MapReduce是Hadoop开源大数据包的重要计算工具，后期的Spark、Storm等组件均采用MapReduce的计算模型。而MapReduce在工作时，实际与HDFS在一起工作。接下来我用一个案例来解析MapReduce的工作流程。
1、Java程序采用MapReduce的SDK开发包进行程序开发。实际程序启动时，将在客户端创建一个JobClient端，正式开启一个MapReduce实例。
2、JobClient通过getNewJobId()接口向Master节点中的JobTracker请求创建一个新的MapReduce作业。
3、JobClient将程序执行JAR包、配置文件、数据块，下发到HDFS中属于JobTracker的目录下。
4、完成以上准备工作后，JobClient调到JobTrakcer的submitJob()接口提交作业。
5、JobTracker将提交的作业放入作业队列中等待作业调度。
6、JobTrakcer从HDFS中取出JobClient放好的数据，并创建对应数据的Map任务及Reduce任务。
7、接下来，JobTracker将空闲的TaskTracker分配具体的Map任务和Reduce任务。正常情况下，HDFS存储的服务器与Map任务服务器应在同一台服务器，以减少数据在不同服务器的copy时间。
8、被分配了任务的TaskTracker从HDFS文件中取出所需的文件，包括JAR包和数据文件，存入本地磁盘，并启动TaskRunner程序。
9、TaskRunner在本地创建出MapTask或ReduceTask。该两个子程序会定时与TaskRunner报告进度，直到任务完成。
至此，整个MapReduce程序完成。
大家会发现，MapReduce程序处理流程非常复杂，最关键的为数据的下发、数据的调度全部基于磁盘，任务的调度、磁盘的数据读取成为MapReduce效率不高的主要原因。因此MapReduce主要用于离线数据处理，数据量越大，其大数据计算处理的作用越明显。
希望以上文章能帮到您。
更多内容实时更新，请访问公众号。 