MapReduce学习（1）

  MapReduce是一个编程模型，用以进行大数据量的计算

MapReduce是什么
  Hadoop MapReduce是一个软件框架，基于该框架能够容易地编写应用程序，这些应用程序能够运行在由上千个商用机器组成的大集群上，并以一种可靠的，具有容错能力的方式并行地处理上TB级别的海量数据集

Mapreduce的特点：
1.软件框架
2.并行处理
3.可靠且容错
4.大规模集群
5.海量数据集

MapReduce的思想就是“分而治之”

（1）Mapper负责“分”
  把复杂的任务分解为若干个“简单的任务”来处理。“简单的任务”包含三层含义：
1.数据或计算的规模相对原任务要大大缩小
2.就近计算原则，任务会分配到存放着所需数据的节点上进行计算
3.这些小任务可以并行计算彼此间几乎没有依赖关系

（2）Reducer负责对map阶段的结果进行汇总。
  至于需要多少个Reducer，可以根据具体问题，
  通过在mapred-site.xml配置文件里设置参数mapred.reduce.tasks的值，缺省值为1。

MapReduce的工作机制

MapReduce作业的4个对象
1.客户端（client）：编写mapreduce程序，配置作业，提交作业，这就是程序员完成的工作；
2.JobTracker：初始化作业，分配作业，与TaskTracker通信，协调整个作业的执行；
3.TaskTracker：保持与JobTracker的通信，在分配的数据片段上执行Map或Reduce任务，TaskTracker和JobTracker的不同有个很重要的方面，就是在执行任务时候TaskTracker可以有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode一样存在单点故障，我会在后面的mapreduce的相关问题里讲到这个问题的）
4.Hdfs：保存作业的数据、配置信息等等，最后的结果也是保存在hdfs上面

MapReduce的运行步骤
  首先是客户端要编写好mapreduce程序，配置好mapreduce的作业也就是job，
接下来就是提交job了，提交job是提交到JobTracker上的，这个时候JobTracker就会构建这个job，具体就是分配一个新的job任务的ID值

  接下来它会做检查操作，这个检查就是确定输出目录是否存在，如果存在那么job就不能正常运行下去，JobTracker会抛出错误给客户端，接下来还要检查输入目录是否存在，如果不存在同样抛出错误，如果存在JobTracker会根据输入计算输入分片（Input Split），如果分片计算不出来也会抛出错误，至于输入分片我后面会做讲解的，这些都做好了JobTracker就会配置Job需要的资源了。

  分配好资源后，JobTracker就会初始化作业，初始化主要做的是将Job放入一个内部的队列，让配置好的作业调度器能调度到这个作业，作业调度器会初始化这个job，初始化就是创建一个正在运行的job对象（封装任务和记录信息），以便JobTracker跟踪job的状态和进程。

  初始化完毕后，作业调度器会获取输入分片信息（input split），每个分片创建一个map任务。

  接下来就是任务分配了，这个时候tasktracker会运行一个简单的循环机制定期发送心跳给jobtracker，心跳间隔是5秒，程序员可以配置这个时间，心跳就是jobtracker和tasktracker沟通的桥梁，通过心跳，jobtracker可以监控tasktracker是否存活，也可以获取tasktracker处理的状态和问题，同时tasktracker也可以通过心跳里的返回值获取jobtracker给它的操作指令。

  任务分配好后就是执行任务了。在任务执行时候jobtracker可以通过心跳机制监控tasktracker的状态和进度，同时也能计算出整个job的状态和进度，而tasktracker也可以本地监控自己的状态和进度。当jobtracker获得了最后一个完成指定任务的tasktracker操作成功的通知时候，jobtracker会把整个job状态置为成功，然后当客户端查询job运行状态时候（注意：这个是异步操作），客户端会查到job完成的通知的。如果job中途失败，mapreduce也会有相应机制处理，一般而言如果不是程序员程序本身有bug，mapreduce错误处理机制都能保证提交的job能正常完成。

来源：东软睿道