浅析大数据分析中对MapReduce的理解

说起MapReduce，可以从思想、模型和运算及应用过程等几个方面来进行理解。首先，来简单说说它的思想。MapReduce可以说是凝结了人类对数据处理工作的基本思想，即分类与汇总。我们都知道，MapReduce其实分为两个阶段，即map阶段和reduce阶段。map阶段即映射阶段，该阶段主要负责对数据进行切分处理，reduce阶段即归约阶段，也就是在map阶段的处理结果上进行汇总。我们可以把它定位成一种用于大规模数据集并行运算的编程（算法）模型。

在实际应用中，MapReduce是Hadoop框架集群的核心之一，在HDFS的基础上对海量数据进行运算。先来分别看一下map和reduce的详细运算过程。

Map过程：

@Override

public void map(KEYIN key,VALUEIN value,Context context)

throws IOException,InterruptedException{

context.write(KEYOUT, VALUEOUT);

}

Reduce过程：

在map过程中强调数据在本地计算，即优先数据在哪就把map任务分配到哪。而reducer是需要从所有map的输出文件中把属于自己的copy过来，所以会占用网络带宽。从不同task tracker拿到的文件也是先写入buffer（原理同map的写入buffer），当buffer中的数据达到阈值，就写入磁盘。存数据的过程叫merge，merge过程可以发生在：

（1）内存到内存的merge。默认关闭，如果开启表示最后如果内存有数据，不会先全部写入磁盘再回头跟磁盘上的其它数据一起merge，而是直接在内存中merge，再与磁盘中的其它数据merge。

（2）内存到磁盘的merge。与map端的spill类似。

（3）磁盘到磁盘的merge。最后将所有（2）之后的文件进行最终merge，注意（1）的情况。

之后开始reduce的过程，即merge的最终输出是reduce的输入，reduce的输出默认是输出到HDFS上。输出格式由OutputFormat类确定。

在这里需要提及的是Yarn并不是MapReduce的替代者，它只是作为一种计算框架的资源管理系统而存在，所以在理解MapReduce的过程中，也应该了解其与Yarn的关系。尚学堂陈老师指出Yarn的存在有时会对MapReduce存在的问题进行一些补充：

1. Job Tracker存在单点故障；

2. Job Tracker完成太多任务，当MR任务非常多时，造成很大的内存开销；

3.Task Tracker端，如果两个大内存消耗的任务一起调度，容易出现OOM，如果只有Map任务或Reduce任务时会造成资源浪费。

那么Yarn的机制与MapReduce相比有哪些优势呢？ 首先旧的MapReduce主要包括Job Tracker和Task Tracker，Yarn中主要是三个组件：Resource Manager、Node Manager和Application Master。Resource Manager负责全局资源分配，Application Master每个节点一个，负责当前节点的调度和协调。Node Manager是每台机器的代理，监控应用程序的资源使用情况，并汇报给Resource Manager。因此与MapReduce相比，Yarn把资源管理与任务调度的工作分离开来，减少了MapReduce中Job Tracker的压力。

从上面的讲述中不难看出，相对于MapReduce，Yarn也有其自身的优势：

1.Yarn大大减少了Job Tracker的资源消耗，并且让监测每个Job子任务状态的程序分布式化了；

2.YARN中Application Master是一个可变更部分，用户可以对不同编程模型编写自己的AppMst，让更多类型的编程模型能跑在Hadoop集群中；

3.在旧的框架里，Job Tracker一个很大的负担就是监控Job下任务的运行状况，现在由Application Master去做，而Resource Manager是监测Application Master的运行状况，如果出问题，会将其在其他机器上重启。