Hadoop MapReduce V2
MapReduce介绍
MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）“和"Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。
一个切片对应一个Map程序，默认情况下，一个块对应一个Map程序；切片是一个窗口机制，人为的可以将一个切片变得很小，引入切片可以解耦一个块对应一个Map程序的关系。reduce的数量由人（参考Map输出数据组数量）来决定。
以一条记录为单位调用一次Map方法，
MR原语
- 输入（格式化k，v）–>map映射成一个中间数据集（k，v）–>reduce
- "相同"的key为一组，调用一次reduce方法，方法内迭代这一组数据进行计算
-
- 排序，比较
- 遍历，计算
MapReduce架构概念
Map：
- 读懂数据
- 映射为KV模型
- 并行分布式
- 计算向数据移动
Reduce：
- 数据全量/分量加工
- Reduce中可以包含不同的key
- 相同的key汇聚到一个Reduce方法中
- 相同的Key调用一次reduce方法
-
- 排序实现key的汇聚
K，V使用自定义数据类型
- 作为参数传递，节省开发成本，提高程序自由度
- Writable序列化：使分布式程序数据交互
- Comparable比较器：实现具体排序（字典序，数字序等）
MRv1角色：
- JobTracker
-
- 核心，主，单点
- 调度所有的作业
- 调控整个集群的资源负载
- TaskTracker
-
- 从，自身节点资源管理
- 和JobTracker心跳，汇报资源，获取Task
- Client
-
- 作业为单位
- 规划作业计算分布
- 提交作业资源到HDFS
- 最终提交作业到JobTracker
- 弊端：
-
- JobTracker：负载过重，单点故障
- 资源管理与计算调度强耦合，其他计算框架需要重复实现资源管理
- 不同框架对资源不能全局管理