Hadoop MapReduce篇 （更新）

    如果联系到hadoop集群的话，其实到现在才真正的明白这个MR。我的理解偏差了好多，下面大概讲讲（口语，不专业），不对的地方还请指正；

    你程序中写的MR函数，运行程序，这里叫做提交作业，Jobtracker接到作业后会分析MR的规则（如果你不特定规则它会按照系统默认的规则），比如需要多少个map，按照什么分map等规划，然后分配具体任务给每个Tasktracker去执行，待每个Tasktracker按照先map后reduce计算完毕后会把reduce结果汇总给Jobtracker，最终Jobtracker把结果返回给客户端；
    这个流程你可以这样理解：
    MR就是需求----Jobtracker分析此需求并制定计划发送任务给Tasktracker（多个）---Tasktracker就是工人接到任务开始干活并报告结果（map和reduce的函数执行是在这里进行的）---Jobtracker最终汇总所有Tasktracker的报告结果输出；
    再拿施工队的例子解释：
    MR就是给工头L（Jobtracker）看的图纸，L（Jobtracker）分析图纸后知道如何建造这个房子了，比如先地基，再柱子等等，然后根据实际情况分任务，地基技术比较简单，那就给A（Tasktracker1）这个工人，柱子适合给B（Tasktracker2）这个工人，分配好后，A和B就开始干活了，待AB都干完了，告诉L，我们做完了。OK，任务完成，L说房子可以交工了，任务完成；

    下面具体是的map和reduce函数都怎么计算数据的，稍稍专业点：

    上一篇也简单提到了Hadoop中的MapReduce（下面都简写为MR）是一种分布式计算模型，起初由Google提出，主要用于搜索领域，解决海量数据的计算问题。MR由两个阶段组成：Map和Reduce,用户只需要实现Map()和Reduce()两个函数，即可实现分布式计算，这两个函数的形参是key、value对，表示函数的输入信息。

   

1、MR的执行流程

2、MR原理

    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（Hadoop集群采用主从结构模型Master和Slave）的TaskTracker共同组成，这里顺便提下：JobTracker可以运行于集群中的任意一台计算机上，负责分配和监控TaskTracker的执行，TaskTracker负责执行任务，它必须运行在DataNode上。JobTracker将map任务和reduce任务分发给空闲的TaskTracker，这些任务并行运行，并监控运行情况。

      1、Map任务处理

    读取输入文件内容，对输入文件的每一行，解析成key,value对，按照自己的逻辑，对不同分区的数据，按照Key进行排序、分组，相同key的value放到一个集合中。
    在集群中就是每个节点处理自己的key,value值，最后汇总给Reduce函数去处理；

    2、Reduce任务处理

    对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点，合并排序，最后把reduce的输出保存到文件中。

    
    形象化的解释MR就是Linux中经常用的命令： cat xxx.txt |grep "abc"  |wc -l  其中grep是Map任务，wc -l是reduce任务；



    最后：MR不是Hadoop特有的，只是在集群中操作MR能体现出性能的优势，多点并发执行，最后综合结果；Map不能做reduce的工作，但reduce可以做map的工作；