一、mapreduce概述
mapreduce，簡稱mr，分布式計算框架，hadoop核心元件。分布式計算框架還有storm, spark等，它們不是誰替換誰關係，而是哪乙個更適合的問題。
mapreduce是離線計算框架，storm是流式計算框架，spark是記憶體計算框架，適合快速得到結果的專案。
二、mapreduce設計理念
三、mapreduce工作原理
摘自：
流程分析
map端
1．每個輸入分片會讓乙個map任務來處理，預設情況下，以hdfs的乙個塊的大小（預設為64m）為乙個分片，當然我們也可以設定塊的大小。map輸出的結果會暫且放在乙個環形記憶體緩衝區中（該緩衝區的大小預設為100m，由io.sort.mb屬性控制），當該緩衝區快要溢位時（預設為緩衝區大小的80%，由io.sort.spill.percent屬性控制），會在本地檔案系統中建立乙個溢位檔案，將該緩衝區中的資料寫入這個檔案。
2．在寫入磁碟之前，執行緒首先根據reduce任務的數目將資料劃分為相同數目的分割槽，也就是乙個reduce任務對應乙個分割槽的資料。這樣做是為了避免有些reduce任務分配到大量資料，而有些reduce任務卻分到很少資料，甚至沒有分到資料的尷尬局面。其實分割槽就是對資料進行hash的過程。然後對每個分割槽中的資料進行排序，如果此時設定了combiner，將排序後的結果進行combia操作，這樣做的目的是讓盡可能少的資料寫入到磁碟。
3．當map任務輸出最後乙個記錄時，可能會有很多的溢位檔案，這時需要將這些檔案合併。合併的過程中會不斷地進行排序和combia操作，目的有兩個：1.儘量減少每次寫入磁碟的資料量；2.儘量減少下一複製階段網路傳輸的資料量。最後合併成了乙個已分割槽且已排序的檔案。為了減少網路傳輸的資料量，這裡可以將資料壓縮，只要將mapred.compress.map.out設定為true就可以了。
4．將分割槽中的資料拷貝給相對應的reduce任務。有人可能會問：分割槽中的資料怎麼知道它對應的reduce是哪個呢？其實map任務一直和其父tasktracker保持聯絡，而tasktracker又一直和jobtracker保持心跳。所以jobtracker中儲存了整個集群中的巨集觀資訊。只要reduce任務向jobtracker獲取對應的map輸出位置就ok了哦。
到這裡，map端就分析完了。那到底什麼是shuffle呢？shuffle的中文意思是「洗牌」，如果我們這樣看：乙個map產生的資料，結果通過hash過程分割槽卻分配給了不同的reduce任務，是不是乙個對資料洗牌的過程呢？
reduce端
1．reduce會接收到不同map任務傳來的資料，並且每個map傳來的資料都是有序的。如果reduce端接受的資料量相當小，則直接儲存在記憶體中（緩衝區大小由mapred.job.shuffle.input.buffer.percent屬性控制，表示用作此用途的堆空間的百分比），如果資料量超過了該緩衝區大小的一定比例（由mapred.job.shuffle.merge.percent決定），則對資料合併後溢寫到磁碟中。
2．隨著溢寫檔案的增多，後台執行緒會將它們合併成乙個更大的有序的檔案，這樣做是為了給後面的合併節省時間。其實不管在map端還是reduce端，mapreduce都是反覆地執行排序，合併操作，現在終於明白了有些人為什麼會說：
排序是hadoop的靈魂。
3．合併的過程中會產生許多的中間檔案（寫入磁碟了），但mapreduce會讓寫入磁碟的資料盡可能地少，並且最後一次合併的結果並沒有寫入磁碟，而是直接輸入到reduce函式。
四、安裝mapreduce
現在有node1,node2,node3三個伺服器，其中node1是namenode，node2,node3是datanode，node2也是secondarynamenode，把mapreduce安裝到node1伺服器
1、關閉node1防火牆
systemctl stop iptables.servicemapred.job.tracker
node1:9001
scp ./mapred-site.xml root@node2:~/hadoop-1.2.1/conf/scp ./mapred-site.xml root@node3:~/hadoop-1.2.1/conf/node1，進入hadoop-1.2.1/bin
執行./hadoop namenode -format
結果node1
hadoop map reduce 階段筆記
shuffle and sort mr 框架保證 每個 reducer 的輸入都是按照 key 鍵排過序的。shuffle 將map輸出結果送到reducer和排序的功能。1 map 每個map task將結果輸出到環形記憶體緩衝區，當到達一定閾值，則啟動乙個後台程序將快取中的資料 1 按照 red...
Hadoop MapReduce 效能優化
我們時常談論說到mapreduce時，我們都會說它是離線計算框架，磁碟io開銷大，job執行比較慢等等。這一篇部落格，南國系統回顧下mr程式執行慢的原因，以及如何優化mr程式。我們都知道mapreduce是離線計算框架，不同於spark記憶體計算框架模型。乙個標準的mr程式由map方法和reduce...
九 hadoop mapreduce分割槽
一 什麼時候分割槽？1 分割槽的實現 通過繼承partitioner類，實現getpartition方法。public int getpartition key key,value value,int reducetasknumber map結束後得到的每個key value都呼叫該方法，並把key...