hadoop原理

　原理讲解::　　　https://www.cnblogs.com/mmzs/p/8031137.html#_label0_0

Hadoop项目主要包括以下四个模块

◆ Hadoop Common: 
为其他Hadoop模块提供基础设施 
◆ Hadoop HDFS: 
一个高可靠、高吞吐量的分布式文件系统 
◆ Hadoop MapReduce: 
一个分布式的离线并行计算框架 
◆ Hadoop YARN: 
一个新的MapReduce框架，任务调度与资源管理

 

Apache Hadoop起源

◆Apache Lucene 
开源的高性能全文检索工具包 
◆Apache Nutch 
开源的Web搜索引擎 
◆Google三大论文 
MapReduce/GFS/BigTable 
◆Apache Hadoop 
大规模数据处理

 

（基于磁盘IO进行迭代，开销较大）

◆将计算过程分为两个阶段：Map和Reduce 
Map阶段并行处理输入数据 ；
Reduce阶段对Map结果进行汇总 ；
◆ Shuffle链接Map和Reduce两个阶段（Shuffle通俗的理解就是重新洗牌，打乱原有顺序） 
Map Task将数据写到本地磁盘 ；
Reduce Task从每个Map Task上读取一份数据 ；
◆ 仅适合离线批处理 
具有很好的容错性和扩展性 ；
适合简单的批处理任务 ；
◆ 缺点明显： 
启动开销大，过多使用磁盘导致效率低下等；

map tasks的个数只要是看splitSize，一个文件根据splitSize分成多少份就有多少个map tasks。

该slave节点上有多少个MapTask运行，取决于该slave节点分配到了多少块（一般默认128M）；

slave的cpu是几核的会影响MapTask是单线程还是多线程，及其运行效率；

如果它出现问题，挂掉，会将没运行完的块交给其它slave节点重新运算；

 测试一、测试二、测试三、测试四、测试五、测试六、测试小结、

 

【测试中如果遇到没有输出结果，只有输出目录的情况；那么很可能是犯了小错误；比如：Mapper中的输入键值必须是LongWriteable和Text；outKey和outValue的类型不对，或者没有初始化；Driver类中Job任务没提交；

　　　　　　　　　　　　　　　　　　还有就是读取的文件中的数据在map中字段没有正确对应；数据中有的字段是脏数据，需要处理；导致匹配不成功，从而输出失败。