我們通過下面這個天氣資料處理的例子來說明hadoop的運作原理.
假設我們需要處理一批有關天氣的資料，其格式如下：
按照ascii碼存儲，每行一條記錄
每一行字元從0開始計數，第15個到第18個字元為年
第25個到第29個字元為溫度，其中第25位是符号+/-
0067011990999991950051507+0000+
0043011990999991950051512+0022+
0043011990999991950051518-0011+
0043012650999991949032412+0111+
0043012650999991949032418+0078+
0067011990999991937051507+0001+
0043011990999991937051512-0002+
0043011990999991945051518+0001+
0043012650999991945032412+0002+
0043012650999991945032418+0078+
現在需要統計出每年的最高溫度。
map-reduce主要包括兩個步驟：map和reduce
每一步都有key-value對作為輸入和輸出：
map階段的key-value對的格式是由輸入的格式所決定的，如果是預設的textinputformat，則每行作為一個記錄程序處理，其中key為此行的開頭相對于檔案的起始位置，value就是此行的字元文本
map階段的輸出的key-value對的格式必須同reduce階段的輸入key-value對的格式相對應
對于上面的例子，在map過程，輸入的key-value對如下：
(0, 0067011990999991950051507+0000+)
(33, 0043011990999991950051512+0022+)
(66, 0043011990999991950051518-0011+)
(99, 0043012650999991949032412+0111+)
(132, 0043012650999991949032418+0078+)
(165, 0067011990999991937051507+0001+)
(198, 0043011990999991937051512-0002+)
(231, 0043011990999991945051518+0001+)
(264, 0043012650999991945032412+0002+)
(297, 0043012650999991945032418+0078+)
在map過程中，通過對每一行字元串的解析，得到年-溫度的key-value對作為輸出：
(1950, 0)
(1950, 22)
(1950, -11)
(1949, 111)
(1949, 78)
(1937, 1)
(1937, -2)
(1945, 1)
(1945, 2)
(1945, 78)
在reduce過程，将map過程中的輸出，按照相同的key将value放到同一個清單中作為reduce的輸入
(1950, [0, 22, –11])
(1949, [111, 78])
(1937, [1, -2])
(1945, [1, 2, 78])
在reduce過程中，在清單中選擇出最大的溫度，将年-最大溫度的key-value作為輸出：
其邏輯過程可用如下圖表示：
下圖大概描述了map-reduce的job運作的基本原理：
下面我們讨論jobconf，其有很多的項可以進行配置：
setinputformat：設定map的輸入格式，預設為textinputformat，key為longwritable, value為text
setnummaptasks：設定map任務的個數，此設定通常不起作用，map任務的個數取決于輸入的資料所能分成的input split的個數
setmapperclass：設定mapper，預設為identitymapper
setmaprunnerclass：設定maprunner, map task是由maprunner運作的，預設為maprunnable，其功能為讀取input split的一個個record，依次調用mapper的map函數
setmapoutputkeyclass和setmapoutputvalueclass：設定mapper的輸出的key-value對的格式
setoutputkeyclass和setoutputvalueclass：設定reducer的輸出的key-value對的格式
setpartitionerclass和setnumreducetasks：設定partitioner，預設為hashpartitioner，其根據key的hash值來決定進入哪個partition，每個partition被一個reduce task處理，是以partition的個數等于reduce task的個數
setreducerclass：設定reducer，預設為identityreducer
setoutputformat：設定任務的輸出格式，預設為textoutputformat
fileinputformat.addinputpath：設定輸入檔案的路徑，可以使一個檔案，一個路徑，一個通配符。可以被調用多次添加多個路徑
fileoutputformat.setoutputpath：設定輸出檔案的路徑，在job運作前此路徑不應該存在
當然不用所有的都設定，由上面的例子，可以編寫map-reduce程式如下：
public class maxtemperature {
public static void main(string[] args) throws ioexception {
if (args.length != 2) {
system.err.println(“usage: maxtemperature <input path> <output path>”);
system.exit(-1);
}
jobconf conf = new jobconf(maxtemperature.class);
conf.setjobname(“max temperature”);
fileinputformat.addinputpath(conf, new path(args[0]));
fileoutputformat.setoutputpath(conf, new path(args[1]));
conf.setmapperclass(maxtemperaturemapper.class);
conf.setreducerclass(maxtemperaturereducer.class);
conf.setoutputkeyclass(text.class);
conf.setoutputvalueclass(intwritable.class);
jobclient.runjob(conf);
}
}
map-reduce的處理過程主要涉及以下四個部分：
用戶端client：用于送出map-reduce任務job
jobtracker：協調整個job的運作，其為一個java程序，其main class為jobtracker
tasktracker：運作此job的task，處理input split，其為一個java程序，其main class為tasktracker
hdfs：hadoop分布式檔案系統，用于在各個程序間共享job相關的檔案
jobclient.runjob()建立一個新的jobclient執行個體，調用其submitjob()函數。
向jobtracker請求一個新的job id
檢測此job的output配置
計算此job的input splits
将job運作所需的資源拷貝到jobtracker的檔案系統中的檔案夾中，包括job jar檔案，job.xml配置檔案，input splits
通知jobtracker此job已經可以運作了
送出任務後，runjob每隔一秒鐘輪詢一次job的進度，将進度傳回到指令行，直到任務運作完畢。
當jobtracker收到submitjob調用的時候，将此任務放到一個隊列中，job排程器将從隊列中擷取任務并初始化任務。
初始化首先建立一個對象來封裝job運作的tasks, status以及progress。
在建立task之前，job排程器首先從共享檔案系統中獲得jobclient計算出的input splits。
其為每個input split建立一個map task。
每個task被配置設定一個id。
tasktracker周期性的向jobtracker發送heartbeat。
在heartbeat中，tasktracker告知jobtracker其已經準備運作一個新的task，jobtracker将配置設定給其一個task。
在jobtracker為tasktracker選擇一個task之前，jobtracker必須首先按照優先級選擇一個job，在最高優先級的job中選擇一個task。
tasktracker有固定數量的位置來運作map task或者reduce task。
預設的排程器對待map task優先于reduce task
當選擇reduce task的時候，jobtracker并不在多個task之間進行選擇，而是直接取下一個，因為reduce task沒有資料本地化的概念。
tasktracker被配置設定了一個task，下面便要運作此task。
首先，tasktracker将此job的jar從共享檔案系統中拷貝到tasktracker的檔案系統中。
tasktracker從distributed cache中将job運作所需要的檔案拷貝到本地磁盤。
其次，其為每個task建立一個本地的工作目錄，将jar解壓縮到檔案目錄中。
其三，其建立一個taskrunner來運作task。
taskrunner建立一個新的jvm來運作task。
被建立的child jvm和tasktracker通信來報告運作進度。
maprunnable從input split中讀取一個個的record，然後依次調用mapper的map函數，将結果輸出。
map的輸出并不是直接寫入硬碟，而是将其寫入緩存memory buffer。
當buffer中資料的到達一定的大小，一個背景線程将資料開始寫入硬碟。
在寫入硬碟之前，記憶體中的資料通過partitioner分成多個partition。
在同一個partition中，背景線程會将資料按照key在記憶體中排序。
每次從記憶體向硬碟flush資料，都生成一個新的spill檔案。
當此task結束之前，所有的spill檔案被合并為一個整的被partition的而且排好序的檔案。
reducer可以通過http協定請求map的輸出檔案，tracker.http.threads可以設定http服務線程數。
當map task結束後，其通知tasktracker，tasktracker通知jobtracker。
對于一個job，jobtracker知道tasktracer和map輸出的對應關系。
reducer中一個線程周期性的向jobtracker請求map輸出的位置，直到其取得了所有的map輸出。
reduce task需要其對應的partition的所有的map輸出。
reduce task中的copy過程即當每個map task結束的時候就開始拷貝輸出，因為不同的map task完成時間不同。
reduce task中有多個copy線程，可以并行拷貝map輸出。
當很多map輸出拷貝到reduce task後，一個背景線程将其合并為一個大的排好序的檔案。
當所有的map輸出都拷貝到reduce task後，進入sort過程，将所有的map輸出合并為大的排好序的檔案。
最後進入reduce過程，調用reducer的reduce函數，處理排好序的輸出的每個key，最後的結果寫入hdfs。
當jobtracker獲得最後一個task的運作成功的報告後，将job得狀态改為成功。
當jobclient從jobtracker輪詢的時候，發現此job已經成功結束，則向使用者列印消息，從runjob函數中傳回。