【大数据】分布式并行计算MapReduce

作业来源于:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/3319

1.  用自己的话阐明Hadoop平台上HDFS和MapReduce的功能、工作原理和工作过程。

（1）HDFS的功能：元数据、检查点、DataNode功能

HDFS的工作原理：

数据存取 - HDFS架构：

Master / Slave(主从结构) - 节点可以理解为物理机器

• 主节点，只有一个: Namenode
• 从节点，有很多个: Datanodes

1)   分布式文件系统，它所管理的文件是被切块存储在若干台datanode服务器上.；

2)   hdfs提供了一个统一的目录树来定位hdfs中的文件，客户端访问文件时只要指定目录树的路径即可，不用关心文件的具体物理位置；

3)   每一个文件的每一个切块，在hdfs集群中都可以保存多个备份（默认３份），在hdfs-site.xml中，dfs.replication的value的数量就是备份的数量；

4)   hdfs中有一个关键进程服务进程：namenode，它维护了一个hdfs的目录树及hdfs目录结构与文件真实存储位置的映射关系（元数据）．而datanode服务进程专门负责接收和管理＂文件块＂；

HDFS的工作过程：客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本。

（2）MapReduce的功能：Hbase和Hdfs之间数据相互转换；排序；Top N；从hbase中读取数据统计并在hdfs中降序输出Top 3；去重(Distinct)、计数(Count)、最大值(Max)、求和(Sum)、平均值(Avg)；(多个job串行处理计算平均值；分区(Partition)；Pv、Uv；倒排索引(Inverted Index)；join；

MapReduce的工作原理：

数据运算 - MapReduce架构：

主从结构

• 主节点，只有一个: JobTracker
• 从节点，有很多个: TaskTrackers

MR编程模型原理：利用一个输入的key-value对集合来产生一个输出的key-value对集合。

MapReduce的工作过程：MR框架是由一个单独运行在主节点上的JobTracker和运行在每个集群从节点上的TaskTracker共同组成。主节点负责调度构成一个作业的所有任务，这些任务分布在不同的不同的从节点上。主节点监视它们的执行情况，并重新执行之前失败的任务。从节点仅负责由主节点指派的任务。当一个Job被提交时，JobTracker接受到提交作业和配置信息之后，就会将配置信息等分发给从节点，同时调度任务并监控TaskTracker的执行。JobTracker可以运行于集群中的任意一台计算机上。TaskTracker负责执行任务，它必须运行在DataNode上，DataNode既是数据存储节点，也是计算节点。JobTracker将map任务和reduce任务分发给空闲的TaskTracker，这些任务并行运行，并监控任务运行的情况。如果JobTracker出了故障，JobTracker会把任务转交给另一个空闲的TaskTracker重新运行。

2.HDFS上运行MapReduce

1）准备文本文件，放在本地/home/hadoop/wc

2）编写map函数和reduce函数，在本地运行测试通过

3）启动Hadoop：HDFS, JobTracker, TaskTracker

4）把文本文件上传到hdfs文件系统上 user/hadoop/input

5）streaming的jar文件的路径写入环境变量，让环境变量生效

6）建立一个shell脚本文件：streaming接口运行的脚本，名称为run.sh

7）source run.sh来执行mapreduce

8）查看运行结果