博主近几天把mapreduce和yarn的相关知识都学完了，感觉不是太难，基本上可以理解掌握。我想把mapreduce的一些开发流程和经验分享给大家，有些概念性的知识在以后面试中也能用到。下面我就这几个方面来总结。
mapreduce在编程的时候，基本上一个固化的模式，没有太多可灵活改变的地方，除了以下几处：
1）输入数据接口：InputFormat--->FileInputFormat(文件类型数据读取的通用抽象类) DBInputFormat （数据库数据读取的通用抽象类）
默认使用的实现类是：TextInputFormat
job.setInputFormatClass(TextInputFormat.class)
TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回
2）逻辑处理接口：Mapper
完全需要用户自己去实现其中：map() setup() clean()
3）map输出的结果在shuffle阶段会被partition以及sort，此处有两个接口可自定义：
（1）Partitioner
有默认实现 HashPartitioner，逻辑是 根据key和numReduces来返回一个分区号； key.hashCode()&Integer.MAXVALUE % numReduces
通常情况下，用默认的这个HashPartitioner就可以，如果业务上有特别的需求，可以自定义
（2）Comparable
当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，override其中的compareTo()方法
4）reduce端的数据分组比较接口：Groupingcomparator
reduceTask拿到输入数据（一个partition的所有数据）后，首先需要对数据进行分组，其分组的默认原则是key相同，然后对每一组kv数据调用一次reduce()方法，并且将这一组kv中的第一个kv的key作为参数传给reduce的key，将这一组数据的value的迭代器传给reduce()的values参数
利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑：
自定义一个bean对象用来封装我们的数据，然后改写其compareTo方法产生倒序排序的效果
然后自定义一个Groupingcomparator，将bean对象的分组逻辑改成按照我们的业务分组id来分组（比如订单号）
这样，我们要取的最大值就是reduce()方法中传进来key
5）逻辑处理接口：Reducer
完全需要用户自己去实现其中 reduce() setup() clean()
6）输出数据接口：OutputFormat---> 有一系列子类FileOutputformat DBoutputFormat .....
默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对向目标文本文件中输出为一行
通过这几天的学习，我也练习了几个案例，加深对MapReduce的理解，我将项目放到百度云里面了，分享给大家，有需要的可以看看，里面有9个小案例，前提是电脑上配置hadoop集群环境和jdk，还有windows的环境，具体就是C:\Windows\System32里面需要导入hadoop.dll
①统计一堆文件中单词出现的个数（wordcount）
②统计手机号耗费的总上行流量、下行流量、总流量（flow）
③将统计结果按照手机归属地不同省份输出到不同文件（order）
④将统计结果按照总流量倒序排序（flowsort）
⑤reduce端表合并（数据倾斜）（Table）
⑥map端表合并（Distributedcache）
⑦小文件处理（filter）
⑧过滤日志及自定义日志输出路径（WebLog）
⑨倒排索引实战（index）
百度云链接：链接：https://pan.baidu.com/s/13kX2wPt2vGFVnExEEmnpbQ 提取码：f5wf