好程序员大数据教程分享MapReduce经验杂谈十则

好程序员大数据分享MapReduce经验杂谈十则，关于MapReduce的相关知识点，因为学识浅薄，可能会有遗漏的的地方，欢迎各位补充!

下面是我个人认为非常值得注意的几处知识点，希望能为大家的学习提供便利。

1. HDFS上的文件以行读取，其中key是行中首字母的起始位置，value是该行的文本内容，一行为一对KV键值对。

2. 通过FileInputFormat将文件切分成split块，FileInputFormat只会划分比block大的部分。切割完毕后通过TextInputFormat对split块中的每行记录解析为K1V1键值对。

3. 一个split块对应一个mapper task任务，map接收K1V1键值对后执行map方法，后输出新的K2V2键值对。

4. K2V2键值对添加到环形缓冲区中，当数据量达到80%(默认数据，可以使用参数mapreduce.map.sort.spill.percent修改)之后，这80%环形区会触发溢出操作，然后被封锁，mappertask会向剩余部分继续写入数据。同时会对写完的数据执行partitioner(分区)操作，然后对不同分区中的数据进行排序分组(sort)操作，最后对分组后的数据归约(combiner,通过Key进行归并，减少reduce的负担)。

5. 每发生一次溢出操作就会在磁盘中生成换一个磁盘文件，当磁盘文件写入完毕后，环形缓冲区中的封锁区会清空数据，继续接收数据写入。

6.mapper task的数据全部写出完毕后，会将多个磁盘文件及内存中多余的数据写出到一个本地磁盘文件中。

7.此时会通知APPMaster完成map task，当完成数量达到5%时，就启动reduce task任务。

8. reduce生成fetcher线程组(默认5个)将不同分区的的数据copy到不同的reduce节点上。(一个mapper上的分区可能会被发送到多个reduce，同样一个reduce也会接收来自不同的mapper的分区)

9.fetcher线程组将数据写入内存的过程中，内存满75%时，也会发生溢出操作，触发sort和merge操作，最后生成一个磁盘文件(merge操作一般是从内存到磁盘，最后再从磁盘到磁盘)

10. 最后磁盘文件的数据会被分组group来提供给reduce方法处理。根据 FileOutputFormat写入目标文件里。

综上，为MapReuce的细节部分，这部分操作大家比较了解，但是马虎之下容易实现操作性的错误，简要记录十点，望大家多多留意，大数据时代，我们无法安然避世，就业的压力摆在面前，只有金甲加身，付出汗水才能获得高薪，最后送大家一句话，不忘初心，方得始终。