MapReduce计算流程
先看Map端，文件上传HDFS会切成Block，默认128M，然后有一个逻辑切片叫Split，它不改动存储，只是用来控制参与计算的节点数，一个切片就对应一个MapTask，Map任务从自己的切片里读数据，每次读一行，拼成KV，Key是偏移量，Value是一行内容。然后数据不是直接写磁盘，而是先写进内存里的环形缓冲区，默认100M，写到80%就触发溢写，写进去之前会先分区，默认是Key的哈希对Reduce数取模。缓冲区里的数据在溢写之前还会排个序，先按分区排，再按Key排，所以溢写出去的小文件内部是有序的。溢写会产生很多小文件，后面再归并成一个大文件，这个合并过程还能顺便用Combiner做一次局部汇总。
然后进入Shuffle，这是Map和Reduce之间最关键的环节。Reduce端通过HTTP去各个Map拉取属于自己的那份数据。相同的Key拉到同一个Reduce，然后把拉回来的数据进行一次全局排序，排好之后，按Key分组，每一组调一次reduce方法。最后每个Reduce把结果写到HDFS上，一个作业就走完了
YARN集群工作流程
首先客户端先向 ResourceManager 发一个 getNewApplication 请求，ResourceManager返回给客户端一个JobID和一个存资源的临时目录，然后客户端把作业的jar包，配置，算好的分片都传到HDFS，再用submitApplication把作业提交给ResourceManager，ResourceManager里的应用管理器收到之后，交给调度器，调度器选一台NodeManager，开一个Container，在里面把ApplicaitonMaster起起来。ApplicationMaster起来后的第一件事是向ResourceManager注册，然后收集分片情况，向ResourceManager申请资源，它用轮询的方式通过RPC拿资源，拿到之后再找对应的NodeManager，让它启动Container，然后把任务起起来，任务跑的过程中，通过RPC向ApplicationMaster汇报状态和进度，ApplicationMaster一旦发现哪个任务失败，就重新申请资源把它重启。
最后所有任务跑完，ApplicationMaster 向 ResourceManager申请注销，然后把自己关掉，资源全部释放，yarn的工作就完成了，最后计算框架更新计算进度和状态。
为什么会产生yarn
在Hadoop1的时候，MapReduce是把资源调度和计算揉在一起的，集群里就一个JobTracker，它既管资源分配，又管作业调度，下面的TaskTracker干活然后向它汇报。问题有两个。第一，JobTracker一个人扛所有事，因为是单点的，集群一大，就不行了，第二，这种系统是专用的，只能跑MapReduce这一类计算，想跑别的计算模型，就得再搭一套，资源和框架都对不上。所以Hadoop2就把MapReduce拆成了两块，一块是yarn，专门负责资源调度管理，另一块是MapReduce本身，专门负责计算，这样一抽出来，资源调度就变成了一个通用的平台，以后其他计算框架比如spark只要照着yarn的接口来，就能共享同一个集群的资源，不同再重新搭一套。
MapReduce数据倾斜
第一，将默认的哈希分区改成自定义分区，结合业务让每个分区数据量基本平衡
第二，可以改Key，在Key前面加随机数，让哈希之后能均匀一点。
第三，Reduce慢，那就给它加内存，加虚拟核
第四，如果是只有一个Reduce拖慢的，那就加Reduce数量分摊压力，前面这一层做完，再来一个作业做最终聚合。
Hadoop压缩算法
按位置选择，第一次读进来，选可切分的，也就是BZip2 或者 LZO，不然只有一个Map，中间Map到Reduce这一段，要选压缩解压都快的，比如Snappy、LZO、LZ4、Zstd，最后Reduce输出，看下游，如果还要接着算就选可切分的BZip2，如果是归档存起来，就选压缩比高的Gzip或者BZip2。
MR优化
先说小文件，上传到HDFS之前就把小文件合并掉，第二，合并之后如果文件太大，换存储格式或者压缩，但要注意能不能切片，第三，如果小文件已经在HDFS里了，那就用CombineFileInputFormat这类读取类，在读的时候合并。
然后就是数据倾斜，自定义分区，加盐改Key，给Reduce加资源，或者加Reduce数量做二次聚合
然后是推测执行，做法是给慢任务起一个备份任务，两份同时跑同一份数据，谁先跑完用谁，另一个杀掉，本质就是利用资源换时间，所以集群资源紧张的时候不能开他。
最后从执行流程上优化，分Map和Reduce两段，Map这边，环形缓冲区默认100M，到80%溢写，内存够就调大，能少溢写几次，合并因子默认一次合10个，调大能少合几轮；再加上Combiner做局部汇总、压缩中间数据、调响应线程数。Reduce这边，并行拉取默认5，可以调大，然后就是读缓存，默认数据是要写磁盘再读回来的，把那个参数从0调大一点，让一部分数据直接进Reduce，能省一次落盘回读。
