MapReduce

简介

MapReduce是一种编程模型，用于大规模数据集的并行运算。

MR有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。

运算过程

执行步骤

• Map

  • 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。

  • 覆盖map()，接收1.1产生的，进行处理，转换为新的输出。

  • 对1.2输出的进行分区。默认分为一个区。

  • 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key的value放到一个集合中。

  • （可选）对分组后的数据进行归约。

• Reduce

  • 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。（shuffle）

  • 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。

  • 对reduce输出的写到HDFS中。