MapReduce 2.0应用场景、原理与基本架构

         现介绍计算框架MapReduce。MapReduce一个应用场景是有大量文件，里面存储了单词， 且一个单词占一行 。执行任务是如何统计每个单词出现的次数？ 类似应用场景有搜索引擎中，统计最流行的K个搜索词以及统计搜索词频率，帮助优化搜索词提示 。

        MapReduce将作业的整个运行过程分为两个阶段 ：Map阶段和Reduce阶段 

        Map阶段由一定数量的Map Task组成 ：
        （1）、输入数据格式解析：InputFormat； 

        （2）、输入数据处理：Mapper ；

        （3）、数据分组：Partitioner 。

        Reduce阶段由一定数量的Reduce Task组成 ：
        （1）、数据远程拷贝 ；

        （2）、数据按照key排序； 

        （3）、数据处理：Reducer； 

        （4）、数据输出格式：OutputFormat。 

           MapReduce的内部逻辑如上图所示。inputformat从hdfs上读取split进行解析，然后输出给mapTask。map阶段的输出写在磁盘上。Partitioner阶段将不同的map结果合理的分配到相应的ReduceTask。最后，通过Outputformat将结果写到HDFS上。

            Inputformat有很多继承类，实现将分片数据解析成key/value对。DBInputFormat用来读取数据库，FileInputFormat用来读取各种文件形式。还有一种空文件读取方式EmptyInputFormat。split和block是两个不同的概念。spilt是mapreduce中最小的计算单元。而block是HDFS存储的最小存储单元。其一一对应，都可以由用户任意指定。

           上图所示为combiner的作用，conbiner相当于一个本地的reducer操作。将相同key的map结果进行归并。在wordcount操作中conbainer可以将同一个map输出的相同word进行统计。Partitioner决定了Map Task输出的每条数据 交给哪个Reduce Task处理。 默认实现是hash(key) mod R 。其中，R是Reduce Task数目，允许用户自定义。很多情况需自定义Partitioner，比如“hash(hostname(URL)) mod R”确保相同域 名的网页交给同一个Reduce Task处理 。

            上图为mapreduce的调度原理之前已经讲解不在赘述。 Client 与MapReduce 1.0的Client类似，用户通过Client与YARN 交互，提交MapReduce作业，查询作业运行状态，管理作业等。  MRAppMaster 功能类似于 1.0中的JobTracker，但不负责资源管理。功能包括：任务划分、资源申请并将之二次分配个Map Task和Reduce Task、任务状态监控和容错。 MRAppMaster有较好容错性。一旦运行失败，由YARN的ResourceManager负责重新启 动，最多重启次数可由用户设置，默认是2次。一旦超过最高重启次数，则作业运行失败。Map Task/Reduce Task 周期性向MRAppMaster汇报心跳。一旦Task挂掉，则MRAppMaster将为之重新申请资源， 并运行之。最多重新运行次数可由用户设置，默认4次。 

           在任务执行过程中，应该保证数据的本地性。当不能同节点访问数据时，则会进行跨节点访问，减慢执行速度，增加网络传输负载。甚至跨机架访问数据延时会更严重。MapReduce的应用场景包括：简单的数据统计，比如网站pv、uv统计、搜索引擎建索引、海量数据查找、复杂数据分析算法实现。例如：聚类算法 、分类算法、推荐算法以及图算法。