Hadoop入门教程之分布式计算框架MapReduce

说明

这个技术在如今，有一定的使用场景，但是使用场景已经不多，仅当做了解就可以了。因为现在的Spark比MapReduce强太多了，所以学习的重心应当放在Spark上面。

源自于Google的MapReduce论文

实际上HBase也是源自于Google的论文

发表于2004年12月，Hadoop MapReduce是Google MapReduce的克隆版

1.易于编程

因为它是一个分布式的框架，如果手工开发一个分布式的应用框架，那么需要考虑的东西就是非常多的。比如输入数据是怎么拆分的，数据的本地性，以及容错性。但是MapReduce就不一样了，我们只需要实现它API中的Map方法Reduce方法就可以了。

2.良好的扩展性

只要增加机器，性能就会提升。

3.高容错性

在计算的时候，会就近去副本来处理，当前在计算的任务，如果挂掉了，会自动转移到其他的节点去运行。

4.海量数据的离线处理

数据量多大都没关系，只要节点能跟得上就行了。执行速度对时效性要求不高，因为MapReduce的设计模型就注定了，不可能用它来进行实时处理，只能做离线处理。

如，今天获取的数据，需要明天才能看到结果，并不能立刻把结果计算出来。相当于去淘宝购物，买了东西以后，第二天才能分析出你喜欢的商品类型来给你智能推荐。

反之，实时计算就是，立刻计算出结果，当你点击淘宝商品的时候，就立刻根据大数据计算出你可能喜欢的其他商品来给你实时推荐。

1.实时计算

比如在我们的web系统中，在搜索框中输入内容以后，推荐的结果都是秒级别或者是毫秒级别的。这种对于实时性的要求是非常高的，但是MapReduce会编译成MapTask和ReduceTask来进行计算。这两个Task都是进程级别的，每次都要启动一个GBS进程，对于进程开启和最终执行完的销毁，耗费的时间是非常大的，所以MapReduce是不适合做实时计算的，只能用来做离线处理。

2.流式计算

MapReduce的输入数据是静态的，在计算之前数据是要进行拆分的，不能是动态的，只要开始计算，再新增数据也是没用的。

解决方案

如果想要做实时流式处理的话，需要借助Storm和Spark Streaming这些框架来完成统计分析操作。

3.DAG计算

什么是DAG？

多个应用程序存在依赖关系，A作业执行完以后执行B作业，B作业执行完以后执行C作业。对于这种，不太适合使用MapReduce来计算。

MapReduce就是来做离线批处理的，时效性和延迟性是非常高的，不能立刻得到结果。