玩家每天游戏的各种操作（登录，充值等），这些行为都会记录到日志中，根据这些日志信息统计并分析用户行为。
由于 Hadoop MapReduce 底层设计因素，在进行计算的过程中，在 Map 阶段的处理结果会写入磁盘中，在 Reduce 阶段再去下载 Map 阶段处理完的结果，Reduce 计算完毕后的结果又会回写磁盘中。
这样反复操作磁盘，I/O 开销很大，所耗费的时间自然也就偏高。这就意味着，Hadoop MapReduce 计算模型适合处理 批处理任务，而对实时统计任务则不适合，如 股票交易系统，银行交易系统。
package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
/**
* map 阶段
* <p>
* Object 此处为文本数据的起始位置的偏移量;可以直接使用 Long 类型，源码此处使用Object做了泛化
* Text 输入< key, value >对的 value 值，此处为一段具体的文本数据
* Text 输出< key, value >对的 key 值，此处为一个单词
* IntWritable：输出< key, value >对的 value 值，此处固定为 1
*/
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable> {
// IntWritable 是 Hadoop 对 Integer 的进一步封装，使其可以进行序列化。
private final static IntWritable one = new IntWritable(1);
// map 端的任务是对输入数据按照单词进行切分，每个单词为 Text 类型。
private Text word = new Text();
/**
* @param key 输入数据在原数据中的偏移量
* @param value 具体的数据数据，此处为一段字符串
* @param context 用于暂时存储 map() 处理后的结果
* @throws IOException IO异常
* @throws InterruptedException 中断异常
*/
@Override
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
// 字符串分割，也可以用 apache.common.lang3的 StringUtils.split
StringTokenizer itr = new StringTokenizer(value.toString());
// map 输出的 key value
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
/**
* reduce阶段，map的输出是reduce的输入
* Text：输入< key, value >对的key值，此处为一个单词
* IntWritable：输入< key, value >对的value值
* Text：输出< key, value >对的key值，此处为一个单词
* IntWritable：输出< key, value >对，此处为相同单词词频累加之后的值。实际上就是一个数字
*/
public static class IntSumReducer
extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
/**
* @param key 输入< key, value >对的key值，也就是一个单词
* @param values 一系列的key值相同的序列化结构
* @param context 临时存储reduce端产生的结果
* @throws IOException IO异常
* @throws InterruptedException 中断异常
*/
@Override
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
// 将相同的key进行合并，value累加
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
// 单词和它的数目
context.write(key, result);
}
}
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length < 2) {
System.err.println("Usage: wordcount <in> [<in>...] <out>");
System.exit(2);
}
// main函数调用Job类及逆行MapReduce 作业的初始化
Job job = Job.getInstance(conf, "word count");
job.setJarByClass(WordCount.class);
// 设置 job 的 map 阶段的执行类
job.setMapperClass(TokenizerMapper.class);
// 设置 job 的 combine 阶段的执行类
job.setCombinerClass(IntSumReducer.class);
// 设置 job 的 reduce 阶段的执行类
job.setReducerClass(IntSumReducer.class);
// map的输出 key、value 映射
job.setOutputKeyClass(Text.class);
// 设置程序的输出的value值的类型
job.setOutputValueClass(IntWritable.class);
// 调用 addInputFormat 设置输入路径
for (int i = 0; i < otherArgs.length - 1; ++i) {
// Path 是绝对路径
FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
}
// 输入文件 和 输出文件的路径
FileOutputFormat.setOutputPath(job,
new Path(otherArgs[otherArgs.length - 1]));
// 等待任务完成，任务完成之后退出程序
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
Yarn的基本思想是将 JobTracker 的资源管理和作业的调度/监控两大主要职能拆分为两个独立的进程：
a. 一个全局的 Resource Manager
b. 每个应用对应的 Application Master（AM）
Resource Manager 和每个节点上的 Node Manager（NM）组成了全新的通用操作系统，以分布式的方式管理应用程序。
Resource Manager拥有为系统中所有应用分配资源的决定权。与之相关的是应用程序的Application Master，负责与Resource Manager协商资源，并与Node Manager协同工作来执行和监控任务。
MapReduce采取了分而治之的基本思想，将一个大的作业分解成若干小的任务，提交给集群的多台计算机处理，这样就大大提高了完成作业的效率。
在Hadoop平台上，MapReduce框架负责处理并行编程中分布式存储、工作调度、负载均衡、容错及网络通信等复杂工作，把处理过程高度抽象为两个函数：Map 和 Reduce。
Map负责把作业分解成多个任务，Reduce负责把分解后多任务处理的结果汇总起来。
其中：
执行MapReduce作业的机器角色由两个：JobTracker 和 TaskTracker
（1）JobTracker用于调度作业（一个集群只有一个JobTracker）
（2）TaskTracker用于跟踪任务的执行情况。
HDFS有一个文件系统实例，客户端通过调用这个实例的open()方法就可以打开系统中希望读取的文件。
HDFS通过RPC调用NameNode获取文件块的位置信息，对于文件的每一个块，NameNode会返回该块副本DataNode的节点地址。
另外，客户端还会根据网络拓扑来确定它与每一个DataNode的位置信息，从离它最近的那个DataNode获取数据块的副本，最理想的情况是数据块就储存在客户端所在的节点上。
具体过程：
（1）客户端发起请求
（2）客户端与NameNode得到文件的块及位置信息列表
（3）客户端直接和DataNode交互读取数据
（4）读取完成关闭连接
这样设计的巧妙之处有：
（1）在运行MapReduce任务时，每个客户端就是一个DataNode节点。
（2）NameNode 仅需要相应块的位置信息请求，否则随着客户端的增加，NameNode会很快成为瓶颈。
Hadoop的网络拓扑。在海量数据处理过程中，主要限制因素时节点之间的带宽。衡量两个节点之间的带宽往往很难实现，在这里Hadoop采取了一个简单的方法，它把网络拓扑看成一棵树，两个节点的距离等于他们到最近共同祖先距离的综合，而树的层次可以这么划分：
a、同一个节点中的进程
b、同一机架上的不同节点
c、同一数据中心不同机架
d、不同数据中心的节点
本文权威指南读书笔记
（1）存储大文件：HDFS支持GB级别大小的文件；
（2）流式数据访问：保证高吞吐量
（3）容错性：完善的冗余备份机制；
（4）简单的一致性模型：一次写入多次读取；
（5）移动计算优于移动数据：HDFS使应用计算移动到离他最近数据位置的接口；
（6）兼容各种硬件和软件平台。
HDFS不适合的场景：
（1）大量小文件：文件的元数据存储在NameNode内容中，大量小文件意味着元数据增加，会占用大量内存；
（2）低延迟数据访问：HDFS是专门针对吞吐量而不是用户低延迟；
（3）多用户写入：导致一致性维护困难。