- 将计算过程分为两个阶段，Map和Reduce
Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总 - Shuffle链接Map和Reduce两个阶段
Map Task将数据写入到本地磁盘
Reduce Task从每个Map Task上读取一份数据 - 仅适合离线批处理
具有很好的容错性和扩展性
适合简单的批处理任务 - 缺点明显
启动开销大、过多使用磁盘导致效率地下等
延迟高：完全基于磁盘的计算，每个环节的数据都是落地的硬盘上。
MR架构图
（1）、Master/Slave 架构
（2）、JobTracker
- Master节点，每个Hadoop集群只有一个JobTracker，管理所有作业，作业/任务的监控、错误处理等；将任务分解成一系列任务，并分派给TaskTracker。
- 整个MapReduce计算框架中的主服务（进程），运行作业的“管理者”，负责整个集群的作业控制和资源分配。
- 不一定必须运行在Namenode上，可以运行在任何节点上。通常不和NN放在一台机器上
- 通常部署JobTracker的节点，不开启TaskTracker进程。就像NN节点上不开启DataNode进程一样
（3）、TaskTracker
- Slave节点，运行Map Task和Reduce Task；并与JobTracker交互，汇报任务状态。
- TaskTracker位于子节点（即Datanode上），独立管理各自的task。
- 每个TaskTracker负责独立执行具体的task，而JobTracker负责分配task。每个TaskTracker可并行处理多个map以及reduce任务。
- TaskTracker的一个重要职责就是与JobTracker交互。如果JobTracker无法准时地获取TaskTracker提交的信息，JobTracker就判定TaskTracker已经崩溃，并将任务分配给其他节点处理。
- Map Task：解析每条数据记录，传递给用户编写的map(),并执行，将输出结果写入本地磁盘(如果为map-only作业，直接写入HDFS)。
- Reducer Task：从Map Task的执行结果中，远程读取输入数据，对数据进行排序，将数据按照分组传递给用户编写的reduce函数执行。
（4）、水平扩容
- 增加TaskTracker节点数，达到水平扩容（HDFS是增加Datanode节点数进行扩容），通常运行在Datanode上。
Mapreduce处理流程，以wordCount为例
MR计算流程解读
计算过程阶段：Map-combine-shuffle-Reduce
Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总
先看每个
Map阶段默认逐行读入，<key,value> 对；
Reduce阶段输出, <key , values> 对 。
假如有100台服务器，最终目的是计算出abc总出现次数。
可以如下做：
1、把100T文件分成100份，每份1T存储到每个节点上。并各逐行读取文件得到众多：<abc, 1>, <abc, 1>, <abc, 1>… ，即Map阶段。
如果计算过程很慢，可以对此阶段进行压缩
2、要得到全局abc总出现次数的话，而每个节点上都有abc，怎么办？ 想到一个办法，先每个节点上局部汇总各自得到一个总数如<abc, 1000> （即Combine阶段），然后再进行全局汇总。
3、把每个节点上Combine的结果进行混淆（网络传输至公共存储HDFS的临时目录/tmp下），为进行全局汇总做准备，即Shuffle阶段。
4、要进行abc的全局汇总，必须单线程！所以相同的key必须发给同一个reduce线程进行汇总，即Reduce阶段，得到abc的全局汇总值。
其中：1、如果需要代码里不设置Combiner类的话，就没有Combine阶段。会带来什么影响？ Shuffle阶段网络传输量增大，增加作业执行时长，增大网络IO负载。所以设置Combiner类是优化利器之一。
2、相同的key必须发给同一个reduce线程进行汇总，处理大key的reduce势必比较慢。这就是数据倾斜。后边课程里会讲如何解决数据倾斜的问题。
3、由于100T不可能平均存储在每个节点上，直接导致每个阶段处理的数据量不同，这是Map阶段数据倾斜。这个无法避免！
相同的KEY必须交给同一个reduce来执行，由于数据在不同节点上分布不均衡如（节点1分配3M、节点2分配3T）。
