谈谈(详解！)MapReduce--个人感想。

MapReduce的大致计算处理过程:
数据是经过mapper 然后 通过Shuffle,最后通过Reducer，然后输出。
Map是映射，负责数据的过滤分发；Reduce是规约，负责数据的计算归并。

mapper阶段:

根据使用者的意愿，mapper对输入的数据进行操作，选取需要的字段(这个字段可能来自原数据中的值，也可能是原数据中的字段，或者是一个新的字段)和值(这个值可能来自原数据，但是更可能来自经新的定义)，组成一个key-value的形式输出返回给reducer，交给reducer后续处理。需要特别注意的是: mapper一次只读取一行(或者说一个记录)，也就是说在mapper中的代码逻辑是为了处理一行(一条记录)的，MapReduce本身会自动循环多次，从而达到处理所有数据的效果。(处理所有读入的行的效果)
mapper返回的是 (key1,value1)，返回给reducer，这时候reducer接收到一对 (key,value)形式的数据。

shuffle阶段(洗牌):

这个阶段MapReduce本身已经帮使用者实现了，也就是说使用者只需要实现map和reduce即可完成整个mapreduce过程逻辑，而不需要去开发shuffle程序的逻辑。shuffle实现的是：在map返回的所有数据里，把key相同的放到一个组里面(可以把这个组理解成一个类似数组的东西(可迭代对象))，于是，当map返回的各个单条数据组成的全部数据里有多个不同的key的时候，shuffle里面就会有多个组。这些个组将会一个一个的给reducer处理！当然，map处理过一行数据之后并不会等待其它行的数据也处理完之后才传给shuffle、让shuffle处理划分成组；而是map处理一条数据之后将结果返回给shuffle，这时候shuffle里面之后第一条数据，这条数据达到类似tensorflow里面的占位的作用，当map处理完下一条或者其它条的时候，map会继续将结果传递给shuffle，只要传进去的(key,value)在shuffle中已经有了，它就会归到那个已经有占位的和它有相同的key的组，如果传进去的(key,value)在shuffle中没有，那它将继续占位；直到所有map工作任务达到100%。也就是说在map工作的时候shuffle也是在工作的。

reducer阶段:

reducer接收到来自shuffle的一组一组的数据，这时候reducer对其进行统计的操作即可达到统计key的个数的效果。当然这看起来所有过程都是在进行统计的过程，但是如果在其中加入一些算法的计算，那么MapReduce将以其强大的集群算力帮我实现大数据集的计算。

MapReduce框架的优点：

1. 易于编程，用户通常情况下只需要编写Mapper和Reducer程序即可。
2. 良好的扩展性，即可以很容易的增加节点
3. 高容错性，一个Job默认情况下会尝试启动两次，一个mapper或者reducer默认会尝试4次，如果一个节点挂了，可以向系统申请新的节点来执行这个mapper或者reducer
4. 适合PB级别的数据的离线处理

MapReduce框架的缺点

不擅长实时计算，像MySQL一样能够立即返回结果
MapReduce的设计本身决定了处理的数据必须是离线数据，因为涉及到数据切分等等。
不擅长DAG（有向图）计算，需要一个Job执行完成之后，另一个Job才能使用他的输出。

MapReduce的总过程可以概括为:
1.输入数据:…

2.map阶段的输入:
<偏移量key1，每一行value1，上下文context>
map阶段的输出:
<key2，value2>，其中key2相当于输入的value1，而value2是经过运算等等得到的。

3.shuffle阶段是MapReduce内部完成的。
shuffler接收来自map的输出，变成shuffler的输入，然后对其以相同的key3(这里的key3其实是map的value2)进行分为一组，然后以<key3，value3>的形式(这里)传给reduce。其实就是达到了多个相同的key分为一组，但是并没有统计(留给reduce做最后的迭代统计)的作用。

4.reduce阶段:
进行一次reduce收到的数据是:多组<key3，value3>组成的一个对象，而且key3是一样的。
这时候需要对value3进行一个牛顿迭代法求和操作，即可得到key3的总value3。达到一个统计的效果。【当然做其它事情也是可以的，按需】

合并 Combiner

注意： Combiner要慎用，有些场景并不适用Combiner，比如求平均值的场景。
解释: 假如，有1，3，5，7，9五个数为一行的数据文件存在HDFS上，计算其和。
没有Combiner： 首先，读取一行数据进入计算，Mapper返回(偏移量，1),(偏移量，3),(偏移量，5),(偏移量，7),(偏移量，9)，进入reducer前根据key对数据进行一个shuffle并返回(key,[1,3,5,7,9])给reducer，reducer根据key对(1,3,5,7,9)进行求和得到结果。
有Combiner：
首先，读取一行数据进入计算，Mapper返回(偏移量1，1),(偏移量1，3),(偏移量1，5),(偏移量2，7),(偏移量2，9)，进入reducer前根据key对数据进行一个shuffle并返回(key1,[1,3,5]),(key2,[7,9])；Combiner根据key1和key2进行对[*]求和，然后Reducer再对求和结果进行最终求和，但是与分区不同，Combiner的作用并不会使得数据处理结果产生n个文件。【其实，加入Combiner就相当于是进行了两个reducer】

如何实现Combiner：【main函数下】

job.setCombinerClass(Reducer.class)

分区Partitioner

分区其实就是根据需求(某个判断条件)把最终的输出数据分发到不同的文件中，其实就是对Mapper划分数据，而负责划分数据的类为Partitioner。

MapReduce默认的Partitioner是HashPartitioner，默认情况下，Partitioner先计算key的散列值(通常为MD5值)，然后通过Reducer个数执行求余运算----key的hashCode除以Reducer的个数取余数。
这种方式的好处: 随机的将整个key空间平均分发给每个Reducer，同时也能确保不同Map产生的相同key能被分发到同一个Reducer。

Partitioner的实现例子：
如下根据数组的长度把数据在Mapper阶段划分为2个区，

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class Web_toHivePtion extends Partitioner<NullWritable,Text> {

    @Override
    public int getPartition(NullWritable nullWritable, Text text, int numPartition) {
        String[] tmpL = text.toString().split(",");
        if (tmpL.length == 5){
            return 1 % numPartition;
        }else{
            return 2% numPartition;
        }
    }
}

mapreduce经典案例解读: 单词统计
题目: 统计文本文件里面的单词的个数，每个单词之间以一个空格分隔。

思路解析: 由mapreduce的基本运作原理，可以得到处理该题目的思路如下：

• 首先，mapper接收输入的数据(每次一行)，对数据的一行数据，mapper将其以一个空格分隔，得到多个单词组成的数组。并将其以(单词，1)的key-value形式写入到shuffle，因为以空格分隔之后的到一个单词计数为1(这里不用考虑单词相同的情况)。
• shuffle接收到数据之后，将key相同的划分到一组。传给reducer。
• reducer对shuffle传出的数据进行牛顿迭代计数，reducer接收到来自shuffle的数据时，每一个组里面的key都是相同的，value都是1，所以只需要把value求和之后得到sum_now，以当前key和sum_now组成一个新的(key，value)输出即可！

Mapper阶段:
这里的LongWritable,Text 代表了读入数据之后的key为偏移量，value为一行，也就是说一次读入一行，类型为Text；map输出格式为：key是Text，value是IntWritable。

package com.mytest.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * Created by ua07 on 9/20/19.
 */
public class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable> {
//其实这里LongWritable,Text的LongWritable,Text 代表了读入数据之后的key为偏移量，value为一行，也就是说一次读入一行，类型为Text，概括的话就是mapper的输入格式(后两个)；mapper输出格式为：key是Text，value是IntWritable。


    /**
     *
     * @param key1
     * @param value
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void map(LongWritable key1,Text value,Context context)
            throws IOException,InterruptedException{
        String data = value.toString();
        String[] words = data.split(" ");

        for(String w:words){
            context.write(new Text(w),new IntWritable(1));
        }

    }
}

Reducer阶段:

package com.mytest.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * Created by ua07 on 9/20/19.
 */
public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
//这里前面的的Text,IntWritable是reducer的输入，也就是mapper的输出。后面的Text,IntWritable是reducer的输出。

    /**
     *
     * @param k3
     * @param v3
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void reduce(Text k3,Iterable<IntWritable> v3,Context context)
            throws IOException,InterruptedException{
        int total = 0;
        for (IntWritable v:v3){
            total += v.get();
        }
        context.write(k3,new IntWritable(total));
    }
}

主函数:

package com.mytest.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * Created by ua07 on 9/20/19.
 */
public class WordCountMain {
    public static void main(String[] args) throws Exception{
        Job job = Job.getInstance(new Configuration());
        job.setJarByClass(WordCountMain.class);

        job.setMapperClass(WordCountMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        job.setReducerClass(WordCountReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.setInputPaths(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        job.waitForCompletion(true);
    }
}