本篇内容介绍了“Hadoop MapReduce的优点有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
曾有这么一句话：“大量的数据胜于好的算法。”意思是说，对于某些应用（譬如基于先前偏好进行电影和音乐推荐），不论你的算法有多好，大量的可用的数据总能带来更好的推荐效果。
现在，我们已经有了大量的数据。不幸的是，我们当下正纠结于存储和分析这些数据。
我们遇到的问题很简单：磁盘访问速度跟不上磁盘存储容量增长的速度。
读取一个磁盘中所有的数据需要很长时间，写甚至更慢。一个很简单减少读取时间的办法是：同时从多个磁盘上读取数据。
试想，如果我们拥有100个磁盘，每个磁盘存储1%的数据，并行读取，那么不到两分钟就可以读取所有数据。
仅使用磁盘容量的1%似乎很浪费。但是我们可以存储100个数据集，每个数据集1TB，并实现共享磁盘的访问。可以想象，该类系统的用户会很乐意使用磁盘共享访问以便缩短数据分析时间；并且，从统计角度来看，用户的分析工作会在不同的时间点进行，所以互相之间的干扰不会太大。
一旦使用多个硬件，其中任一硬件发生故障的概率将非常高。
常用做法为使用备份避免数据丢失。
系统保存数据的冗余复本，在发生故障后，可以使用数据的另一个可用复本。
例如：冗余磁盘阵列（RAID）就是按这个原理实现的。
另外，Hadoop的文件系统，即HDFS（Hadoop Distributed FileSystem）也用于备份复本。
即，从一个磁盘读取的数据可能需要和从另外99个磁盘中读取的数据结合使用。各种分布式系统允许结合多个来源的数据并实现分析，但保证其正确性是一个很大的挑战。
MapReduce提出一个编程模型。该模型将上述磁盘读写的问题进行抽象，并转换为一个数据集（由键/值对组成）的计算。
此计算模型由map和reduce两部分组成，而只有这两部分提供对外的接口。与HDFS类似，MapReduce也具有较高的可靠性。
简而言之，Hadoop提供了一个可靠的共享存储和分析系统。HDFS实现存储，而MapReduce实现分析处理。纵然Hadoop还有其他功能，但这两部分是它的核心。
MapReduce似乎采用的是一种蛮力方法。每个查询需要处理整个数据集——或至少数据集的很大一部分。
反过来想，这也正是它的能力。
MapReduce是一个批量查询处理器，并且它能够在合理的时间范围内即时处理针对整个数据集的即时（ad hoc）查询。
这些问题的答案来自磁盘的另一发展趋势：寻址时间的提高远远慢于传输速率的提高。
寻址是将磁头移动到特定磁盘位置进行读写操作的过程。它是导致磁盘操作延迟的主要原因，而传输速率取决于磁盘的带宽。
如果数据的访问模式中包含大量的磁盘寻址，那么读取大量数据集所花的时间势必会更长（相较于流式数据读取模式），流式读取主要取决于传输速率。
另一方面，如果数据库系统只更新一部分记录，那么传统的B树更有优势（关系型数据库中使用的一种数据结构，受限于寻址的比例）。
但数据库更新大部分数据时，B树的效率比MapReduce低得多，因为需要使用“排序/合并”（sort/merge）来重建数据库。
在许多情况下，可以将MapReduce视为关系型数据库管理系统的补充。
此处缺图一张，占位，下次补。
结构化数据：是具有既定格式的实体化数据。
诸如XML文档或满足特定预定义格式的数据库表。这是RDBMS包括的内容。
半结构化数据：
比较松散。虽然可能有格式，但经常被忽略，所以它只能用作对数据结构的一般指导。
例如，一张电子表格，其结构是由单元格组成的网格，但是每个单元格自身可保存任何形式的数据。
非结构化数据：
没有什么特别的内部结构。
例如，纯文本或图像数据。
MapReduce对于非结构化或半结构化数据非常有效。
因为，在处理数据时才对数据进行解释。
换句话说：MapReduce输入的键和值并不是数据固有的属性，而是由分析数据的人员来选择的。
因为Web服务器日志是一个典型的非规范化数据记录（例如：每次都需要记录客户端主机全名，导致同一客户端全名可能会多次出现），这也是MapReduce非常适用于分析各种日志文件的原因之一。
程序员编写两个函数，分别为map和reduce函数——每个函数定义一个键/值对集合到另一个键/值对集合的映射。
这些函数无需关注数据集及其所用集群的大小，因此可以原封不动地应用到小规模数据集或大规模的数据集上。更重要的是，如果输入的数据量是原来的两倍，那么运行的时间也需要两倍。但是，如果集群是原来的两倍，作业的运行仍然与原来一样快。SQL查询一般不具备该特性。
但是，在不久的将来，关系型数据库系统和MapReduce系统之间的差异很可能变得模糊。
关系型数据库都开始吸收MapReduce的一些思路。另一方面，基于MapReduce的高级查询语言（如Pig和Hive）使MapReduce得系统更接近传统的数据库编程方式。
MapReduce会尽量在计算节点上存储数据，以实现数据的本地快速访问。
数据本地化特性是MapReduce的核心特征，并因此而获得良好的性能。
意识到网络带宽是数据中心环境最珍贵的资源（到处复制数据很容易耗尽网络带宽）之后，MapReduce通过显示网络拓扑结构尽力保留网络带宽。
在大规模分布式计算环境下，协调各进程间的执行是一个很大的挑战。最困难的是合理地处理系统部分失效问题——在不知道一个远程进行是否已失效的情况下——同时还需要继续完成整个计算。
MapReduce让程序员无需考虑系统的部分失效问题，因为自身的系统实现能够检测到失败的map或reduce任务，并让正常运行的机器重新执行这些失败的任务。
正是由于采用了无共享框架，所以MapReduce才能够实现失败检测，这意味着各个任务之间彼此独立。（因为MapReduce系统本身控制着mapper的输出结果传给reducer的过程，这种情况下，重新运行reducer比重新运行mapper更需要格外小心。因为reducer需要获取必要的mapper的输出结果，如果没有获得必要的输出结果，必须再次运行相关mapper重新生成输出结果。）
因此，从程序员的角度来看，任务的执行顺序是无关紧要的。相比之下，MPI(消息传递接口)程序必须显式的管理自身的检查点和恢复机制，尽管更多的控制权交给了程序员，但也加大了编程的难度。
灵感来自于传统的函数式编程、分布式计算和数据库社区，此后该模型在其他行业有着很多其他的应用。
MapReduce的设计目标是服务于那些只需数分钟或数小时即可完成的作业。并且运行于内部通过高速网络连接的单一数据中心内，并且该数据中心内的计算机需要由可靠地、定制的硬件构成。
Hadoop是Apache Lucene创始人Doug Cutting创建的，Lucene是一个广泛使用的文本搜索系统库。
Hadoop起源于Apache Nutch，一个开源的网络搜索引擎，它本身也是Lucene项目的一部分。
Nutch项目始于2002年，一个可以运行的网页爬去工具盒搜索引擎。但后来，开发者认为这一架构可扩展度不够，不能解决十亿网页的搜索问题。
2003年谷歌发表的一篇论文为此提供了帮助。文中描述的是谷歌产品架构，该架构称为谷歌分布式文件系统，简称GFS。GFS或类似的架构，可以解决他们在网页爬去和索引过程中产生的超大文件的存储需求。特别关键的是，GFS能够节省系统管理（如管理存储节点）所花的大量时间。
在2004年，Doug Cutting他们开始着手实现一个开源的实现，即Nutch的分布式文件系统（NDFS）。
2004年，谷歌发表论文介绍他们的MapReduce系统。
2005年初，Nutch的开发人员在Nutch上实现了一个MapReduce系统，到年中，Nutch的所有主要算法均完成移植，用MapReduce和NDFS来运行。
Nutch的NDFS和MapReduce实现不只是适用于搜索领域。在2006年2月，开发人员将NDFS和MapReduce移出Nutch形成Lucene的一个子项目，称为Hadoop。
尽管Hadoop因MapReduce及其分布式文件系统（HDFS，由NDFS改名而来）而出名。但Hadoop这个名字也用于一组相关项目的统称，这些相关项目都使用这个基本平台进行分布式计算和海量数据处理。
一组分布式文件系统和通用I/O的组件与接口（序列化、Java RPC和持久化数据结构）。
一种支持高效、跨语言的RPC以及永久存储数据的序列化系统。
分布式数据处理模型和执行环境，运行于大型商用机集群。
分布式文件系统，运行于大型商用机集群。
一种数据流语言和运行环境，用以检索非常大的数据集。Pig运行在MapReduce和HDFS的集群上。
一个分布式、按列存储数据库。HBase使用HDFS作为底层存储，同时支持MapReduce的批量式计算和点查询随机读取。
一个分布式，可用性高的协调服务。ZooKeeper提供分布式锁之类的基本服务用于构建分布式应用。
在数据库和HDFS之间高效传输数据的工具。
“Hadoop MapReduce的优点有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
