入门大数据---Map/Reduce，Yarn是什么？

简单概括：Map/Reduce是分布式离线处理的一个框架。 Yarn是Map/Reduce中的一个资源管理器。

一.图形说明下Map/Reduce结构：

官方示意图：

　　

另外还可以参考这个：

流程介绍：

HDFS首先会把块进行逻辑上切片处理，然后进行Map映射。一个切片对应一个Map映射。

因为文件内容有可能一个单词被切到两个文件里面，这样计算就会有问题，所以Map映射时除了第一个切片完全映射，其余的映射都会从第二行开始映射，而第一行传递给上一个Map处理。

Map程序初始化会设定一个阈值，比如80%，当超过这个值的时候就会就会进行内存溢出。溢出前会进行一个【快速排序】，排完后写入硬盘分区。（不设置阈值，当内存满后，就会阻塞数据继续写入。设定的阈值根据实际情况设定，太小了会增加读写压力，太大了会产生阻塞。）

程序可以设置合并操作，当分区数超过设定值后就进行合并（combiner）。（比如分区＞3后）（合并后，相同key的数据就压缩了，拉取的时候就会减少IO）

Reduce会检查是否Map完，有一个Map完后就能拉取一次。

Reduce拉取的时候会有一个真迭代器和一个假迭代器进行嵌套，比如一组数据 A   1   A  1  A  1  B  1,假迭代器会进行循环然后取下一条数据进行比较看是否相同，相同的话进行累加值，再取下一条，这样下一条下一条的取，直到key不相同时候，结束本组循环，进行下一组循环。 这样A就统计出3，B就统计出1来了。

二.图形说明下Yarn的结构：

流程介绍：首先Client请求ResourceManager，然后ResourceManager分配一个Container启动ApplicationMaster，ApplicatoinMaster向ResourceManager请求分配更多Container。Container一部分执行Map任务，一部分执行Reduce任务。

三.图形说明下Map/Reduce和Yarn在整个Hadoop系统中的位置以及为什么产生Yarn：

由于产生了多种计算框架，所以需要一个资源管理器来对资源进行分配使用。

系列传送门  学习官网： http://hadoop.apache.org/