目录
一、MapReduce概述
1.1 MapReduce 定义
MapReduce是一个 分布式运算程序 的编程框架，是用户开发“基于 Hadoop的数据分析
应用”的核心框架。
MapReduce核心功能是将 用户编写的业务逻辑代码 和 自带默认组件 整合成一个完整的
分布式运算程序 ，并发运行在一个 Hadoop集群上。
1.2 MapReduce优缺点
优点分析：
1. MapReduce易于编程：它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce编程变得非常流行。
2. 良好的扩展性：当你的计算资源不能得到满足的时候，你可以通过简单的增加机器 来扩展它的计算能力。
3. 高容错性：MapReduce设计的初衷就是使程序能够部署在廉价的 PC机器上，这就要求它具有很高的容错性。比如 其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败 ，而且这个过程不需要人工参与，而完全是由 Hadoop内部完成的。
4. 适合 PB级以上海量数据的离线处理：可以实现上千台服务器集群并发工作，提供数据处理能力。
缺点分析：
1. 不擅长实时计算：MapReduce 无法像MySQL 一样，在毫秒或者秒级内返回结果。
2. 不擅长流式计算：流式计算的输入数据是动态的，而MapReduce 的输入数据集是静态的，不能动态变化。这是因为MapReduce 自身的设计特点决定了数据源必须是静态的。
3. 不擅长DAG（有向无环图）计算：多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。
1.3 MapReduce 核心思想
（1）分布式的运算程序往往需要分成至少2 个阶段。
（2）第一个阶段的MapTask 并发实例，完全并行运行，互不相干。
（3）第二个阶段的ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask 并发实例的输出。
（4）MapReduce 编程模型只能包含一个Map 阶段和一个Reduce 阶段，如果用户的业
务逻辑非常复杂，那就只能多个MapReduce 程序，串行运行。
1.4 MapReduce 进程
一个完整的MapReduce 程序在分布式运行时有三类实例进程：
（1）MrAppMaster：负责整个程序的过程调度及状态协调。
（2）MapTask：负责Map 阶段的整个数据处理流程。
（3）ReduceTask：负责Reduce 阶段的整个数据处理流程。
1.5 常用数据序列化类型
1.6 MapReduce 编程规范
用户编写的程序分成三个部分：Mapper、Reducer 和Driver。
1．Mapper阶段
（1）用户自定义的Mapper要继承自己的父类
（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）
（3）Mapper中的业务逻辑写在map()方法中
（4）Mapper的输出数据是KV对的形式（KV的类型可自定义）
（5）map()方法（MapTask进程）对每一个<K,V>调用一次
2．Reducer阶段
（1）用户自定义的Reducer要继承自己的父类
（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
（3）Reducer的业务逻辑写在reduce()方法中
（4）ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法
3．Driver阶段
相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象
二、WordCound 案例
需求分析：在给定的文本文件中统计输出每一个单词出现的总次数。按照MapReduce 编程规范，分别编写Mapper，Reducer，Driver。
2.1 环境准备
第一步：创建maven 工程，MapReduceDemo
第二步：在pom.xml 文件中添加如下依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>第三步：在项目的src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在
文件中填入。
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n2.2 编写程序
第一步：编写 Mapper类
public class Word C ountMapper extends Mapper < LongWritable, Text, Text,IntWritable > {
Text k = new Text();
IntWritable v = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException,
InterruptedException {
// 1 获取一行
String line = value.toString();
// 2 切割
String[] words = line.spli t(" ");
// 3 输出
for (String word: words) {
k.set(word);
context.write(k, v);
}
}
}第二步：编写 Reducer类
public class WordCountReducer extends Reducer < Text, IntWritable, Text,IntWritable > {
int sum;
IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable < IntWritable > values, Context context) throws IOException,
InterruptedException {
// 1 累加求和
sum = 0;
for (IntWritable count: values) {
sum += count.get();
// 2 输出
v.set(sum);
context.write(key, v);
}
}第三步：编写 Driver驱动类
public static void main(String[] args) throws I OException,
ClassNotFoundException, InterruptedException {
// 1 获取配置信息以及 获取 job 对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 关联本 Driver 程序的 jar
job.setJarByClass(Word C ountDriver.class);
// 3 关联 Mapper 和 Reducer 的 jar
job.setMapperClass(Word C ountMapper.class);
job.setReducerClass(Word C ountReducer.class);
// 4 设置 Mapper 输出的 kv 类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 5 设置最终输出 kv 类型
job.setOutputKeyCl ass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 6 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交 job
boolean result = job.waitForCompletion(tru e);
System.exit(result ? 0 : 1);
}
}三、MapReduce 工作流程
（1）MapTask 收集我们的map()方法输出的kv 对，放到内存缓冲区中
（2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
（3）多个溢出文件会被合并成大的溢出文件
（4）在溢出过程及合并的过程中，都要调用Partitioner 进行分区和针对key 进行排序
（5）ReduceTask 根据自己的分区号，去各个MapTask 机器上取相应的结果分区数据
（6）ReduceTask 会抓取到同一个分区的来自不同MapTask 的结果文件，ReduceTask 会将这些文件再进行合并（归并排序）
（7）合并成大文件后，Shuffle 的过程也就结束了，后面进入ReduceTask 的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）
Shuffle 机制：Map 方法之后，Reduce 方法之前的数据处理过程称之为Shuffle。
