Hadoop白皮书(3)：分布式计算框架MapReduce简介

MapReduce 是一个高性能的批处理分布式计算框架，用于对海量数据进行并行分析和处理。与传统数据仓库和分析技术相比，MapReduce 适合处理各种类型的数据，包括结构化、半结构化和非结构化数据。数据量在 TB 和 PB 级别，在这个量级上，传统方法通常已经无法处理数据。MapReduce 将分析任务分为大量的并行 Map 任务和 Reduce 汇总任务两类。Map 任务运行在多个服务器上。目前部署的最大集群有 4000 个服务器。

MapReduce 适合处理的任务

复杂的数据：业务数据不能适合行列的数据库结构。数据可能来源于多种格式：多媒体数据、图像数据、文本数据、实时数据、传感器数据等等。当有新的数据来源时，可能会有新的数据格式的出现。MapReduce 可以存放和分析各种原始数据格式。

超大规模数据：很多公司仅仅应为数据存放成本过高就放弃了很多有价值的数据。新的数据来源使得问题更为严重，新的系统和用户带来比以往更多的数据。Hadoop的创新构架使用低成本的常规服务器储存和处理海量的数据。

新的分析手段：海量复杂数据分析需要使用新的方法。新的算法包括自然语言分析、模式识别等。只有 Hadoop 的构架才能方便高效地使用新的算法来处理和分析海量数据。


MapReduce 框架的核心优势：

1. 高度可扩展，可动态增加/削减计算节点，真正实现弹性计算。

2. 高容错能力，支持任务自动迁移、重试和预测执行，不受计算节点故障影响。

3. 公平调度算法，支持优先级和任务抢占，兼顾长/短任务，有效支持交互式任务。

4. 就近调度算法， 调度任务到最近的数据节点，有效降低网络带宽。

5. 动态灵活的资源分配和调度，达到资源利用最大化，计算节点不会出现闲置和过载的情况;同时支持资源配额管理。

6. 经过大量实际生产环境使用和验证，最大集群规模在 4000 个计算节点。


ref：http://cloud.watchstor.com/infra-139991.htm