mapreduce的应用开发步骤

　　前言

　　MapReduce是Google提出的一个软件架构，用于大规模数据集（大于1TB）的并行运算。概念“Map（映射）”和“Reduce（规约）”，和它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。MapReduce极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（规约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

　　关于mapreduce的应用开发

　　第一步：清楚问题是什么，确定解决问题的算法思路。

　　第二步：设计和实现mapreduce程序中的Mapper接口，Reducer接口。它们是MapReduce作业的核心。 （0.20.2以后的API使用Mapper和Reducer抽象类，这样便于扩展）

　　Mapper Mapper 将输入一个的key/value映射到0个或者多个中间格式的key/value形式。用户需要实现map（WritableComparble，Writalbe，OutputCollector，Reporter）方法完成输入到输出的处理。同时可以选择重写JobConfigurable.configure（JobConf）方法完成Mapper的初始化工作；重写Closeable.close（）方法执行Mapper的清理工作。因为MapReduceBase实现了JobConfigurable和Closeable接口，因此程序只要继承MapReduceBase就可以。程序通过调用OutputCollector.collect（WritableComparable，Writable）

　　方法收集输出的键值对（Mapper输出键值对不需要与输入键值对的类型一致），通Reporter报告进度，更新Counters表明自己正常运行。至此Mapper过程结束，下面进入Sort&Shuffle过程。

　　Sort&Shuffle

　　得到mapper输出的中间结果后，传递给Reducer执行前会经历一个分组-》合并-》分配的过程。

　　1. 框架会按照key值，把所有中间结果的进行分成组。用户可以通过 JobConf.setOutputKeyComparatorClass（Class）来指

　　定具体负

　　责分组的Comparator。

　　2. 用户可以通过JobConf.setCombinerClass（Class）指定一个combiner，它负责对中间过程的输出进行本地的聚集，这会有助于降低从Mapper到Reducer数

　　据传输量。（如WordCount会把key值相同的次数累加）

　　3. 用户可以指定或者自定义实现Partitioner来控制具体的key被分配到那个Reducer。Partitioner通常使用的是Hash函数。HashPartitioner是默认的Partitioner。Partitioner分块的总数目和一个作业的reduce任务的数目是一样的。

mapreduce的应用开发步骤

　　Sort&Shuffle的过程至此结束，Reducer过程开始。

　　Reducer Reducer会把Mapper的输出作为输入，因此Reducer的输入类型需要与Mapper的输出类型一致，Reducer任务会将输入的key/value归并为一个更小的结果集。用户需要实现 reduce（WritableComparable， Iterator， OutputCollector， Reporter）方法来对输入的key/value进行处理，同Mapper过程一样，用户可以选择重写JobConfigurable.configure（JobConf）方法完成Mapper的初始化工作，重写Closeable.close（）

　　方法执行Mapper的清理工作。用户可以通过JobConf.setNumReduceTasks（int）来设定一个作业中reduce任务的数目。 Reduce任务调用OutputCollector.collect（WritableComparable， Writable）将处理结果写入HDFS。任务通过Reporter报告进度，至此MapReduce任务结束。

　　OutputCollector

　　OutputCollector是一个MapReduce框架提供的用于收集Mapper或Reducer输出数据的通用机制（包括中间输出结果和作业的输出结果）。同时hadoop类库提供了丰富的outputFormat以供选择，支持文本输出，二进制输出，序列化输出，数据库输出等等。

　　Writable

　　Hadoop中，节点之间的进程通信通过RPC（remote procedures call）来实现。RPC中将消息序列化为二进制流，此后，将二进制流反序列化为消息，是进程间通信的灵魂所在，因此可用的RPC具有，紧凑，快速，可扩展，互操作等特点。 Hadoop实现了自己的序列化机制，相比于java自带的序列化java object serialization，Hadoop的序列化更加紧凑，快速。同时Hadoop封装了java中的基本类型，便于进程间的通信，用户也可以自定义Writable类，只要实现Writable接口即可。

　　JobConf

　　JobConf代表一个MapReduce作业的配置。框架会按照指定的配置信息去完成MapReduce任务，其中的配置信息比较多，有兴趣的可以去官网了解http://hadoop.apache.org/。通常，JobConf会指明Mapper、Combiner、Partitioner、Reducer、InputFormat和OutputFormat的具体实现，一组输入文件，以及输出文件的目录。