MapReduce学习总结之简介

执行步骤：1）准备Map处理的输入数据

2）Mapper处理

3）Shuffle

4）Reduce处理

5）结果输出

三、mapreduce核心概念：

1）split:交由MapReduce作业来处理的数据块，是MapReduce最小的计算单元。

HDFS：blocksize 是HDFS中最小的存储单元  128M
          默认情况下：他们两是一一对应的，当然我们也可以手工设置他们之间的关系（不建议）

2）InputFormat：
    将我们的输入数据进行分片(split):  InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;
    TextInputFormat: 处理文本格式的数据
    3）OutputFormat: 输出

4）Combiner:每一个map都可能会产生大量的本地输出，Combiner的作用就是对map端的输出先做一次合并，以减少在map和reduce节点之间的数据传输量，以提高网络IO性能，是MapReduce的一种优化手段之一,Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果

5)  Partitioner:是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。默认是对key hash后再以reduce task数量取模

一、MapReduce概述：

1）源于Google的MapReduce论文，论文发表于2004年12月

2）Hadoop MapReduce 是Google MapReduce的克隆版

3）MapReduce的优点：海量数据离线处理，易开发，易运行。

4）MapReduce的缺点：实时流计算

二、MapReduce编程模型 word count 入门例子

word count:统计文件中单词出现的次数

word count mapreduce 计算流程图如下：

执行步骤：1）准备Map处理的输入数据

2）Mapper处理

3）Shuffle

4）Reduce处理

5）结果输出

三、mapreduce核心概念：

1）split:交由MapReduce作业来处理的数据块，是MapReduce最小的计算单元。

HDFS：blocksize 是HDFS中最小的存储单元  128M
          默认情况下：他们两是一一对应的，当然我们也可以手工设置他们之间的关系（不建议）

2）InputFormat：
    将我们的输入数据进行分片(split):  InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;
    TextInputFormat: 处理文本格式的数据
    3）OutputFormat: 输出

4）Combiner:每一个map都可能会产生大量的本地输出，Combiner的作用就是对map端的输出先做一次合并，以减少在map和reduce节点之间的数据传输量，以提高网络IO性能，是MapReduce的一种优化手段之一,Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果

5)  Partitioner:是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。默认是对key hash后再以reduce task数量取模