大数据实战之MapReduce基础介绍
牛年大吉
祝大家牛年大吉，希望新的一年里能顺顺利利，学业进步，事业有成！
MapReduce的定义
在hadoop中核心的部分主要分为两项，一是作为存储的hdfs，二是作为计算的mapreduce，本文将对mapreduce做一个基础介绍。
mapreduce是一个分布式运算程序的编程框架，是用户基于hadoop进行数据分析应用的核心框架。
利用mapreduce工作的流程是，编写业务逻辑代码->整合自带默认组件->本地测试->发布在hadoop上并发运行。
MapReduce的优缺点
优点
易于编程
只需要实现一些接口，便能简单地完成一个分布式程序，并且这个分布式程序可以分布在大量廉价的PC机器上运行，所以mapreduce易于编程的特点也使得mapreduce变得非常流行。
良好的拓展性
当计算资源不能满足计算要求时，可以动态地增加机器来扩展计算能力。
高容错性
因为mapreduce程序是运行在大量廉价的PC机器上，所以当其中一台机器挂了，其计算任务会转移到其它节点上运行，这样的特点使得任务不会直接运行失败，而这个过程由hadoop内部自动处理，无需人工参与。
适合PB级以上数据的离线处理
mapreduce程序可以实现上千台节点并发工作，具有强大的数据处理能力。
缺点
运行速度慢，不擅长实时计算
mapreduce运行速度缓慢，无法在毫秒或秒级内返回结果。
不擅长流式计算
流式计算的输入是动态的，而mapreduce的数据集是静态的，不能动态变化。
不擅长DAG计算
DAG计算是指多个应用之间有依赖关系，前一个应用的输出是后一个应用的输入。mapreduce能够做这种操作，但这样会造成大量的磁盘IO，导致性能低下，所以mapreduce并不适合做这种串联型应用的工作。
MapReduce核心思想
mapreduce主要分为两个阶段Map阶段和Reduce阶段，Map阶段的task互不干扰，并行执行，Reduce阶段的task也互不干扰，并行执行。关键在于Reduce的task中的输入数据依赖于Map阶段的输出，下面通过经典的wordcount实例来具体体会mapreduce的工作流程。
wordcount：统计文本中每一个单词出现的总数量。
给定初始文本
Map阶段中，程序从文本中按行读取数据，按空格分隔形成键值对，MapTask启动的个数依据切片个数决定，切片规则为：
1. 当文件大小（单位为MB）与切片大小（默认为128MB）的比值大于1.1时，则对文件切分，切片大小为128MB，剩余部分继续计算。
2. 每个文件如果不切分，单独启动一个MapTask。
处理后的键值对会输出到环形缓冲区（默认大小为100M），如果环形缓冲区的数据达到80%，则会另外启动一个线程将数据溢写到磁盘，此时，如果开启了combine则会进行预聚合操作，即将一个MapTask内的相同单词数量相加。溢写过程中会对数据进行快速排序，溢写出的分区默认为一个，如果有其它需求，可自定义分区规则（例如按照首字母分配，前13个字母和后13个字母分配到不同的分区，最终进入到两个reduce里面，输出为两个文件，这样统计的就是首字母分别为前13个字母和后13个字母的单词个数），溢写之后，会对同一个分区的文件进行归并排序（如果溢写出了多个文件。另外注意的是：溢写如果没有溢写出文件，则直接拉取内存中的数据进行排序再写入磁盘），等待Reduce拉取数据。
ReduceTask默认为一个，ReduceTask启动的个数是通过参数手动设置的（如果分区数有多个，也要设置相同数量的reduce个数。键值对的分发规则是，key的哈希值对reduce个数取余），这里reduce为一个，所有键值对被拉取到一个ReduceTask中，对key进行分组合并。
输出到磁盘
以上便是mapreduce的核心思想及运行流程，下一节会带来具体的mapreduce程序编写，跟我一起来学习吧。
扫描二维码获取
更多精彩
进击的鱼豆腐