,可直接添加机器来提高计算力。
3. 容错率高
如果正在运行的节点发生了意外,可以把任务交给集群中另一个节点上运行,这个调度方法可直接由Hadoop内部完成,不需要人工干预。
MapReduce的劣势
1. 不擅长实时计算
MapReduce无法像 MySQL一样,在毫秒或者秒级内返回结果。
2. 不擅长流式计算
MapReduce无法处理在线产生的数据,只能处理离线数据。
3. 不擅长DAG(有向无环图)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,MapReduce 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。
资料来源:尚硅谷
MapReduce流程
MapReduce字如其名,其思想最主要的流程分为两大块,Map和Reduce。其中,map将数据分成几份并行计算,Reduce将map的结果统一。
但如果要将上述流程细分,则应该分成以下几步:
1. InputFormat切片阶段
- 首先,客户端会将数据分成多个数据切片,并由ApplicationMaster分配给相同数量的MapTask,一个数据切片