【Hadoop学习之六】MapReduce原理

一、概念
MapReduce：
"相同"的key为一组，调用一次reduce方法，方法内迭代这一组数据进行计算

块、分片、map、reduce、分组、分区之间对应关系
block > split
1:1:1个block可以切成1个分片
N:1：多个block可以以切成1个分片
1:N：1个block可以切成多个分片

split > map
1:1：一个分片只能产生一个map

map > reduce
N:1:多个Map可以对应一次reduce
N:N:多个Map可以对应多次reduce
1:1:1个Map可以对应1次reduce
1:N:1个Map可以对应多次reduce

group(key)>partition
1:1:1次分组可以对应1个分区
N:1：多个分组可以对应一个分区
N:N：多个分组可以对应多个分区
1:N? >违背了原语

partition > outputfile

MapTAsk：
(1)对于一个分片，加载到内存进行Map处理，
(2)Map业务逻辑将分片中数据处理成一个个的K，V键值对
(3)将Map输出的K,V键值对加工，生成含有分区partition的K，V，P键值对
(4)经过一段时间的处理，将生成的KVP数据放到缓存里(默认100M)，然后按照分区P，键key排序，最终形成一个内部有序外部无序的100M文件
(5)将这个100M缓存输出到本地文件系统里，经过map处理完成后，最终生成一堆这样的小文件
(6)将这一堆小文件进行归并形成一个内部有序外部无序的大文件

ReduceTask：
(1)将各个节点归并后的大文件中拉取（shuffler）属于同一分区的文件
这个地方会产生网络IO，map之后的文件如果很大会影响性能，因此可以对map之后的数据进行简单统计 降低拉取文件的大小
(2)将拉过来的小文件进行归并，reduce的归并强依赖map的排序结果
(3)将合并的文件调用reduce

二、Hadoop整体协作
Hadoop 1.x
1、客户端clients先启动，计算切片清单，
2、客户端将MR jar包、切片清单、配置文件等作业资源上传HDFS；
3、客户端提交任务给Job Tracker
4、Job Tracker从HDFS获取切片清单，参考Task Tracker上的资源负载情况，规划Map、Reduce任务去到的节点
5、Task Tracker通过与Job Tracker心跳，获取属于自己的任务清单
6、Task Tracker从HDFS上获取切片清单、jar、配置，map运行map任务,Reduce运行Reduce任务,
7、Reduce任务将生成结果文件返回给HDFS
8、客户端通过HDFS下载文件 查看结果

弊端：Job Tracker有两件事：任务调度和监控整个集群资源负载，存在单点故障、负载过重、资源管理和计算调度强耦合
因此有了Hadoop 2.x的YARN