一、Hadoop简介
Hadoop最早只是单纯的值分布式计算系统，但随着时代的发展，目前hadoop已成了一个完整的技术家族。从底层的分布式文件系统（HDFS）到顶层的数据解析运行工具（Hive, Pig），再到分布式协调服务（Zookeeper），以及流行的分布式数据库（HBase），都属于Hadoop家族，几乎涵盖了大部分大数据应用场景。在Spark没流行之前，hadoop一直是大数据应用中的绝对主流，即使是现在，依旧有大量的中小型公司，还是依靠Hadoop搭建大数据系统。
虽然如今Hadoop家族庞大，但早年Hadoop结构非常简单，几乎只有两块：一个是分布式文件系统，一个是MapReduce算法。
大数据时代，数据动辄以TB，PB计算。那么海量的数据，用常规的方法非常困难，因为即使是O(n)的算法，将所有数据都遍历一遍，所消耗的时间也是以小时计，这显然是不能接受的。不仅如此，像MySQL这样的数据库对于数据规模也是有限制的，一旦数据规模巨大，超过了数据库的承载能力，那几乎是系统级的噩梦。
既然我们把数据全部存储在一起，会导致系统问题，那么我们可不可以把数据分成很多份，在分别存储；当我们需要处理这些数据的时候，我们对这些分成许多小份的数据分别处理，最后再合并再一起？
答案当然是可行的，Hadoop文件系统正式基于这个思路。
在HDFS中，将数据分割成一个个小份，每个小份叫做一个数据块，每个存储块为64MB。这样一个巨大的文件会被打散存储在许多存储块中。当我们需要操作这些数据的时候，Hadoop会同时启动许多个执行器（executor）来并发执行这些存储块。理论上来说，执行器的数量越多，执行的速度也越快。只要我们有足够多的执行器，就可以在短时间内完成海量数据的计算工作。
原因也很简单，因为数据存储在磁盘上，当我们查找数据的时候，CPU其实是不知道数据究竟存放在什么地方的。需要有一个专门的程序去查找数据的位置，这个过程被称为寻址。寻址的时候回伴随硬盘的高速旋转。硬盘的旋转速度是有限的，所以我们查找文件的速度也存在瓶颈。如果存储块太小，那么存储块的数量就会很多，我们寻址的时间就会变长。
如果存储块设置的大一些行不行？也不行，因为我们在执行的时候，需要把存储块的数据copy到执行器的内存里执行，这个copy是伴随着读写和网络传输操作，传输数据同样耗时不少。存储块过大，会导致读写的时间过长，目前网络带宽最多可嘴鸥到100MB/s，根据计算，每个块大约在100MB左右最佳，也许程序员为了凑整，所以选了64MB这个大小。
那么，Hadoop怎样做并发计算的呢？这就该MapReduce出场了。
二、MapReduce
严格说，MapReduce不是一种算法，而是一种计算思想。他有map和reduce两个阶段组成。
先说Map，MapReduce中的Map和Java语言的map不同，他表示的意思是映射，负责执行map操作的机器（称为mapper），从HDFS中拿到数据后，会对这些数据进行处理，从其中提出我们需要用到的字段或者数据，将他组织成key->value的结构，进行返回。
为什么要返回key->value的结构呢？直接返回value不行吗？
不行，因为在map和reduce中介，Hadoop会根据key值进行排序，将key值相同的数据归并到一起之后，再发送reduce执行。也就是说，key值相同的数据会被同一个reducer也就是同一台机器处理，并且key相同的数据连续排列。reducer做的就是通过mapper拿到的数据，生成我们最终需要的结果。
为什么一开始的时候，要处理成key->value结构呢？为什么又要将key值相同的数据放入一个reducer中呢？这有什么意义？
这里举例说明：
MapReduce有一个景点问题，叫做wordCount，就是给定一堆文本，最后计算出文本中每个单词分别出现的次数。Map阶段很简单，我们遍历出文本当中的单词，没遇到一个单词，就输出单词和数字1.
这样当然还是不够的，我们还需要把相同的单词聚合起来，清点一下看究竟出现了多少次，这时就要用到reducer了。reducer也很简单，我们读入的是Map输出的结果。由于key相同的数据都会进入到同一个reducer当中，所以我们不需要担心遗漏，只需要直接统计就行。
如果map结果不是key->value结构，那么Hadoop久没办法根据key进行排序，并将Key相同的数据归并在起义。那么我们reduce的时候，同一个单词就可能出现在不同的reducer当中，这样的结果显然是不正确的。
当然，如果我们只做一些简单的操作，也可以舍弃reduce阶段，只保留Map的结果。
现在看MapReduce的思想并不复杂，但当年大数据还未兴起的时候，MapReduce横空出世，既提升了计算性能，又保证结果准确。一举解决了大规模数据并行计算的问题。虽然如今技术更新，尤其是Spark的流行，抢走了Hadoop的许多荣光，但Mapreduce思想依旧在许多领域广泛使用，比如Python就支持MapReduce操作，允许用户自定义map和reduce函数，对数据进行并行处理。
不过，MapReduce也有短板，比如像数据库表join操作通过MapReduce就很难实现。而且相比后来的Hive赫尔Spark SQL来说，MapReduce的编码复杂度要更大一些。