MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.
MapReduce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。
MR执行流程
JobTracker 相当于项目经理负责接收用户请求和具体分配和监督taskTracker的执行情况，TaskTracker相当于开发人员专门用于执行！
上图中就解释为：客户端上传到JobTracker上，JobTracker接收客户端的作业请求，JobTracker就把MapReduce写在代码中的Map任务和Reduce任务分配给不同的TasekTracker执行。TaskTracker从集群的角度讲就是一台一台的物理的机器！
MR计算的数据来源是HDFS走向也是HDFS，我们写的MR程序 实际是打成一个jar包来执行，jar包首先提交给JobTracker，JobTracker把jar包中的Java代码解析成一个Job来运行，Job是包括很多个任务在运行的，job就会被分解为MapTask和ReduceTask，他们都是运行在TadkTracker之上的，MapperTask和ReduceTask都可以跑多个，MapperTask的数据是来源于HDFS经过覆盖的map函数之后传给ReduceTask，ReduceTask在经过覆盖的reduce函数之后写入到HDFS中
MapperTask和Reducer都可以跑多个
HDFS存储的层面与MR计算的层面他们对数据的划分是不一样的
一个切片对应一个mapper任务，从存储上讲是划分为block块的，从MR上讲是划分为输入切片的
在每一个存放block的机器上都会执行mapper任务
区分为很多个mapper任务是为了并行读取数据并且计算，计算模型并行执行，分布式计算的核心就是并行计算，特点就在于很多个机器同时计算，分布式计算有可以成为并行计算
reduce任务是接收mapper输出的，在reduce任务中有一个机会就是覆盖reduce函数来把在mapper任务中接收的数据汇总之后在输出在HDFS中，就得到最终结果，为了实现用户的可操作性，我们可以通过覆盖map函数和reduce函数来实现具体的业务操作来满足需求
mapper任务数量与reduce任务数量之间压根没有对应关系，mapper任务的数量有自己的需求来确定，reduce任务的数量也有自己的需求来确定，他俩是不相关的，没有直接关系
◆执行步骤：八个步骤，两个阶段
1. map任务处理
1.1 读取输入的HDFS文件内容，解析成key、value对。对输入文件的每一行，解析成key、value对。每一个键值对调用一次map函数。
1.2 实现自己的逻辑，对输入的key、value处理，转换成新的key、value输出。
1.3 对输出的key、value进行分区。
1.4 对不同分区的数据，按照key进行排序（按照key进行排序）、分组（按照key分组，把相同key的value放到一个集合中）。
1.5 (可选)分组后的数据进行归约（归约：简单的讲就是把大的数据集合变成小的数据集合，例如加减法）。
2.reduce任务处理
2.1 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。
2.2 覆盖reduce函数，实现自己的逻辑，对输入的key和values处理，转换成新的key，value输出。
2.3 把reduce的输出保存到HDFS中。
例子：对hello you
hello me中单词出现的次数进行统计
通过上边的学习我分析了下面两个对比图上边的是hdfs中增删改查操作要经过他们的老大namenode，下边的操作同样要经过他们的老大叫jobtracker。被框起来的部分都是一个RPC的通信，这里面namenode和jobtracker都担任服务端的角色dfsclient和jobclient都担任客户端的角色，客户端和服务端的通信要有一个代理对象就是clientprotocal和jobsubmission protorcol
jobtracker是一个服务端就意味着他里面有main 并且里面启动了jobtracker，有RPC.getserver（）方法，从这个分析来看RPC就是我们hadoop运行的核心的架构
阅读(921) | 评论(0) | 转发(0) |
