MapReduce理解
MapRedeuce，我们可以把它分开来理解：
1.映射（Mapping） ：对集合里的每个目标应用同一个操作。即，如果你想把表单里每个单元格乘以二，那么把这个函数单独地应用在每个单元格上的操作就属于mapping（这里体现了移动计算而不是移动数据）；
2.化简（Reducing）：遍历集合中的元素来返回一个综合的结果。即，输出表单里一列数字的和这个任务属于reducing。
计算框架
简单理解，MapReduce计算框架：
把需要计算的东西放入到MapReduce中进行计算，然后返回一个我们期望的结果。所以首先我们需要一个来源（需要计算的东西）即输入（input），然后MapReduce操作这个输入（input），通过定义好的计算模型，最后得到一个（期望的结果）输出（output）。
计算模型
在这里我们主要讨论的是MapReduce计算模型：
在运行一个mapreduce计算任务时候，任务过程被分为两个阶段：map阶段和reduce阶段，每个阶段都是用键值对（key/value）作为输入（input）和输出（output）。而程序员要做的就是定义好这两个阶段的函数：map函数和reduce函数。
实例代码
以MapReduce统计单词次数为例（伪代码），主要四个模块来讲解，如上图计算框架：
1.Input，数据读入
2.使用Mapper计算
3.使用Reducer合并计算
4.Output，数据写出
运行机制
1.各个角色实体;
2.运行的时间先后顺序。
各个角色实体
1.程序运行时过程设计到的一个角色实体
1.1. Client：编写mapreduce程序，配置作业，提交作业的客户端 ；
1.2. ResourceManager：集群中的资源分配管理 ；
1.3. NodeManager：启动和监管各自节点上的计算资源 ；
1.4. ApplicationMaster：每个程序对应一个AM，负责程序的任务调度，本身也是运行在NM的Container中 ；
1.5. HDFS：分布式文件系统，保存作业的数据、配置信息等等。
2.客户端提交Job
2.1. 客户端编写好Job后，调用Job实例的Submit()或者waitForCompletion()方法提交作业；
2.2. 客户端向ResourceManager请求分配一个Application ID，客户端会对程序的输出、输入路径进行检查，如果没有问题，进行作业输入分片的计算。
3.Job提交到ResourceManager
3.1. 将作业运行所需要的资源拷贝到HDFS中（jar包、配置文件和计算出来的输入分片信息等）；
3.2. 调用ResourceManager的submitApplication方法将作业提交到ResourceManager。
4.给作业分配ApplicationMaster
4.1. ResourceManager收到submitApplication方法的调用之后会命令一个NodeManager启动一个Container ；
4.2. 在该NodeManager的Container上启动管理该作业的ApplicationMaster进程。
5.ApplicationMaster初始化作业
5.1. ApplicationMaster对作业进行初始化操作；
5.2. ApplicationMaster从HDFS中获得输入分片信息(map、reduce任务数)
6.任务分配
6.1. ApplicationMaster为其每个map和reduce任务向RM请求计算资源；
6.2. map任务优先于reduce任，map数据优先考虑本地化的数据。
7.任务执行，在 Container 上启动任务（通过YarnChild进程来运行），执行map/reduce任务。
时间先后顺序
1.输入分片（input split）
每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为128M，可以设置）为一个分片。map输出的结果会暂且放在一个环形内存缓冲区中（默认mapreduce.task.io.sort.mb=100M）,当该缓冲区快要溢出时（默认mapreduce.map.sort.spill.percent=0.8）,会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件；
2.map阶段：由我们自己编写，最后调用 context.write(…)；
3.partition分区阶段
3.1. 在map中调用 context.write(k2,v2)方法输出，该方法会立刻调用 Partitioner类对数据进行分区，一个分区对应一个 reduce task。
3.2. 默认的分区实现类是 HashPartitioner ，根据k2的哈希值 % numReduceTasks，可能出现“数据倾斜”现象。
3.3. 可以自定义 partition ，调用 job.setPartitioner(…)自己定义分区函数。
4.combiner合并阶段：将属于同一个reduce处理的输出结果进行合并操作
4.1. 是可选的；
4.2. 目的有三个：1.减少Key-Value对；2.减少网络传输；3.减少Reduce的处理。
5.shuffle阶段：即Map和Reduce中间的这个过程
5.1. 首先 map 在做输出时候会在内存里开启一个环形内存缓冲区，专门用来做输出，同时map还会启动一个守护线程；
5.2. 如缓冲区的内存达到了阈值的80%，守护线程就会把内容写到磁盘上，这个过程叫spill，另外的20%内存可以继续写入要写进磁盘的数据；
5.3. 写入磁盘和写入内存操作是互不干扰的，如果缓存区被撑满了，那么map就会阻塞写入内存的操作，让写入磁盘操作完成后再继续执行写入内存操作;
5.4. 写入磁盘时会有个排序操作，如果定义了combiner函数，那么排序前还会执行combiner操作；
5.5. 每次spill操作也就是写入磁盘操作时候就会写一个溢出文件，也就是说在做map输出有几次spill就会产生多少个溢出文件，等map输出全部做完后，map会合并这些输出文件，这个过程里还会有一个Partitioner操作（如上）
5.6. 最后 reduce 就是合并map输出文件，Partitioner会找到对应的map输出文件，然后进行复制操作，复制操作时reduce会开启几个复制线程，这些线程默认个数是5个（可修改），这个复制过程和map写入磁盘过程类似，也有阈值和内存大小，阈值一样可以在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操作和合并文件操作，这些操作完了就会进行reduce计算了。
6.reduce阶段：由我们自己编写，最终结果存储在hdfs上的。