版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dream_follower/article/details/83513171
谷歌公司最先提出了分布式并行编程模型MapReduce，Hadoop MapReduce是它的 开源实现，后者比前者使用门槛低很多。
MapReduce和传统的并行计算框架的比较
| 传统并行计算框架 | MapReduce | |
|---|---|---|
| 集群架构/容错性 | 共享式（共享式存储/共享内存） | 非共享式，容错性好 |
| 硬件/价格/扩展性 | 刀片服务器、高速网、SAN、价格贵，扩展性差 | 普通PC机，便宜，扩展性好 |
| 编程/学习难度 | what-how，难 | what，简单 |
| 使用场景 | 实时、细粒度计算、计算密集型 | 批处理、非实时、数据密集型 |
1.MapReduce模型简介
- MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和 Reduce
- 编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完
成海量数据的计算 - MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成 许多独立的分片（split），这些分片可以被多个Map任务并行处理
- MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动
数据需要大量的网络传输开销 - MapReduce框架采用了Master/Slave架构，包括一个Master和若干个Slave。Master上运行 JobTracker，Slave上运行TaskTracker
- Hadoop框架是用Java实现的，但是，MapReduce应用程序则不一定要用Java来写
2.MapReduce体系结构
MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker以及Task，如下图：
- Client 用户编写的MapReduce程序通过Client提交到JobTracker端,用户可通过Client提供的一些接口查看作业运行状态
- JobTracker 负责资源监控和作业调度 ,JobTracker会监控所有TaskTracker与Job的健康状况，一旦发现失败，就将相应的任务转移到其他节点，JobTracker 会跟踪任务的执行进度、资源使用量等信息，并将这些信息告诉任务 调度器（TaskScheduler），而调度器会在资源出现空闲时，选择合适的任务去使用这些资源
- TaskTracker TaskTracker 会周期性地通过“心跳”将本节点上资源的使用情况和任务的运行进 度汇报JobTracker，同时接收JobTracker 发送过来的命令并执行相应的操作（如启动新任务、杀死任务等），TaskTracker 使用“slot”等量划分本节点上的资源量（CPU、内存等）。一个Task 获取到一个slot 后才有机会运行，而Hadoop调度器的作用就是将各个TaskTracker 上的空闲slot分配给Task使用。slot 分为Map slot 和Reduce slot 两种，分别供 MapTask 和Reduce Task 使用
- Task Task 分为Map Task 和Reduce Task 两种，均由TaskTracker 启动
2.1 工作流程
2.2MapReduce各个执行阶段
- Split(分片) HDFS 以固定大小的block 为基本单位存储数据，而对于MapReduce 而言，其处理单位是split。split 是一个逻辑概念，它只包含一些元数据信息，比如数据起始位置、数据长度、数据所在节点等。 split的划分方法完全由用户自己决定。
- Map任务的数量 Hadoop为每个split创建一个Map任务，split 的多少决定了Map任务的数目。 大多数情况下，理想的分片大小是一个HDFS块
- Reduce任务的数量最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目，通常设置比reduce任务槽数目稍微小一些的Reduce任务个数（这样可以预留 一些系统资源处理可能发生的错误）
Shuffle过程详解
shuffle过程，是指对Map输出结果进行分区、排序、合并等处理并交给Reduce的过程，因此Shuffle过程可以分为Map端的操作和Reduce端的操作，
