1. MapReduce Architecture

MapReduce是一套可编程的框架，大部分MapReduce的工作都能够用Pig或者Hive完毕。可是还是要了解MapReduce本身是怎样工作的，由于这才是Hadoop的核心，而且能够为以后优化和自己写做准备。

 

Job Client, 就是用户

Job Tracker和Task Tracker也是一种Master - Slave构建

 

工作流程（MapReduce Pipeline）

 

Job Client提交了MapReduce的程序（比方jar包中的二进制文件）。所须要的数据，结果输出位置，提交给Job Tracker. Job Tracker会首先询问Name Node, 所须要的数据都在哪些block里面，然后就近选择一个Task Tracker(离这些所需数据近期的一个task tracker,可能是在同一个Node上或者同一个Rack上或者不同rack上)，把这个任务发送给该Task Tracker， Task Tracker来真正运行该任务。Task Tracker内部有Task Slots来真正运行这些任务。假设运行失败了。Task Tracker就好汇报给Job Tracker， Job Tracker就再分配给别的Task Tracker来运行。Task Tracker在运行过程中要不断的向Job Tracker汇报。最后Task Tracker运行完毕后，汇报给Job Tracker。Job Tracker就更新任务状态为成功。

 

注意，当用户提交一个MapReduce任务的时候，不只同一时候把任务提交给Job Tracker，同一时候还会拷贝一份到HDFS的一个公共位置（图中的咖啡位置），由于传递代码和命令相对要easy一些。然后Task Tracker就能够非常方便的得到这些代码。

 

详细步骤就是图中的7步。

2. MapReduce Internals

 

Split阶段：依据Input Format。把输入数据切割成小部分，该阶段与Map任务同一时候运行，切割后就放到不同的Mapper里面。

Input Format: 决定了数据怎样被切割放入Mapper。比方Log, 数据库，二进制码，等。

Map阶段：把切割后传入的splits转化成一些key-value对。怎样转化取决于用户代码怎么写的。

Shuffle & Sort阶段：把Map阶段得到的数据归类，然后送给Reducers。

Reduce阶段：把送入的Map数据（Key, Value）依照用户的代码进行整合处理。

Output Format: Reduce阶段处理完后。结果依照此格式放入HDFS的输出文件夹。

 

Imperative Programming Paradigm: 把计算当做一系列改变程序状态的过程。

也就是程序化编程。更加关注对象和状态。

 

Functional Programming Paradigm: 大致就是函数化编程，把一系列计算作为一个数学函数。Hadoop使用的是这样的编程范式。

有输入，有输出；没有对象没有状态。

 

为了优化起见，Hadoop还加入了很多其它的一个接口，combine阶段，见下图。主要是在输送到Shuffle/sort阶段前。如今本地进行一次小的Reduce计算。这样能够省非常多带宽（还记得job的代码放入一个公共区域了吗）

上面的整个过程看上去可能不那么直观，可是这是Hadoop最难理解的部分了。理解了这个流程（Hadoop Pipeline），就更easy理解以后的内容了。

 

3. MapReduce Example

 

举样例来说明，在实际的机器操作中Hadoop怎样完毕上述任务。

 

在Windows环境下安装了一个hyperV软件。里面有四个Hadoop节点。每一个Hadoop节点都是一个Ubuntu环境。

能够看到上面有一个Name Node,还有三个Data Node。

首先，连接上Name Node。而且打开一个Data Node节点。

进入Name Node的Ubuntu系统中。打开一个终端。输入jps，能够看到jvm里面正在运行的东西。

在Data Node机器中运行相同命令，能够看到里面运行着DataNode, Jps, TaskTracker三个内容。

 

首先进入Data Node的机器里面。到根文件夹以下创建一个文件，叫words.txt，文件内容就是上图中要分析的一些词。

第二步。把这个Words.txt文件放入HDFS中。

首先

hadoop/bin/hadoop fs -ls 

查看眼下HDFS中的文件

然后新建一个文件夹

Hadoop/bin/hadoop fs -mkdir /data

我们能够使用浏览器来看看HDFS中的文件系统

浏览器中输入hnname:50070，打开Web UI

能够再Live Nodes里面看到刚刚新建的data文件夹。运行

hadoop/bin/hadoop fs -copyFromLocal words.txt /data

然后words.txt就复制到/data文件夹下了。能够使用Web UI来验证。

 

第三步，运行MapReduce 任务。

这个任务是统计单词频率，这个任务已经由现成的jar包写好了，在hadoop/bin/文件夹下，hadoop-examples-1.2.0.jar. 这个文件中面有非常多非常多写好的MapReduce任务。

运行命令：

Hadoop/bin/hadoop jar hadoop/hadoop*examples.jar wordcount /data/words.txt /data/results

 

先指定jar包，再指定程序名wordcount, 再指定输入数据/data/words.txt 最后是输出文件夹/data/results， 没有文件夹会创建一个。

运行完毕后。能够通过Web UI来看运行结果。

我擦。原来的图片太多了发不了。不得不说删掉几张。

。。。