Spoon | blog

MapReduce核心思想

（1）分布式的运算程序往往需要分成至少2个阶段。

（2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。

（3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。

（4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。

总结：分析WordCount数据流走向深入理解MapReduce核心思想

MapReduce编程流程

一个完整的MapReduce程序在分布式运行时有三类实力进程：

1. MrAppMaster：负责整个程序的过程调度及状态协调。
2. MapTask：负责Map阶段的整个数据处理流程。
3. ReduceTask：负责Reduce阶段的整个数据处理流程

特点数据类型

为了便于大数据的计算，Hadoop对数据类型进行的二次封装

Java类型 Hadoop Writable类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable
Null	NullWritable

编程规范

1. Mapper阶段
   1. 用户自定义的Mapper要集成自己的父类
   2. Mapper的输入数据时KV对的形式（KV的类型可自定义）
   3. Mapper中的业务逻辑写在map()方法中
   4. Mapper的输出数据是KV对的形式（KV的类型可自定义）
   5. map()方法（MapTask进程）对每一个<K，V>调用一次
2. Reduce阶段
   1. 用户自定义的Reducer要继承自己的父类
   2. Reducer的输入数据类型对应Mapper的数据类型，也是KV
   3. Reducer的业务逻辑写在reduce()方法中
   4. ReduceTask进程对每一组相同K的<K,V>组调用一次reduce()方法
3. Driver阶段（job）
   1. 相当于YARN集群的客户端，用户提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象。