尚学堂 hadoop

mr spark storm 都是分布式计算框架，他们之间不是谁替换谁的问题，是谁适合做什么的问题。

mr特点，移动计算，而不移动数据。 把我们的计算程序下发到不同的机器上面运行，但是不移动数据。

每一个split 是由一个map线程，还是map进程进行处理？  肯定的是，他们之间是并发的。

mr的shuffle阶段，是比较难于理解的，不太便于我们去控制他，我们只能通过程序，控制其中的一部分。shuffle阶段，大多数都是有MR框架自动完成的。

溢写到磁盘中：map执行完成，结果肯定是放在内存中的。 所以达到一定数量之后，就需要溢写到磁盘中。在这之前，需要进行分区（partition）和把当前这个map的输出数据进行排序(sotred)
所以说，写到磁盘中的数据已经分好区了，并且已经排好序了。这都是在map任务所在节点的本地执行的。 其中partition暂时没有体现出作用。而是在fetch的过程中提现出来的。是按照什么
进行分区的呢？是看partition是怎么写的。partition可以由程序员自己写。按照程序员自己的规则实现。也可以不写，有默认的分区规则。默认分区规则是hash模运算（1,获取hash值
，是一个int。2，把这个int值对reduce的个数取模），默认的partition是有可能产生数据倾斜的。比如有两个reduce，没所有map产生的所有结果取模的时候，打个比方，
共有10个map结果，有9个都会1，只有1个为0，这就产生了数据倾斜。
mr如何解决数据倾斜问题和负载均衡。就是通过partition来实现的。如果发现数据倾斜问题，修改我们的partition算法就可以了。

排序，排序的关键是如何比较两个对象，mr自己也有自带的排序规则。默认的是按照对象所对应的ascii码值来排序的，或者说就是按照字典排序
分区不是立刻把数据都分开，而是打一个标号，标注，你是 1区的，你是2区的。在数据传输的 时候才会真正的分开，就是fetch阶段

merge ondisk每次溢写，都会产生一个文件，注意，不是追加，所以溢写次数越多，产生的文件数越多，怎么办呢，需要和并，和并成为一个大一点的文件，和并也有规则，默认按照
hash值和并。你的键的hash进行合并，键相同，就进行合并。合并规则也可以自定义。是combiner，就是每次合并，都会执行combiner的代码。  目的是加快拷贝速度，因为文件数量越少，拷贝越快。

溢写的时候，map任务可能还没有执行完，故可能一次map任务会有多次的溢写。所以会产生多个文件

把map结果的机器上把分给我这个reduce数据拷贝过来，拷贝是根据partition的结果来拷贝的。由于是从多个map的节点上拷贝数据，所以会有多个小文件，此时又会进行一次合并，这次
合并不能人为控制。这次合并，只要是key相同的都会进行合并，这个相同的key，可能来自于不同的map task。合并完成之后，相同key的数据都会在一起。分别传给reduce执行，这个
不是并发的，但是两个reduce是并发的。

比较会调用多次。
先partition，后入 memory buffer
partition是对map的每个结果的分区规则的运算

大数据的两个方向：
1.大数据变成和运维方向
2.数据建模方向，必须是统计学和数据学出来的人。