简介：
mapreduce中心思想是分而治之，将数据处理的过程分为map和reduce两步，
特点：
开发简单：用户不需要了解mapreduce深层实现掌握使用方法即可实现分布式编程
扩展性强：可水平扩展
容错性强：多节点，可用性高
编程思想：
执行过程：{key，value}——>{key，list<value>}——>{key，value}，分词——》分组——》技术
最小单位：键值对
执行过程：将数据拆分成键值对-》经过map输出新的中间键值对-》经过reduce输出聚合和计数后的键值对
运行环境：
CDH5中的运行环境是yarn，向yarn提交任务，yarn做分配处理
CDH3中是以jobTracker为主角色，taskTracker为从角色的主从架构，客户端提交任务到主节点，主节点做任务分配，从节点处理数据
jobTracker任务：任务调度和资源监控
taskTracker任务：汇报心跳和执行map或者reduce函数
局限性：
资源配置不灵活：tasktracker能够启动的任务数量由tasktracker的任务槽决定，槽是mapreduce的计算资源表示模型，hadoop将槽分为map槽和reduce槽，槽已经分配边无法更改，故mapreduce无法灵活分配资源
执行速度慢：大量的中间结果需要写入磁盘，磁盘I/O耗费时间长
过于底层，java以外的用户存在使用门槛
代码片段展示
map：
reduce:
main:
···java
public static void main(String[] args) throws Exception{
System.setProperty("HADOOP_USER_NAME", "hadoop");
Configuration configuration = new Configuration();
configuration.set("fs.defaultFS","hdfs://192.168.199.233:8020");
// 创建一个Job
Job job = Job.getInstance(configuration);
// 设置Job对应的参数: 主类
job.setJarByClass(WordCountApp.class);
// 设置Job对应的参数: 设置自定义的Mapper和Reducer处理类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 设置Job对应的参数: Mapper输出key和value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 设置Job对应的参数: Reduce输出key和value的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 如果输出目录已经存在，则先删除
FileSystem fileSystem = FileSystem.get(new URI("hdfs://192.168.199.233:8020"),configuration, "hadoop");
Path outputPath = new Path("/wordcount/output");
if(fileSystem.exists(outputPath)) {
fileSystem.delete(outputPath,true);
}
// 设置Job对应的参数: Mapper输出key和value的类型：作业输入和输出的路径
FileInputFormat.setInputPaths(job, new Path("/wordcount/input"));
FileOutputFormat.setOutputPath(job, outputPath);
// 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : -1);
}
```
执行过程：
input->map->comine->reduce->output
工作机制：
