从这篇文章开始，我会开始系统性地输出在大数据踩坑过程中的积累，后面会涉及到实战项目的具体操作，目前的规划是按照系列来更新，力争做到一个系列在5篇文章之内总结出最核心的干货，如果是涉及到理论方面的文章，会以画图的方式来讲解，如果是涉及到操作方面，会以实际的代码来演示。
这篇是MapReduce系列的第一篇，初识MapReduce的应用场景，在文章后面会有关于代码的演示。
前言
Hadoop作为Apache旗下的一个以Java语言实现的分布式计算开源框架，其由两个部分组成，一个是分布式的文件系统HDFS，另一个是批处理计算框架MapReduce。这篇文章作为MapReduce系列的第一篇文章，会从MapReduce的产生背景、框架的计算流程、应用场景和演示Demo来讲解，主要是让大家对MapReduce的这个批计算框架有个初步的了解及简单的部署和使用。
目录
MapReduce的产生背景
MapReduce的计算流程
MapReduce的框架架构
MapReduce的生命周期
应用场景
演示Demo
MapReduce的产生背景
Google 在2004年的时候在 MapReduce: Simplified Data Processing on Large Clusters 这篇论文中提出了MapReduce 的功能特性和设计理念，设计MapReduce 的出发点就是为了解决如何把大问题分解成独立的小问题，再并行解决。例如，MapReduce的经典使用场景之一就是对一篇长文进行词频统计，统计过程就是先把文章分为一句一句，然后进行分割，最后进行词的数量统计。
MapReduce的架构图
我们来讲解下不同的组件作用
Client
Client的含义是指用户使用MapReduce程序通过Client来提交任务到Job Tracker上，同时用户也可以使用Client来查看一些作业的运行状态。
Job Tracker
这个负责的是资源监控和作业调度。JobTracker会监控着TaskTracker和作业的健康状况，会把失败的任务转移到其他节点上，同时也监控着任务的执行进度、资源使用量等情况，会把这些消息通知任务调度器，而调度器会在资源空闲的时候选择合适的任务来使用这些资源。
任务调度器是一个可插拔的模块，用户可以根据自己的需要来设计相对应的调度器。
TaskTracker
TaskTracker会周期性地通过Hearbeat来向Job Tracker汇报自己的资源使用情况和任务的运行进度。会接受来自于JobTaskcker的指令来执行操作（例如启动新任务、杀死任务之类的）。
在TaskTracker中通过的是slot来进行等量划分一个节点上资源量，只用Task获得slot的时候才有机会去运行。调度器的作用就是进行将空闲的slot分配给Task使用，可以配置slot的数量来进行限定Task上的并发度。
Task
Task分为Map Task和Reduce Task，在MapReduce中的 split 就是一个 Map Task,split 的大小可以设置的,由 mapred.max.spilt.size 参数来设置，默认是 Hadoop中的block的大小,在Hadoop 2.x中默认是128M,在Hadoop 1.x中默认是64M。
在Task中的设置可以这么设置，一般来讲，会把一个文件设置为一个split,如果是小文件，那么就会存在很多的Map Task,这是特别浪费资源的，如果split切割的数据块的量大，那么会导致跨节点去获取数据，这样也是消耗很多的系统资源的。
MapReduce的生命周期
一共分为5个步骤：
- 作业的提交和初始化
由用户提交作业之前，需要先把文件上传到HDFS上,JobClient使用upload来加载关于打包好的jar包，JobClient会RPC创建一个JobInProcess来进行管理任务，并且创建一个TaskProcess来管理控制关于每一个Task。
- JobTracker调度任务
JobTracker会调度和管理任务,一发现有空闲资源，会按照一个策略选择一个合适的任务来使用该资源。
任务调度器有两个点：一个是保证作业的顺利运行，如果有失败的任务时，会转移计算任务，另一个是如果某一个Task的计算结果落后于同一个Task的计算结果时，会启动另一个Task来做计算，最后去计算结果最块的那个。
- 任务运行环境
TaskTracker会为每一个Task来准备一个独立的JVM从而避免不同的Task在运行过程中的一些影响，同时也使用了操作系统来实现资源隔离防止Task滥用资源。
- 执行任务
每个Task的任务进度通过RPC来汇报给TaskTracker，再由TaskTracker汇报给JobTracker。
- 任务结束，写入输出的文件到HDFS中。
MapReduce 的计算流程
先来看一张图，系统地了解下 MapReduce 的运算流程。
为了方便大家理解，重新画了一张新的图，演示的是关于如何进行把一个长句进行分割，最后进行词频的统计（已忽略掉标点符号）。
整个过程就是先读取文件，接着进行split切割，变成一个一个的词，然后进行 map task 任务，排列出所有词的统计量，接着 sorting 排序,按照字典序来排，接着就是进行 reduce task,进行了词频的汇总，最后一步就是输出为文件。例如图中的 spacedong 就出现了两次。
其中对应着的是 Hadoop Mapreduce 对外提供的五个可编程组件，分别是InputFormat、Mapper、Partitioner、Reduce和OutputFormat，后续的文章会详细讲解这几个组件。
用一句话简单地总结就是，Mapreduce的运算过程就是进行拆解-排序-汇总，解决的就是统计的问题，使用的思想就是分治的思想。
MapReduce的应用场景
MapReduce 的产生是为了把某些大的问题分解成小的问题，然后解决小问题后，大问题也就解决了。那么一般有什么样的场景会运用到这个呢？那可多了去，简单地列举几个经典的场景。
计算URL的访问频率
搜索引擎的使用中，会遇到大量的URL的访问，所以，可以使用 MapReduce 来进行统计，得出（URL,次数）结果，在后续的分析中可以使用。
倒排索引
Map 函数去分析文件格式是（词，文档号）的列表，Reduce 函数就分析这个（词，文档号），排序所有的文档号，输出（词，list（文档号）），这个就可以形成一个简单的倒排索引，是一种简单的算法跟踪词在文档中的位置。
Top K 问题
在各种的文档分析，或者是不同的场景中，经常会遇到关于 Top K 的问题，例如输出这篇文章的出现前5个最多的词汇。这个时候也可以使用 MapReduce来进行统计。
演示Demo
今天的代码演示从Python和Java两个版本的演示，Python版本的话便是不使用封装的包，Java版本的话则是使用了Hadoop的封装包。接下来便进行演示一个MapReduce的简单使用，如何进行词汇统计。
Java版本代码
- 先是准备一个数据集，包含着已经切割好的词汇，这里我们设置文件的格式是
txt格式的。文件名是WordMRDemo.txt，内容是下面简短的一句话，以空格分割开：
hello my name is spacedong welcome to the spacedong thank you
- 引入
Hadoop的依赖包
//这里使用的是2.6.5的依赖包，你可以使用其他版本的<dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-common</artifactId><version>2.6.5</version></dependency><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>2.6.5</version></dependency>
复制代码- 新建
WordMapper.java文件,代码的作用是进行以空格的形式进行分词。
public class WordMapper extends Mapper<LongWritable, Text, Text, IntWritable> {@Overrideprotected void map(LongWritable key, Text value, Mapper.Context context)throws java.io.IOException, InterruptedException {String line = value.toString();//StringTokenizer默认按照空格来切StringTokenizer st = new StringTokenizer(line);while (st.hasMoreTokens()) {String world = st.nextToken();//map输出context.write(new Text(world), new IntWritable(1));}}
}
复制代码- 新建
WordReduce.java文件，作用是进行词汇的统计。
public class WordReduce extends Reducer<Text, IntWritable, Text, IntWritable> {@Overrideprotected void reduce(Text key, Iterable<IntWritable> iterator, Context context)throws java.io.IOException ,InterruptedException {int sum = 0 ;for(IntWritable i:iterator){sum+=i.get();}context.write(key, new IntWritable(sum));}}
复制代码- 新建
WordMRDemo.java文件，作用是运行Job，开始分析句子。
public class WordMRDemo {public static void main(String[] args) {Configuration conf = new Configuration();//设置mapper的配置，既就是hadoop/conf/mapred-site.xml的配置信息conf.set("mapred.job.tracker", "hadoop:9000");try {//新建一个Job工作Job job = new Job(conf);//设置运行类job.setJarByClass(WordMRDemo.class);//设置要执行的mapper类job.setMapperClass(WordMapper.class);//设置要执行的reduce类job.setReducerClass(WordReduce.class);//设置输出key的类型job.setMapOutputKeyClass(Text.class);//设置输出value的类型job.setMapOutputValueClass(IntWritable.class);//设置ruduce任务的个数，默认个数为一个（一般reduce的个数越多效率越高）//job.setNumReduceTasks(2);//mapreduce 输入数据的文件/目录,注意，这里可以输入的是目录。FileInputFormat.addInputPath(job, new Path("F:\\BigDataWorkPlace\\data\\input"));//mapreduce 执行后输出的数据目录，不能预先存在，否则会报错。FileOutputFormat.setOutputPath(job, new Path("F:\\BigDataWorkPlace\\data\\out"));//执行完毕退出System.exit(job.waitForCompletion(true) ? 0 : 1);} catch (Exception e) {e.printStackTrace();}}
}
复制代码- 最后执行
WordMRDemo.java文件，然后得到的结果是out文件夹内的内容，它长这个样子：
打开part-r-00000文件的内容如下
Python代码版本
- 新建
map.py文件，进行词汇的切割。
for line in sys.stdin:time.sleep(1000)ss = line.strip().split(' ')for word in ss:print '\t'.join([word.strip(), '1'])
复制代码- 新建
red.py文件，进行词汇的统计。
cur_word = None
sum = 0for line in sys.stdin:ss = line.strip().split('\t')if len(ss) != 2:continueword, cnt = ssif cur_word == None:cur_word = wordif cur_word != word:print '\t'.join([cur_word, str(sum)])cur_word = wordsum = 0sum += int(cnt)print '\t'.join([cur_word, str(sum)])
复制代码- 新建
run.sh文件,直接运行即可。
HADOOP_CMD="/usr/local/src/hadoop-2.6.5/bin/hadoop"
STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.5/share/hadoop/tools/lib/hadoop-streaming-2.6.5.jar"INPUT_FILE_PATH_1="/test.txt"
OUTPUT_PATH="/output"$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH# Step 1.
$HADOOP_CMD jar $STREAM_JAR_PATH \-input $INPUT_FILE_PATH_1 \-output $OUTPUT_PATH \-mapper "python map.py" \-reducer "python red.py" \-file ./map.py \-file ./red.py
复制代码以上的是演示demo的核心代码，完整的代码可以上github的代码仓库上获取。 仓库地址为：https://github.com/spacedong/bigDataNotes
以上的文章是MapReduce系列的第一篇，下篇预告是MapReduce的编程模型，敬请期待！
参考资料：
Hadoop的技术内幕：深入解析MapReduce架构设计及实现原理