1、什么是MapReduce
- Hadoop MapReduce 是一个
分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群（数千个节点）上的大量数据（多TB数据集） - MapReduce 是一种
面向海量数据处理的一种指导思想，也是一种用于对大规模数据进行分布式计算的编程模型。
2、Map Reduce的优缺点
2.1 优点
-
MapReduce易于编程：它简单的实现一些接口，就可以完成一个分布式程序 -
良好的扩展性：当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。 -
高容错性：MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。 -
适合PB级以上海量数据的离线处理：可以实现上千台服务器集群并发工作，提供数据处理能力。
2.2 缺点
-
实时计算性能差：MapReduce 主要应用于离线作业，无法做到秒级或者是亚秒级别的数据响应。 -
不能进行流式计算：流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。 -
不擅长DAG（有向无环图）计算
多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。
3、 MapReduce进程
一个完整的MapReduce程序在分布式运行时有三类实例进程：
（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。
4、MapReduce编程规范
- 用户编写的程序代码分成三个部分： Mapper、Reducer和Driver(客户端提交作业驱动程序)
- 用户自定义的Mapper和Reducer都要继承各自的父类。
Mapper阶段：
- 用户自定义的Mapper要继承自己的父类
- Mapper的输入数据是KV对的形式（KV的类型可自定义）
- Mapper中的业务逻辑写在map()方法中
- Mapper的输出数据是KV对的形式（KV的类型可自定义）
- map()方法（MapTask进程）对每一个<K,V>调用一次
Reducer阶段：
- 用户自定义的Reducer要继承自己的父类
- Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
- Reducer的业务逻辑写在reduce()方法中
- ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法
Driver： 描述的是提交Job对象需要的各种必要的信息。
MapReduce内置了很多默认属性，比如： 排序（key的字典序）、分组(reduce阶段key相同的为一组，一组调用一次reduce处理)等，这些都和数据的K有关，所以说kv的类型数据确定是及其重要的。
5、常用数据序列化类型
| 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 |
