01_MapReduce流程总结

1. MapReduce整体流程

1、 每个map，reduce都作为1个独立进程process启动（多进程并发方式，spark是多线程并发）

2、 由于进程空间独享，因此方便控制每个map, reduce任务的资源和调配，但进程的启动慢

3、 多线程运行的更快，因此spark有更高的时效性，缺点在于多线程带来的稳定性低（相比map, reduce）

2. Map: split->RR->map->partition tag->spill(sort)->merge

Inputformat如何保证Record记录完整性？

Inputformat包含Data Split、Record Reader两部分功能。 Inputformat根据block进行Split, 当有一个记录横跨在两个block上时，会将这条记录归属于前一个split (该split的大小就大于1个block大小)，从而保证记录不会被切散

3. Reduce:  copy- sort(merge) - reduce

4. MapReduce的Job管理

	所在位置	数量	作用
Job Tracker	可以和HDFS Namenode同机器部署，但大型集群会和namenode分开	1个集群只有1个JobTracker进程	1.处理来自JobClient的作业请求 2.处理TaskTracker每3秒发来的心跳，根据心跳进行作业调度（及“重新”调度），任务进度监控等 Note：通过“线程池” 来同时处理心跳和JobClient请求
Task Tracker	HDFS Datanode上	1个节点1个TaskTracker进程	1、每3秒汇报一次：1）正在运行的任务详情 2）可用的map, reduce任务数 2、map, reduce任务的执行

FAQ、在哪些节点上启动Map程序

Split计算后会知道每个split的大小以及位置，Map遵循就近原则，尽量在数据所在的datanode上启动map进程