Haddop：Mapreduce

Hadoop的核心思想之一是mapreduce（分布式计算框架）
Compute：计算层（处理层）
HDFS：分治

一、What? 什么是MR

1、过滤性别为0的
循环处理每行记录，切割性别列，进行过滤
2、转换码值为字典值
read line，切割性别列，进行转换
3、展开字段为复合值
read line，切割性别列，进行转换

简单概括：
MAP：以一条记录为单位做映射。
REDUCE：以一组记录为单位做计算。
什么叫一组？分组！
分组依赖一种数据格式：key:value
k,v的实现：MAP实现的

1、思考：为啥叫MapReduce?

• Map：
  映射、变换、过滤
  一进N出
• Reduce：
  分解、缩小、归纳
  一组进N出
• （KEY,VAL）
  键值对的键划分数据分组

2、MapReduce逻辑架构

MapReduce逻辑架构

1）蓝色框（方法）
2）虚线框（任务task）
3）part分区（包含若干组）
4）Split分片：逻辑划分，不包含具体数据，只包含这些数据的位置信息，一个Split只会包含一个File的block，不会跨文件

块、切片、map、reduce、组、分区的关系：

1）bloock:split=1:1,1:N,N:1,
2）split:map=1:1
3）map:reduce=N:1,1:1,N:N,1:N
4）group(key):partiton=1:1,N:1,N:N

总结：

MR：数据以一条记录为单位，经过map方法映射成kv键值对，相同的key为一组，这一组数据调用一次reduce方法，在方法内迭代计算一组数据。（迭代器模式）

经验：数据集一般是用迭代计算的方式

详情：map到reduce线性发展顺序关系。map并行度，由计算层切片split的数量决定（可调的窗口机制，split默认=Block（文件），一般不会调），split与map为1:1的关系，切片split里面要格式化format出一条记录，以一条记录为单位调用一次map方法（map方法以记录为单位调用），map的输出是k,v（kv完成分组的事情，相同的k为一组，一组数据调用一次reduce方法，一组数据不能被破坏），每个reduce拉取属于自己的分区的数据（一个reduce任务一个分区，每个分区包含若干组），reduce的个数由人决定（reduce并行度）。

1.一个map只会处理一个Split
2.map处理完的数据会分成不同的partition
3.一类partition对应一个reduce
那么一个mr程序中 map的数量是由split的数量决定的，reduce的数量是由partiton的数量决定的。

3、MapReduce执行过程

MapReduce执行过程

1、input split：切片会格式化出记录，以记录为单位调用map方法
2、map：map的输出映射成kv，kv会参与一次分区计算，拿着key算出P分区号，最终输出k,v,p（相同的k，p是一样的）
3、buffer内存缓冲区：默认为100M，分区排序，内部有序外部无序，先快速排序后归并排序
4、内存缓冲区溢写磁盘时做一个2次排序，分区有序，且分区内key有序，未来相同的一组key会相邻的排在一起。一次写入（一次用户态与内核态的切换）
5、map Task的输出是一个文件，存在本地文件系统中
6、reduce的归并排序其实可以和reduce方法的计算同时进行，尽量减少IO，因为有迭代器模式的支持。

迭代器模式是批量计算中非常优美的实现形式。

Mapreduce的执行步骤：

MapReduce的执行过程主要包含是三个阶段：Map阶段、Shuffle阶段、Reduce阶段

一、Map任务处理
1）读取HDFS中的文件，每一行解析成一个。每一个键值对调用一次map函数。
2）覆盖map(),接收1.1产生的，进行处理，转换为新的输出。
3）对1.2输出的进行分区。默认分为一个区。
4）对不同分区中的数据进行排序（按照k）、分组。分组指的是相同的key的value放到一个集合中。排序后 分组后：
5）（可选）对分组后的数据进行归约。

二、Shuffle
Shuffle,翻译成中文是混洗。mr没有排序是没有灵魂的，shuffle是mr中非常重要的一个过程。他在Map执行完，Reduce执行前发生。

Shuffle阶段横跨Map端和Reduce端，在Map端包括Spill过程，在Reduce端包括copy和merge/sort过程。通常认为Shuffle阶段就是将map的输出作为reduce的输入的过程。

1、Map阶段的shuffle
数据经过用户自定的map函数处理完成之后，数据会放入内存中的环形缓冲区之内，他分为两个部分，数据区和索引区。数据区是存放用户真实的数据，索引区存放数据对应的key值，partition和位置信息。当环形缓冲区数据达到一定的比例后，会将数据溢写到一个文件之中，即途中的spill（溢写）过程。
在溢写前，会将数据根据key和partition进行排序，排好序之后会将数据区的数据按照顺序一个个写入文件之中。这样就能保证文件中数据是按照key和parttition进行排序的。最后会将溢写出的一个个小文件合并成一个大的文件，并且保证在每一个partition中是按照Key值有序的。

总结:
Collect阶段将数据放进环形缓冲区，缓冲区分为数据区和索引区。
Sort阶段对在同一partition内的索引按照key排序。
Spill阶段跟胡排好序的索引将数据按照顺序写到文件中。
Merge阶段将Spill生成的小文件分批合并排序成一个大文件。

2、Reduce阶段的shuffle
reduce节点会将数据拷贝到自己的buffer缓存区中，当缓存区中的数据达到一定的比例的时候，同样会发生溢写过程，我们任然要保证每一个溢写的文件是有序的。与此同时，后台会启一个线程，将这些小文件合并成一个大文件，经过一轮又一轮的合并，最后将这些文件合并成一个大的数据集。在这个数据集中，数据是有序的，相同的key值对应的value值是挨在一起的。最后，将这些数据交给reduce程序进行聚合处理。

总结：
Copy阶段将Map端的数据分批拷贝到Reduce的缓冲区。
Spill阶段将内存缓存区的数据按顺序写到文件中。
Merge阶段将溢出的文件合并成一个排序的数据集。

三、Reduce任务处理
1）多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。
2）对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，　
处理后，产生新的输出。
3）对reduce输出的写到HDFS中。

参考资料：
https://www.cnblogs.com/lfxiao/p/10770051.html
https://www.jianshu.com/p/d1e7b4ff3810