Map Reduce
1、Map Reduce的思想核心是"先分再合，分而治之"
所谓"分而治之"就是把一个复杂的问题，按照一定的"分解"方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，最后把各部分的结果组成问题的最终结果
Map表示第一阶段，负责"拆分"：即把复杂任务分解为若干个简单的子任务来并行处理，可以进行拆分的前提是这些小任务可以并行计算，彼此之间没有依赖关系。
Reduce表示第二阶段，负责"合并"：即对map阶段的结果进行全局汇总
这两个阶段合起来就是MapReduce思想的体现。
2、MapReduce设计构思
构建抽象编程模型
MapReduce借鉴了函数式语言中的思想，用Map和Reduce两个函数提供了高层的并行编程抽象模型
Map：对一组数据元素进行某种重复式的处理
reduce：对map的中间结果进行某种进一步的结果整理
分布式计算概念
分布式计算是一种计算方法，和集中式计算式相对的
随着计算技术的发展，有些应用需要非常巨大的计算能力才能完成，如果采用集中式计算，需要耗费很多时间。
分布式计算将该应用拆分成许多小的部分，分配给多台计算机进行处理，这样可以节约整体计算时间，大大提高计算效率
Map Reduce介绍
是一个分布式计算框架，用于轻松编写分布式应用程序，这些应用程序以可靠，容错的方式并行处理大型硬件集群上的大量数据
MapReduce 是一种面向海量数据处理的一种指导思想，也是用于对大规模数据进行分布式计算的编程模型。
- 易于编程
MapReduce框架提供了用于二次开发的接口，简单的实现一些接口，就可以完成一个分布式程序，任务计算交给计算框架取处理，将分布式程序部署到hadoop集群上运行，集群节点可以扩展到成百上千个 - 良好扩展性
当计算机资源不能得到满足的时候，可以通过增加机器来扩展它的计算额能力。基于MapReduce的分布式计算的特点可以随节点数保持近似于线性的增长。 - 高容错性
Hadoop集群式分布式搭建和部署，任何单一机器节点宕机，它可以把上面的计算任务转移到另一个节点上运行，不影响整个作业的完成，过程完全是由hadoop内部完成 - 适合海量数据的离线处理
- 可以处理GB、TB和PB级别的数据量
相比其他Spark Flink，这些非常快，但是它们在内存中计算不够稳定，相比较MapReduce更加稳定。
局限性：
实时计算性能差
MapReduce主要用于离线作业，无法做到秒级或者亚秒级的数据响应
不能进行流式计算
流式计算的特点是数据是源源不断的计算，并且数据是动态的；而MapReduce作为离线计算框架，主要针对静态数据，数据是不能动态变化的。所以实时领域MapReduce几乎没有容身之地，着重在离线计算领域。
MapReduce实例进程
一个完整的MapReduce程序在分布式运行时有三类
- MRAppMaster：负责整个MR程序的过程调度及状态协调
- MapTask：负责map阶段的整个数据处理流程
- ReduceTask：负责reduce阶段的整个数据处理流程
阶段组成：一个MapReduce编程模型中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段
不能由多个map阶段，多个Reduce阶段的情况出现
如果用户的业务非常复杂，那就只能多个MapReduce程序串行运行
注意：整个MapReduce程序中，数据都是以kv键值对的形式流转的
官方示例
示例一：计算圆周率
示例程序路径： 安装包路径/hadoop/share/hadoop/mapreduce
示例程序：hadoop-mapreduce-examples-3.3.0.jar
MapReduce程序提交命令 ：[hadoop jar|yarn jar] hadoop-mapreduce-examples-3.3.0.jar args…
提交到Yarn集群上分布式执行。
案例：评估圆周率的值
这里计算圆周率的方法是蒙特卡洛算法
10就是进行10次，每次撒点50，最后求平均，数越大得出结果越精准。这里是感受如何提交计算任务
# 第一个参数：pi表示MapReduce程序执行圆周率计算任务
# 第二个参数：用于指定map阶段运行的任务task次数，并发度，这里是10
# 第三个参数：用于指定每个map任务取样的个数，这里是50
hadoop jar hadoop-mapreduce-examples-3.3.4.jar pi 10 50
示例二：wordCount 单词统计次数
WordCount算是大数据计算领域经典，相当于hello world
虽然WordCount业务及其简单，但是通过案例感受背后MapReduce的执行流程和默认的行为机制，这才是关键
# 参数一：wordcount 代表要执行的动作
# 参数二：输入路径
# 参数三：输出路径，输出路径不能已经存在
hadoop jar hadoop-mapreduce-examples-3.3.4.jar wordcount /input /output
第一个文件大小为0，这是一个成功失败的标识文件
Map阶段执行过程：
第一阶段：把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划，默认Split size = Block size(128M)，每一个切片由一个MapTask处理
第二阶段：对切片中的数据按照一定的规则读取解析返回 <key,value>对，默认是按行读取。key是每一行的起始位置偏移量，value是本行文本内容
第三阶段：调用Mapper类中的map方法处理数据，每读取解析出来一个<key，value>调用一次map方法
第四阶段：按照一定的规则对Map输出的键值对进行分区，默认不分区，因为只有一个reducetask，分区的数量就是reducemask运行的数量
第五阶段：Map输出数据写入内存缓冲区，达到比例溢出到磁盘上，溢出spill的时候根据key进行排序sort，默认根据key字典序排序
第六阶段：对所有溢出文件进行最终的merge合并，成为一个文件
Reduce阶段执行过程：
第一阶段：ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据
第二阶段：把拉取来的数据全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序
第三阶段：是对排序后的键值对调用reduce方法，键相等的键值对调用一次reduce方法，最后把这些输出的键值对写入到HDFS文件中
shuffle概念：
在MapReduce中，shuffle更像是洗牌的逆过程，指的是将map端的无规则输出按指定的规则"打乱"成具有一定规则的数据，以便reduce端接收处理
一般把从Map产生输出开始到Reduce取得数据作为输入之前的过程成为shuffle
这也是MapReduce处理过程慢的问题所在，就拿wordcount来说，map产出文件在内存，溢出之后到磁盘，通过网络传输到reduce内存，由合并到磁盘，就涉及了多次IO
YARN
Apache Hadoop YARN(Yet Another Resource Negotiator，另一种资源协调者)，是一种新的Hadoop资源管理器。
YARN是一个通用资源管理系统和调度平台，可为上层应用提供统一的资源管理和调度
它的引入为集群在利用率、资源统一管理和数据共享方面带来了巨大好处。
资源管理系统：集群的硬件资源，和程序运行相关，比如：内存、CPU等
调度平台：多个程序同时申请计算资源时如何分配，调度的规则(算法)
通用：不仅仅支持MapReduce程序，理论上支持各种计算程序。YARN不关心你干什么，只关心你要资源，在有的情况下给你，用完之后还我。
可以把Hadoop Yarn理解为相当于一个分布式的操作系统平台，而MapReduce等计算程序则相当于运行于操作系统之上的应用程序，YARN为这些程序提供运算所需的资源
Hadoop能有今天这个地位，YARN是功不可没，因为有了YARN，更多计算框架可以接入到HDFS中，而不单单是MapReduce，正是因为YARN的包容，使得其他计算框架能够专注于计算性能的提升。
HDFS可能不是最优秀的大数据存储系统，但却是应用最广泛的大数据存储系统，YARN功不可没
YARN中有一个关键组件—Resource Scheduler
它是 ResouceManager的内部组件之一，Scheduler 完全专用于调度作业，它无法跟踪应用程序的状态。
Hadoop提供了三种调度策略： FIFO Scheduler（先进先出调度器） Capacity Scheduler（容量调度器） Fair Scheduler（公平调度器）
默认使用的 Capacity Scheduler
如果需要使用其他调度器，可以在yarn-site.xml中的yarn.resourcemanager.shceduler.class进行配置
没有最好的，只有最符合业务的。
FIFO Scheduler（先进先出调度器）： 先来的先执行，后来的后执行。优先级无法调整。
Capacity Scheduler（容量调度器）：默认方式，该策略允许多个组织共享整个集群资源。
Fair Scheduler（公平调度器）：如图，有两个用于作业，A用于先来，1占据了所有资源，B用户来了之后，根据用户平分资源。B有两个作业，2和3平分B用户资源
