hadoop-MapReduce分布式计算框架

计算框架：

MapReduce：主要用于离线计算

Storm：流式计算框架，更适合做实时计算

stack：内存计算框架，快速计算

MapReduce设计理念：

--何为分布式计算

--移动计算，而不是移动数据

4个步骤：

1.Splitting

2.Mapping：Map步骤有可能有多个Map task线程并发同时执行

3.Shuffing：合并和排序

4.Reducing

Hadoop计算框架Shuffler

　　在mapper和reducer中间的一个步骤

　　可以把mapper的输出按照某种key值重新切分和组合成n份，把key值符合某种范围的输出送到特定的reducer那里去处理

　　可以简化reducer过程

partition：分区

　　如果不进行分区，会有默认的分区  “哈希模运算”

　　1.获得 哈希值  -->得到一个整数（int） -->  模reduce的个数得到一个结果

　　分区 是为了把map的输出数据进行 负载均衡 或解决数据倾斜问题

　　map中不会出现数据倾斜问题，map的输入数据split（片段）事实上来源于dataNode的block块

　　默认的partition有可能产生数据倾斜问题

　　如果有 数据倾斜 问题，需要更改和优化partition

sort：排序

程序可以控制的地方

　　partition，sort（比较算法，默认按照字典排序（ASCII大小）），combiner

在spill to desk 时候出现 sort和combiner

Combiner 有可能不存在

MapReduce 的 Split 大小

-- max.split(100M)

-- min.split(10M)

-- block(64M)

-- max(min.split,min(max.split,block))

MapReduce 的架构

　　一主多从架构

　　主JobTracker：

　　　　负责调度分配每一个子任务task运行与TaskTracker上,如果发现有失败的task就重新分配其任务到其他节点.每一个hadoop集群中只有一个JobTracker.一般它运行在Master节点上

　　从TaskTracker：

　　　　TaskTracker主动与JobTracker通信，接受作业，并负责执行每一个任务，为了减少网络带宽TaskTracker最好运行咋HDFS的DataNode上

搭建：

1.指定JobTracker所在的机器

　　conf/mapred-site.xml

<configuration>
    <property>
        <name>mapred.job.tracker</name>
        <value>192.168.1.201:</value>
    </property>
</configuration>

2.如果TaskTracker配置在DataNode上，默认不需要配置

3.同步配置文件

[root@bogon conf]# scp ./mapred-site.xml root@192.168.1.202:~/hadoop-1.2./conf/

[root@bogon conf]# scp ./mapred-site.xml root@192.168.1.203:~/hadoop-1.2./conf/

4.启动

[root@bogon bin]# ./start-all.sh 

5.使用 jps 查看启动

　　192.168.1.201

[root@bogon bin]# jps
 Jps
 JobTracker
 NameNode
[root@bogon bin]# 

　　192.168.1.202

[root@localhost ~]# jps
 DataNode
 SecondaryNameNode
 Jps
 TaskTracker
[root@localhost ~]# 

　　192.168.1.203

[root@localhost ~]# jps
 TaskTracker
 Jps
 DataNode
[root@localhost ~]# 

使用 http://192.168.1.201:50030/ 查看

生成 eclipse 插件

hadoop-1.2.1\src\contrib\eclipse-plugin 在eclipse中编译成jar

将编译好的jar放入到eclipse的plugin中

eclipse版本不能太低也不能太高  使用4.4