大数据入门(五)-分布式计算框架MapReduce

1 概述

源自于Google的MapReduce论文，发表于2004年12月。

Hadoop MapReduce是Google MapReduce的克隆版

优点

海量数量离线处理 易开发 易运行

缺点

实时流式计算

2 MapReduce编程模型 wordcount词频统计

MapReduce执行流程

• 将作业拆分成Map阶段和Reduce阶段
• Map阶段: Map Tasks
• Reduce阶段、: Reduce Tasks

MapReduce编程模型执行步骤

• 准备map处理的输入数据
• Mapper处理
• Shuffle
• Reduce处理
• 结果输出
• InputFormat

OutputFormat

OutputFormt接口决定了在哪里以及怎样持久化作业结果。Hadoop为不同类型的格式提供了一系列的类和接口，实现自定义操作只要继承其中的某个类或接口即可。你可能已经熟悉了默认的OutputFormat，也就是TextOutputFormat，它是一种以行分隔，包含制表符界定的键值对的文本文件格式。尽管如此，对多数类型的数据而言，如再常见不过的数字，文本序列化会浪费一些空间，由此带来的结果是运行时间更长且资源消耗更多。为了避免文本文件的弊端，Hadoop提供了SequenceFileOutputformat，它将对象表示成二进制形式而不再是文本文件，并将结果进行压缩。

3 核心概念

Split InputFormat OutputFormat Combiner Partitioner

3.1 Split

3.2 InputFormat 4 MapReduce 1.x 架构

5 MapReduce 2.x 架构

6 Java 实现 wordCount

7 重构

8 Combiner编程

9 Partitoner