MapReduce架构与执行流程

一、MapReduce是用于解决什么问题的？

每一种技术的出现都是用来解决实际问题的，否则必将是昙花一现，那么MapReduce是用来解决什么实际的业务呢？

首先来看一下MapReduce官方定义：

总结一句话：MapReduce就是批量处理海量数据的分布式计算框架。

在数据规模比较小时，如果要批量处理一些数据，通常都是在凌晨跑一个或者多个定时任务，定时任务直接连接业务库，从业务库中读取然后批量处理，但是当业务规模逐渐大了之后，像凌晨跑定时任务的方式已不足以支撑业务开展，这时分布式计算诞生了，分布式计算将一个很大的任务切分成很小的子任务，然后将子任务分发到集群上的节点上去执行，执行完之后在合并结果并对外提供服务，MapReduce就是用来解决这种业务场景的。

二、MapReduce架构

< 未完>

三、MapReduce执行流程

执行流程说明：

1. 如果在HDFS上存在一份数据，这份数据被分成4个Block存储（这里假设一个Block就是一个Record）, 当MapReduce处理这份数据时，会启动4个Map Task去批量处理，输出的结果是键值对形式

2. Map Task将输出结果写入内存缓冲区（memory buffer），并根据设定Reduce个数据对内存缓冲区里的数据做partition，这时候内存缓冲区的数据有键值对形式变成三元组的形式，如上图（Partition结果），三元组第一个元素为分区号，表示该行数据会分到哪个区。

3. 做完partition之后接着就是sort， 这里排序有2次

　　3.1 第一次排序：对分区号做排序

　　3.2 第二次排序：对每个分区里的数据做排序

　　2次排序之后得到的结果如上图中红框所示

4. 如果Map Task输出的数据量很大，超过100M。当达到80M时spill线程会将结果溢写到磁盘，在磁盘上可能会产生很多个spill文件，

5. 当所有的Map Task执行完之后，MapReduce框架将多个spill文件merge成一个大的文件，这个大文件也是分区好了的

6. 这时TaskTracker通过心跳上报JobTracker， 告诉JobTracker Map Task任务已经跑完了，JobTracker将分配Reduce资源，然后TaskTracker将第5步骤里的大文件按分区号远程拷贝到Reduce机器上

7. Reduce Task对Map Task输出的结果处理，然后生成处理结果写入到HDFS上。注意：一个Reduce Task产生一个文件。