第3章 Hadoop基础与原理
3.1 MapReduce原理介绍
3.1.1 MapReduce的框架介绍
MapReduce模型主要包含Mapper类和Reducer类两个抽象类。Mapper类主要负责对数据的分析处理，最终转化为key-value数据对；Reducer类主要获取key-value数据对，然后处理统计，得到结果。MapReduce实现了存储的均衡，但没有实现计算的均衡。MapReduce框架如图3-1所示。
图3-1 MapReduce框架
MapReduce主要包括JobClient、JobTracker、TaskTracker、HDFS 4个独立的部分。
1. JobClient
配置参数Configuration，并打包成jar文件存储在HDFS上，将文件路径提交给JobTracker的Master服务，然后由Master创建每个task将它们分发到各个TaskTracker服务中去执行。
2. JobTracker
这是一个Master服务，程序启动后，JobTracker负责资源监控和作业调度。JobTracker监控所有的TaskTracker和job的健康状况，一旦发生失败，即将之转移到其他节点上，同时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，而调度器会在资源出现空闲时，选择合适的任务使用这些资源。在Hadoop中，任务调度器是一个可插拔的模块，用户可以根据自己的需要设计相应的调度器。
3. TaskTracker
TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接受作业，并负责直接执行每个任务。TaskTracker会周期性地通过Heartbeat将本节点上资源的使用情况和任务的运行进度汇报给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。“slot”代表计算资源（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。TaskTracker通过slot数目（可配置参数）限定Task的并发度。
Task分为Map Task和Reduce Task两种，均由TaskTracker启动。HDFS以block块存储数据，MapReduce处理的最小数据单位为split。split如何划分由用户自由设置。split和block之间的关系如图3-2所示。
图3-2 split和block之间的关系
4. HDFS
HDFS相关内容在3.2节和3.3节介绍。
3.1.2 MapReduce的执行步骤
MapReduce的执行步骤如图3-3所示。
图3-3 MapReduce的执行步骤
1. Map任务处理
（1）读取HDFS中的文件。每一行解析成一个<k, v>。每一个键值对调用一次map函数。比如：<0, hello you>、<10, hello me>。
（2）覆盖map()，接收第（1）步产生的<k, v>，进行处理，转换为新的<k, v>输出。比如：<hello,1>、<you,1>、<hello,1>、<me,1>。
（3）对上面（1）（2）两步输出的<k, v>进行分区，默认分为一个区。
（4）对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。
• 排序后：<hello,1>、<hello,1>、<me,1>、<you,1>。
• 分组后：<hello, {1,1}>、<me, {1}>、<you, {1}>。
（5）（可选）对分组后的数据进行归约。
2. Reduce任务处理
（1）多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上（shuffle）。
（2）对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，<hello,2> <me,1> <you,1>处理后，产生新的<k, v>输出。
（3）对reduce输出的<k, v>写到HDFS中。