（68） MR的概述&优缺点

MapReduce是一个分布式运算程序的编程框架，简单的说，就是一个 分布式计算框架，是Hadoop的核心所在。

MR的核心功能，是将用户编写的业务逻辑代码和自身组件相融合，整合成一个完整的分布式运算程序，并发运行在Hadoop集群上。

优点：

• 易于编程。用户只关心业务逻辑就可以；
• 良好的扩展性。可动态增加服务器节点，以解决计算资源不足的问题；
• 高容错性。如果有一台节点崩溃，不会影响整个集群的计算。其他可用节点会接过崩溃节点的任务，继续计算。
• 适合海量数据的计算。这里的海量，一般是指TB以上级别的。

缺点：

• 不擅长实时计算。无法达到mysql这种毫秒级查询，无法快速响应；
• 不擅长流式计算。指数据一条条过来，实时的流式计算。一般是spark streaming和flink适合做这个。MR的特性决定了其数据源必须是静态的。
• 不擅长DAG有向无环图。像是迭代计算，即DAG中，任务一的输出会作为任务二的输入，任务二的输出则会作为任务三的输入，以此类推，是一个链式的结构。MR不擅长处理这种，当然，只是不擅长，不是不支持。相比来讲，spark更适合用来处理这种任务。（ 因为spark的中间结果是基于内存的，而MR是基于磁盘，重复IO性能太低下 ）

（69）MR的核心思想

经典案例：统计一段话中每个单词出现的总次数，其中a~p的结果放在一个文件，q~z的结果放在一个文件里。

MR的计算分为两个阶段：Map阶段和Reduce阶段。

接下来我们以经典案例，来讲解MR的主要工作流程，如图：

1） Map阶段，是任务分配阶段，一般是按照块大小，每个MapTask负责处理一块数据。这个块一般是128M。

这个阶段的MapTask并发实例，完全并发运行，互不相干。

在我们刚说的这个案例里，MapTask中都做了些什么呢？

• 一行一行读数据，进行处理；
• 按照空格分割行内单词；
• 把切出来的单词，组成KV键值对（单词，1）
• 将所有的KV键值对，按照单词首字母，分成两个分区（ap分区和qz分区），导出至磁盘保存。

2） Reduce阶段，就是任务汇总统计阶段。

这一阶段的ReduceTask并发实例也是互不相干，但是它们依赖于Map阶段所有MapTask并发实例的输出。

在这个案例里，因为结果需要有2个文件，所以这里会有2个ReduceTask，一个负责汇总出ap，一个负责汇总出qz，并分别输出至文件。

在一个MR计算过程中，只能包含一个Map阶段和一个Reduce阶段。如果用户的业务逻辑过于复杂，那么可以创建多个MR计算程序，串行计算。这就相当于链式的有向无环图计算了。

一些问题细节：

• MapTask内部是如何工作的？
• ReduceTask内部是如何工作的？
• MapTask内部是如何排序、控制分区的？
• MapTask和ReduceTask之间是如何衔接的？

这些问题都将在后面一一解答。

MapReduce进程

一个完整的MR程序在分布式运行的时候，会产生三种类型的进程：

• MrAppMaster：是ApplicationMaster的子进程，负责整个Mr程序的过程调度及状态协调；
• MapTask：负责Map阶段的数据处理流程；
• ReduceTask：负责Reduce阶段的数据处理流程

MapTask和ReduceTask似乎都是yarnchild，这里仅供参考一下。

（70）官方WC源码&序列化类型

WordCount（即WC），这是Hadoop里一个很经典的MR案例，教程后面很多地方在讲解底层原理的时候都会以WC为例做讲解。

官方WordCount的源码在哪儿呢？

大概在Hadoop安装目录的share/hadoop/mapreduce/hadoop-mapreduce-example-xxx.jar，这里面存储了Hadoop的一些代码案例。

jar包反编译工具：jd-gui。

WC的源码里，核心是三个类：

• 主类，负责调度/驱动
• TokenizerMapper类，继承了Mapper
• IntSumReducer类，继承了Reducer

分工很明确。

另外，这里简单介绍下hadoop中常用的数据序列化类型，后面讲序列化的时候会用到：

Java类型	Hadoop Writable类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable
Null	NullWritable

（71）MR的编程规范

用户在编写一个完整的MR程序时，需要实现3个部分，即Mapper、Reducer和Driver。

Mapper

Mapper阶段：

• 用户自定义的Mapper，要继承对应的系统Mapper类；
• Mapper的输入数据需要是KV键值对的形式；
• Mapper中的业务逻辑，需要写在Mapper类里声明的map()方法里；
• Mapper的输出数据，也需要是KV对的形式；
• map()方法对每一个KV对，都调用一次；（每个KV都会跑一遍属于自己的map()方法）

Reducer

Reducer阶段：

• 用户自定义的Reducer，要继承对应的系统Reducer类；
• Reducer的输入类型跟Mapper的输出类型是要保持一致的。这个很好理解，串行的毕竟；
• Reducer的业务逻辑，需要写在Reducer类里声明的reduce()方法里；
• 在ReduceTask进程中，reduce()对==每一组相同K==的KV对，都调用一次；（所以这里容易发生数据倾斜）

注意，最后一条，Mapper跟Reducer是不一样的。Reducer是每一组相同K的KV对，进一个reduce()。

这个其实很好理解，Reducer阶段就是做汇总的，它是一个数据量减少的过程，其实就是一个把n条具有相同特征的数据，合并成一条数据的过程。

以WC举例，第一句话里字母a出现了3次，第二句话里字母a出现了4次，即mapper会分别输出两个键值对，即(a,3)和(a,4)，Reducer则会将这两个键值对输入同一个reduce()进行加和，并最终输出(a,7)。

Driver

Driver阶段：

相当于yarn集群的客户端，用于提交整个程序到YARN集群，具体提交的是什么呢？其实是封装了MR程序相关运行参数的一个job对象。所以驱动类里其实就是定义一些运行参数之类的。

（72）WordCount案例需求分析

一个标准的WordCount需求：统计给定的文本文件中，每一个单词出现的次数。

我们需要针对这个需求，编写对应的Mapper、Reducer和Driver。

这里就不展示代码了，只是展示一下各个类的主要功能。

Mapper负责：

• 将MapTask传过来的文本内容先转换成string；
• 根据空格将这一行切分成单词；
• 将切出来的单词，包装成键值对<单词，1>的形式；

Reducer负责：

• 将相同K的value值加在一起；
• 输出该K的总次数；

Driver阶段：

• 获取配置信息，获取job对象实例；
• 指定本程序的jar包所在的本地路径；
• 关联Mapper和Reducer业务类；
• 指定Mapper的输出类型（K和V是什么类型）；
• 指定最终输出的类型。（整个MR程序结束后的输出，而不是Reducer阶段的输出）
• 指定job的输入文件的所在目录；
• 指定job的输出结果的所在目录（输出目录不能提前存在？）；
• 提交作业；

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】