從這篇文章開始，我會開始系統性地輸出在大數據踩坑過程中的積累，后面會涉及到實戰(zhàn)項目的具體操作，目前的規(guī)劃是按照系列來更新，力爭做到一個系列在5篇文章之內總結出最核心的干貨，如果是涉及到理論方面的文章，會以畫圖的方式來講解，如果是涉及到操作方面，會以實際的代碼來演示。

這篇是MapReduce系列的第一篇，初識MapReduce的應用場景，在文章后面會有關于代碼的演示。

Hadoop作為Apache旗下的一個以Java語言實現的分布式計算開源框架，其由兩個部分組成，一個是分布式的文件系統HDFS，另一個是批處理計算框架MapReduce。這篇文章作為MapReduce系列的第一篇文章，會從MapReduce的產生背景、框架的計算流程、應用場景和演示Demo來講解，主要是讓大家對MapReduce的這個批計算框架有個初步的了解及簡單的部署和使用。

目錄

MapReduce的產生背景

MapReduce的計算流程

MapReduce的框架架構

MapReduce的生命周期

應用場景

演示Demo

MapReduce的產生背景

Google 在2004年的時候在 MapReduce： Simplified Data Processing on Large Clusters 這篇論文中提出了MapReduce 的功能特性和設計理念，設計MapReduce 的出發(fā)點就是為了解決如何把大問題分解成獨立的小問題，再并行解決。例如，MapReduce的經典使用場景之一就是對一篇長文進行詞頻統計，統計過程就是先把文章分為一句一句，然后進行分割，最后進行詞的數量統計。

MapReduce的架構圖

MapReduce的架構圖

這里的Client和TaskTracker我都使用一個來簡化了，在實際中是會有很個Client和TaskTracker的。

我們來講解下不同的組件作用

Client

Client的含義是指用戶使用MapReduce程序通過Client來提交任務到Job Tracker上，同時用戶也可以使用Client來查看一些作業(yè)的運行狀態(tài)。

Job Tracker

這個負責的是資源監(jiān)控和作業(yè)調度。JobTracker會監(jiān)控著TaskTracker和作業(yè)的健康狀況，會把失敗的任務轉移到其他節(jié)點上，同時也監(jiān)控著任務的執(zhí)行進度、資源使用量等情況，會把這些消息通知任務調度器，而調度器會在資源空閑的時候選擇合適的任務來使用這些資源。

任務調度器是一個可插拔的模塊，用戶可以根據自己的需要來設計相對應的調度器。

TaskTracker

TaskTracker會周期性地通過Hearbeat來向Job Tracker匯報自己的資源使用情況和任務的運行進度。會接受來自于JobTaskcker的指令來執(zhí)行操作（例如啟動新任務、殺死任務之類的）。

在TaskTracker中通過的是slot來進行等量劃分一個節(jié)點上資源量，只用Task獲得slot的時候才有機會去運行。調度器的作用就是進行將空閑的slot分配給Task使用，可以配置slot的數量來進行限定Task上的并發(fā)度。

Task

Task分為Map Task和Reduce Task，在MapReduce中的 split 就是一個 Map Task，split 的大小可以設置的，由 mapred．max．spilt．size 參數來設置，默認是 Hadoop中的block的大小，在Hadoop 2．x中默認是128M，在Hadoop 1．x中默認是64M。

在Task中的設置可以這么設置，一般來講，會把一個文件設置為一個split，如果是小文件，那么就會存在很多的Map Task，這是特別浪費資源的，如果split切割的數據塊的量大，那么會導致跨節(jié)點去獲取數據，這樣也是消耗很多的系統資源的。

MapReduce的生命周期

MapReduce的生命周期

一共分為5個步驟：

作業(yè)的提交和初始化

由用戶提交作業(yè)之前，需要先把文件上傳到HDFS上，JobClient使用upload來加載關于打包好的jar包，JobClient會RPC創(chuàng)建一個JobInProcess來進行管理任務，并且創(chuàng)建一個TaskProcess來管理控制關于每一個Task。

JobTracker調度任務

JobTracker會調度和管理任務，一發(fā)現有空閑資源，會按照一個策略選擇一個合適的任務來使用該資源。

任務調度器有兩個點：一個是保證作業(yè)的順利運行，如果有失敗的任務時，會轉移計算任務，另一個是如果某一個Task的計算結果落后于同一個Task的計算結果時，會啟動另一個Task來做計算，最后去計算結果最塊的那個。

任務運行環(huán)境

TaskTracker會為每一個Task來準備一個獨立的JVM從而避免不同的Task在運行過程中的一些影響，同時也使用了操作系統來實現資源隔離防止Task濫用資源。

執(zhí)行任務

每個Task的任務進度通過RPC來匯報給TaskTracker，再由TaskTracker匯報給JobTracker。

任務結束，寫入輸出的文件到HDFS中。

MapReduce 的計算流程

先來看一張圖，系統地了解下 MapReduce 的運算流程。

MapReduce的運算流程

為了方便大家理解，重新畫了一張新的圖，演示的是關于如何進行把一個長句進行分割，最后進行詞頻的統計（已忽略掉標點符號）。

簡單的實操例子

整個過程就是先讀取文件，接著進行split切割，變成一個一個的詞，然后進行 map task 任務，排列出所有詞的統計量，接著 sorting 排序，按照字典序來排，接著就是進行 reduce task，進行了詞頻的匯總，最后一步就是輸出為文件。例如圖中的 spacedong 就出現了兩次。

其中對應著的是 Hadoop Mapreduce 對外提供的五個可編程組件，分別是InputFormat、Mapper、Partitioner、Reduce和OutputFormat，后續(xù)的文章會詳細講解這幾個組件。

用一句話簡單地總結就是，Mapreduce的運算過程就是進行拆解－排序－匯總，解決的就是統計的問題，使用的思想就是分治的思想。

MapReduce的應用場景

MapReduce 的產生是為了把某些大的問題分解成小的問題，然后解決小問題后，大問題也就解決了。那么一般有什么樣的場景會運用到這個呢？那可多了去，簡單地列舉幾個經典的場景。

計算URL的訪問頻率

搜索引擎的使用中，會遇到大量的URL的訪問，所以，可以使用 MapReduce 來進行統計，得出（URL，次數）結果，在后續(xù)的分析中可以使用。

倒排索引

Map 函數去分析文件格式是（詞，文檔號）的列表，Reduce 函數就分析這個（詞，文檔號），排序所有的文檔號，輸出（詞，list（文檔號）），這個就可以形成一個簡單的倒排索引，是一種簡單的算法跟蹤詞在文檔中的位置。

Top K 問題

在各種的文檔分析，或者是不同的場景中，經常會遇到關于 Top K 的問題，例如輸出這篇文章的出現前5個最多的詞匯。這個時候也可以使用 MapReduce來進行統計。

演示Demo

今天的代碼演示從Python和Java兩個版本的演示，Python版本的話便是不使用封裝的包，Java版本的話則是使用了Hadoop的封裝包。接下來便進行演示一個MapReduce的簡單使用，如何進行詞匯統計。