MapReduce架构

MapReduce特色
 易于编程（熟悉以后确实很简单，大多数是map和reduce两个部分。hive和pig让mapreduce更加简单）
 良好的扩展性（简单的添加机器就能够实现）
 高容错性（job中任务部分失败，能够从新执行）
 适合PB级以上海量数据的离线处理
MapReduce不擅长
 实时计算
 像MySQL同样，在毫秒级或者秒级内返回结果（能够参考Spark或HBase，HBase随机读写性能好，统计不太好）
 流式计算
 MapReduce的输入数据集是静态的，不能动态变化
 MapReduce自身的设计特色决定了数据源必须是静态的（能够考虑Storm）
 DAG计算
 多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出（Tez）
   
MapReduce将做业的整个运行过程分为两个阶段
     Map阶段和Reduce阶段
 Map阶段由必定数量的Map Task组成
 输入数据格式解析：InputFormat
 输入数据处理：Mapper
 数据分组：Partitioner
 Reduce阶段由必定数量的Reduce Task组成
 数据远程拷贝
 数据按照key排序
 数据处理：Reducer
 数据输出格式：OutputFormat

 默认TextInputFormat对文件切分，并处理每个Split，提供RecordReader生成key/value
    TextInputFormat：Key是行在文件中的偏移量，value是行内容若行被截断，则读取下一个block的前几个字符
    设计到的概念           
           Block
        HDFS中最小的数据存储单位默认是64MB
        Spit
        MapReduce中最小的计算单元默认与Block一一对应
        Block与Split
        Split与Block是对应关系是任意的，可由用户控制

Map阶段
 InputFormat（默认TextInputFormat）
 Mapper
 Partitioner
 Sort（可选）
 Combiner（local reducer）（可选）

Reduce阶段
 Sort
 Reducer
 OutputFormat（默认TextOutputFormat）

Combiner
    Combiner可作看local reducer合并相同的key对应的value（wordcount例子）一般与Reducer逻辑同样好处
减小Map Task输出数据量（磁盘IO）
减小Reduce-Map网络传输数据量(网络IO)
结果可叠加
Sum(YES!)，Average（NO!）
Partitioner
 Partitioner决定了Map Task输出的每条数据交给哪一个Reduce Task处理默认实现：hash(key) mod R R是Reduce Task数目
 容许用户自定义，不少状况需自定义Partitioner
 好比“hash(hostname(URL)) mod R”确保相同域名的网页交给同一个Reduce Task处理