《大数据日知录》读书笔记-ch11大规模批处理系统

MapReduce：

计算模型:

实例1：单词统计

实例2：链接反转

实例3：页面点击统计

系统架构：

在Map阶段还可以执行可选的Combiner操作，类似于Reduce，但是在Mapper side局部执行。

Hadoop的MapReduce和Google的很像，只是Hadoop采用HTTPS传输数据，采用归并排序（merge-sort）对中介结果Key排序。

MapReduce的特点及不足

优点：可扩展性（数千台机器）/高吞吐，细粒度容错性，编程简单

舍弃的特性：无高层抽象数据操作语言，数据无Schema及索引

缺点：单节点效率低，任务流描述单一

解决任务流描述单一：通用DAG计算模型，eg：Spark

不适合交互式查询或流式计算，不适合迭代运算（比如机器学习、数据挖掘）：Map/Reduce任务启动时间较长，多处磁盘读写和网络传输（比如中间结果落盘）

计算模式：

求和模式（数值求和、记录求和）

过滤模式（简单过滤、topK）

组织数据模式（数据分片、全局排序）

join模式：Reduce-side join（中间数据增加来源标记）、Map-side join（小数据表分发给所有Mapper，join期间使用hash查找），不需要Reduce阶段）

DAG计算模型：

Dryad、FlumeJava、Tez、Storm、Spark

三层结构