公司网页原型设计搜狗seo培训
HDFS写数据流程（上传文件）
核心概念--Pipeline管道
HDFS在上传文件写数据过程中采用的一种传输方式。
线性传输：客户端将数据写入第一个数据节点，第一个数据节点保存数据之后再将快复制到第二个节点，第二节点复制给第三节点。
ACK应达响应：确认字符
在数据通信中，接受方发给发送方的一种传输类控制字符。表示发来的数据已经确认接受无误。
在HDFS Pipeline管道传输数据过程中，传输的反方向会进行ACK校验，确保数据传输安全。
默认3副本存储策略
默认副本存储策略是由BlockPlacementPolicyDefualt指定
第一块副本：优先客户端本地，否则随机
第二块副本：不同于第一块副本的不同机柜
第三块副本：第二块副本相同机架不同机器
流程
1.HDFS客户端创建实例对象DistributedFileSystem,该对象中封装了与HDFS文件系统操作的相关方法
2.调用DistributedFileSystem对象的Create（）方法，通过RPC请求NameNode创建文件。NameNode执行各种检查判断：目标文件是否存在，父目录是否存在，客户端是否具有创建该文件的权限。检查通过，NameNode就会成为本次请求下一条记录，返回FSDataOutPutStream输入流对象给客户端用于写入数据。
3.客户端通过FSDateOutput输入流开始写入数据
4.客户端写入数据时，将数据分成一个个数据包默认64K，内部组件DataStream请求N阿门哦的挑选出合适的存储数据副本DataNode地址，默认是3副本存储。
5.传输的反方向上，会通过ACK机制校验数据数据包传输是否成功；
6.客户端完成写入后，在FSDDataOutPutStream输出流上调用close（）方法关闭
7.DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认。
MapReduce的核心思想（先分后合，分而治之）
1.Map表示第一个阶段，负责拆分“拆分”,即把复杂的任务分解成若干个“简单的子任务”来并行处理。可以进行拆分的前提是这些小任务可以进行并行计算，彼此间没有依赖关系。
2.reduce是第二阶段，负责合并：即对map阶段的结果进行全局汇总
3.这两个阶段合起来正是MapReduce的思想
Hadoop MapReduce 的设置构思
Map：对一组数据元素进行某种重复式的处理
Reduce：对Map的中间结果进行某种进一步的结果整理
分布式式计算是一种方法，和集中计算是相对的。
分布式计算是将应用分解成许多晓得部分，分配给多个多台计算机进行处理
MapReduce实例进程
一个完整的MapReduce程序在分布式运行时有三类
1.MRAppMaster：负责整个MR程序的过程调度及状态协调
2.MapTask：负责map阶段的整个数据；流程
3.ReduceTask：负责reduce阶段的整个数据处理流程
Hadoop MapReduce官方示例--圆周率PI评估
1.运行MapReduce程序评估一下圆周率的值，执行中可以去Yarn页面上观察程序的执行情况。
第一个参数：pi表示MapReduce执行圆周率计算任务
第二个参数：用于指定map阶段运行任务task次数，并发度，这里是0；
第三个参数：用于指定每个map任务取样的个数。这里是50。
第二个实例wordcount单词词频统计
wordcount算是大数据计算领域经典的入门案列，相当于Helloworld
map阶段的核心：把输入的数据经过切割，全部标记1，因此输出就是单词《单词，1》
shuffle阶段核心：经过MR程序内部自带默认的排序分组等功能，把key相同的单词会作为一组数据构成新的kv对
reduce阶段核心：处理shuffle完的一组数据，该数据就是该单词所有的键值对。对所有的1进行累加求和，就是单词的总词数。
map阶段执行过程
第一个阶段：把输入目录下文件按照一定的标准逐个逻辑切片，形成逻辑切片。默认是128MB，每一个切片由一个MapTask处理。
第二阶段：对切片中的数据按照一定的规则读取解析返回《key,Value》默认的是按行读取数据
第三阶段：调用Mapper中类中的map方法处理数据，调用一次map方法处理数据
第四个阶段：按照一定的规则对Map输出的键值进行分区parting。默认不分区，因为只有一个reducetask分区的数量就是reducetask运行的数量。
第五个阶段：Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill的时候进行key进行排序sort
第六阶段：对所有溢出文件进行最终的merge合并，成为一个文件。
reduce阶段执行流程
第一阶段：reducetask会主动从MapTask复制拉取属于自己处理的数据
第二阶段：把拉取来的数据，全部进行合并merge，即把分散的数据合并成一个大的数据，在对合并后的数据进行拍讯
第三阶段：对排序后的键值对调用reduce方法，键排序的键值对调用一次的reduce方法。最后把这些输出的键值，写入到HDFS文件中。
Shuffle阶段执行流程
map产生的输出开始到Reduce取得的数据作为输入之前的过程称为shuffle
1.Mapshuffle：MapReduce任务中的Map输出进行分区、排序和合并。Mapshuffle将Map输出按照键进行划分，然后将每个键分配给某个Reducer任务处理。同时，Mapshuffle还可以对Map输出进行排序，可以按照键或值进行排序。排序可以使得Reducer任务更容易合并相同键的记录，减少网络传输和磁盘I/O开销。最终，Mapshuffle将分好组、排序好的Map输出传递给Reducer任务进行处理。
2.Reduceshuffle：Copy阶段-Merge阶段-Sort阶段
shuffle中频繁涉及到数据在内存、磁盘之间的多次往复。