本节书摘来异步社区《MapReduce设计模式》一书中的第1章，第1.3节，作者： 【美】Donald Miner , Adam Shook 译者： 徐钊 , 赵重庆 责编： 杨海玲，更多章节内容可以访问云栖社区“异步社区”公众号查看。
1.3 MapReduce和Hadoop简介
本节主要向读者简单介绍Hadoop中的MapReduce框架，因为本书的示例代码都是基于Hadoop的。想要更加深入地了解Hadoop的读者可以参考Tom White的《Hadoop：The Definitive Guide》一书以及Apache Hadoop的官方网站。这些资料将帮助你简单地部署一个开发环境或生产环境来验证本书的示例代码。
Hadoop MapReduce作业被分成一系列运行在分布式集群中的map任务和reduce任务。每个任务都工作在被指定的小的数据子集上，因此负载是遍布集群中各个节点上的。map任务主要负责数据的载入、解析、转换和过滤。每个reduce任务负责处理map任务输出结果的一个子集。然后，reducer任务从mapper任务处复制map任务的中间数据，进行分组和聚合操作。从简单的数值聚合到复杂的关联操作以及笛卡儿积操作，MapReduce通过如此简洁的架构来解决范围广泛的诸多问题，这确实让人难以置信。
MapReduce作业的输入是一系列存储在Hadoop分布式文件系统（Hadoop Distributed File System，HDFS）上的文件。在Hadoop中，这些文件通过输入格式（input format）被分成了一系列的输入split（input split）。输入split可以看作是文件在字节层面的分块表示，每个split由一个map任务负责处理。
Hadoop中的每个map任务可以细分成4个阶段：record reader、mapper、combiner和partitioner。map任务的输出被称为中间键和中间值，会被发送到reducer做后续处理。reduce任务可以分为4个阶段：混排（shuffle）、排序（sort）、reducer和输出格式（output format）。map任务运行的节点会优先选择在数据所在的节点，因此，一般可以通过在本地机器上进行计算来减少数据的网络传输。
record reader
record reader通过输入格式将输入split解析成记录。record reader的目的是将输入数据解析成记录，但不负责解析记录本身。它将数据转换为键/值（key/value）对的形式，并传递给mapper处理。通常键是数据在文件中的位置，值是组成记录的数据块。定制record reader已经超出了本书的讨论范围，因此我们假设读者已经有合适的record reader来解析需要处理的数据。
map
在mapper中，用户定义的map代码通过处理record reader解析的每个键/值对来产生0个或多个新的键/值对结果。键/值的选择对MapReduce作业的完成效率来说非常重要。键是数据在reducer中处理时被分组的依据，值是reducer需要分析的数据。如何选择键/值对的更多细节会在本书后面的设计模式中进行详细解释。两个不同的MapReduce设计模式之间的一个重要区别就在于键/值对的语义。
combiner
combiner是一个可选的本地reducer，可以在map阶段聚合数据。combiner通过执行用户指定的来自mapper的中间键对map的中间结果做单个map范围内的聚合。例如，一个聚合的计数是每个部分计数的总和，用户可以先将每个中间结果取和，再将中间结果的和相加，从而得到最终结果。在很多情况下，这样可以明显地减少通过网络传输的数据量。在网络上发送一次（hello world，3）要比三次（hello world，1）节省更多的字节量。因为combiner的应用广泛，所以我们将在后续的模式中对其进行更深入的讲解。很多新Hadoop代码开发者可能会忽视combiner，但通常combiner可以产生特别大的性能提升，并且没有副作用。我们将在后续的章节中指出哪些模式可以通过使用combiner得到优化，以及哪些模式是不能使用combiner的。combiner不能保证执行，因此不能作为整个算法的一部分。
partitioner
partitioner的作用是将mapper（如果使用了combiner的话就是combiner）输出的键/值对拆分为分片（shard），每个reducer对应一个分片。默认情况下，partitioner先计算目标的散列值（通常为md5值）。然后，通过reducer个数执行取模运算key.hashCode()%（reducer的个数）。这种方式不仅能够随机地将整个键空间平均分发给每个reducer，同时也能确保不同mapper产生的相同键能被分发至同一个reducer。用户可以定制partitioner的默认行为，并可以使用更高级的模式，如排序。当然，一般情况下是不需要改写partitioner的。对于每个map任务，其分好区的数据最终会写入本地文件系统，等待其各自的reducer拉取。
混排和排序
reduce任务开始于混排和排序这一步骤。该步骤主要是将所有partitioner写入的输出文件拉取到运行reducer的本地机器上，然后将这些数据按照键排序并写到一个较大的数据列表中。排序的目的是将相同键的记录聚合在一起，这样其所对应的值就可以很方便地在reduce任务中进行迭代处理。这个过程完全不可定制，而且是由框架自动处理的。开发人员只能通过自定义Comparator对象来确定键如何排序和分组。
reduce
reducer将已经分好组的数据作为输入，并依次为每个键对应分组执行reduce函数。reduce函数的输入是键以及包含与该键对应的所有值的迭代器。在后文介绍的模式中，我们将看到在这个函数中有很多种处理方法。这些数据可以被聚合、过滤或以多种方式合并。当reduce函数执行完毕后，会将0个或多个键/值对发送到最后的处理步骤——输出格式。和map函数一样，因为reduce函数是业务处理逻辑的核心部分，所以不同作业的reduce函数也不相同。
输出格式
输出格式获取reduce函数输出的最终键/值对，并通过record writer将它写入到输出文件中。每条记录的键和值默认通过tab分隔，不同记录通过换行符分隔。虽然一般情况下可以通过自定义实现非常多的输出格式，但是，不管是什么格式，最终的结果都将写到HDFS上。和record reader一样，如何定制输出格式不在本书的讨论范围，因为那是对I/O的简单处理。
