MapReduce核心原理

MapReduce优缺点

MapReduce优点

1 MapReduce易于编程
它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce编程变得非常流行。

2 良好的扩展性
当你的计算资源不能得到满足的时候，你可以通过简单的增加机器 来扩展它的计算能力。

3 高容错性
MapReduce设计的初衷就是使程序能够部署在廉价的 PC机器上，这就要求它具有很高的容错性。比如 其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败 ，而且这个过程不需要人工参与，而完全是由 Hadoop内部完成的。

4 适合 PB级以上海量数据的离线处理
可以实现上千台服务器集群并发工作，提供数据处理能力。

MapReduce缺点

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
流式计算的输入数据是动态的，而MapReduce 的输入数据集是静态的，不能动态变化。这是因为MapReduce 自身的设计特点决定了数据源必须是静态的。

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。

MapReduce核心思想(重点)

MapReduce运算程序一般需要分成2个阶段,Map阶段和Reduce阶段。

客户端根据文件块的大小进行切分,一般是切分成128M,切分成的一个文件块开启一个MapTask。并发的Map Task,完全并行运行,互不相干。
Map阶段(MapTask的工作内容):
1)按行读取数据
2)按空格切分行内的单词
3)KV键值对(单词,1)
4)将所有的KV键值对中的单词,按照单词首字母,分成2个分区溢写到磁盘。

Reduce根据分区的个数来开启对应的ReduceTask的个数,并将统计的结果写入到文件当中。Reduce阶段并发的ReduceTask,完全互不相干,但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。