文章目录
MapReduce概述
1. MapReduce定义
MapReduce是一个
分布式运算程序的编程框架
,是用户开发“基于Hadoop的数据分析应用”的核心框架。MapReduce核心功能是将
用户编写的业务逻辑代码
和自带默认组件
整合成一个完整的分布式运算程序
,并发运行在一个Hadoop集群上。
2. MapReduce优缺点☆
2.1 优点
2.1.1 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。
2.1.2 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。
2.1.3 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。
2.1.4 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。
2.2 缺点
2.2.1 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。
2.2.2 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。
2.2.3 不擅长DAG(有向图)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。
3. MapReduce核心思想
- 分布式的运算程序往往需要分成至少2个阶段。
- 第一个阶段的MapTask并发实例,完全并行运行,互不相干。
- 第二个阶段的ReduceTask并发实例互不相干,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。
- MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段,如果用户的业务逻辑非常复杂,那就只能多个MapReduce程序,串行运行。
总结:分析WordCount数据流走向深入理解MapReduce核心思想。
4. MapReduce进程
一个完整的MapReduce程序在分布式运行时有三类实例进程:
MrAppMaster
:负责整个程序的过程调度及状态协调。MapTask
:负责Map阶段的整个数据处理流程。ReduceTask
:负责Reduce阶段的整个数据处理流程。