1.MR基础_介绍

一.介绍

• Hadoop MapReduce是一个分布式并行框架。用于轻松编程，以可靠、容错的方式在大型集群(数千个节点)的商用硬件上并行处理大量数据(TB级别数据)。
• 虽然Hadoop框架是用Java实现的，但MapReduce应用程序不需要用Java编写，也可以使用其他语言编写。
  • Hadoop Streaming：是一个实用的程序，它允许用户运行的作业使用任何可执行文件创建(例如shell实用程序)Mapper和Reducer。

二.主要功能

1.数据划分和计算任务调度

系统自动将一个作业(Job)待处理的大数据划分为很多个数据块，每个数据块对应于一个计算任务(Task)，并自动调度计算节点来处理相应的数据块。作业和任务调度功能主要负责分配和调度计算节点(Map节点或Reduce节点)，同时负责监控这些节点的执行状态，并负责Map节点执行的同步控制。

2.数据/代码互定位

为了减少数据通信，一个基本的原则是本地化数据处理，即一个计算节点尽可能处理其本地磁盘上所分布存储的数据，这实现了代码向数据的迁移；当无法进行这种本地化数据处理时，再寻找其他可用节点并将数据从网络上传送给该节点(数据向代码迁移)，但尽可能从数据所在的本地机架上寻找可用节点以减少通信延迟。

3.系统优化

为了减少数据通信开销，中间结果数据进入Reduce节点前会进行一定的合并处理；一个Reduce节点所处理的数据可能会来自多个Map节点，为了避免Reduce计算阶段发生数据处理不平衡，Map节点输出的中间结果需使用一定的策略进行适当的划分处理，保证相关性数据发送到同一个Reduce节点；此外，系统还进行一些及酸性能优化处理，如对最慢的计算任务采用多备份执行、选最快完成者作为结果。

4.出错检测和恢复

以低端的商用服务器构成的大规模MapReduce计算集群中，节点硬件(主机、磁盘、内存等)出错和软件出错是常态，因此MapReduce需要能检测并隔离出错节点，并调度分配新的节点接管出错节点的计算任务。同时系统还将维护数据存储的可靠性，用多备份冗余存储机制提高数据存储的可靠性，并能及时检测和恢复出错的数据。