Hadoop Mapreduce的流程处理

MapReduce的输入输出

　　一个MapReduce作业的输入和输出类型：会有三组<key , value>键值对类型的存在

Mapreduce作业的处理流程

按照时间顺序包括：

　　输入分片（input split）

在进行map计算之前，mapreduce根据输入文件计算输入分片，每个输入分片针对一个map任务。

输入分片存储的并非数据本身，而是一个分片长度和一个记录数据的位置的数组，输入分片往往和hdfs的block关系很密切。

　　map阶段

程序员编写好map函数了，因此map函数效率相对好控制，而且一般map操作都是本地化操作也就是在数据存储节点上进行的。

　　combiner阶段

conbiner阶段是程序员可以选择的，combiner其实也是一种reduce操作，因此我们看到WordCount类里是用reduce进行加载的。

Combiner是一个本地化的reduce操作，它是map运算的后续操作，主要是在map计算出中间文件前做一个简单的合并重复key值的操作，例如我们对文件里的单词频率做统计，map计算时候如果碰到一个hadoop的单词就会记录为1，但是这篇文章里hadoop可能会出现n多次，那么map输出文件冗余就会很多，因此在reduce计算前对相同的key做一个合并操作，那么文件会变小，这样就提高了宽带的传输效率，毕竟hadoop计算力宽带资源往往是计算的瓶颈也是最为宝贵的资源，但是combiner操作是有风险的，使用它的原则是combiner的输入不会影响到reduce计算的最终输入。

　　shuffle阶段

将map的输出作为reduce的输入的过程就是shuffle。

　　reduce阶段

由程序员编写，最终结果存储在hdfs上。