MapReduce 实战详解：学生成绩统计案例

一、MapReduce 概述

1. 定义

MapReduce 是一种分布式并行计算的编程模型与框架，由 Google 提出核心思想，Apache Hadoop 进行开源实现，是大数据离线批量处理的核心技术。它专门解决海量数据（TB/PB 级别）的高效处理问题，将复杂的分布式计算任务拆解为两个核心阶段，降低大数据开发的门槛。

2. 核心思想

MapReduce 的核心思想是「分而治之，先分后合」：
分 (Map)：把一个超大的计算任务、一份海量的数据集，拆分成多个相互独立、可并行执行的小任务和小数据集，每个小任务只处理对应分片的数据；
合 (Reduce)：将所有小任务处理后的零散结果，按照指定规则进行汇总、聚合、计算，最终得到完整的业务结果。

3. 核心特点

分布式并行执行：天然支持多节点并行处理任务，充分利用集群算力，大幅提升数据处理效率；
高容错性：集群中某个节点故障时，框架自动将该节点的任务调度至其他节点重试，不影响最终结果；
开发简洁：开发人员只需编写核心业务逻辑，无需关注底层的任务调度、数据传输、故障恢复等复杂细节；
高扩展性：数据量增大时，无需修改代码，仅需增加集群节点即可支撑更大规模的数据处理。

4. 适用场景

MapReduce 适用于离线批量数据处理，典型场景包含：数据统计（求和、求平均、计数）、日志分析、数据清洗与去重、词频统计、分布式排序等。

二、MapReduce 完整实现过程

MapReduce 的执行流程是固定且不可逆的，完整分为四大核心阶段，执行顺序为：Map阶段 → Shuffle阶段 → Reduce阶段，全程由Driver 驱动类统一调度配置，四个阶段缺一不可，共同完成整个计算任务。
重要说明：开发人员仅需要编写 Map、Reduce、Driver 三类代码，Shuffle 阶段由 MapReduce 框架自动完成，无任何手动编码。

（一）Map 阶段

1. 阶段作用

Map 阶段是 MapReduce 的数据处理与转换阶段，是「分」的核心体现。核心功能是：读取分片后的原始数据，按照业务需求对数据做过滤、提取、转换，最终输出指定格式的键值对（Key-Value），为后续聚合做准备。

2. 执行核心规则

Map 任务的输入是固定格式的键值对：Key=LongWritable（当前行数据在文件中的字节偏移量，无业务意义）、Value=Text（当前行的完整文本内容）；
开发需自定义类继承框架的Mapper父类，并重写核心的map()方法，所有业务逻辑均在该方法中实现；
map()方法是逐行执行的：框架读取到的每一行数据，都会调用一次map()方法进行处理；
Map 阶段的多个任务之间相互独立、无依赖、并行执行，不同 Map 任务处理不同的数据分片。

（二）Shuffle 阶段（核心核心，框架自动执行）

1. 阶段作用

Shuffle 译为「洗牌」，是连接 Map 阶段和 Reduce 阶段的唯一桥梁，也是 MapReduce 的核心核心。核心功能是：对 Map 阶段输出的所有零散键值对做数据整理，最终将相同 Key 的所有 Value 值聚合为一个集合，传递给对应的 Reduce 任务。

2. 执行核心规则

全程由 MapReduce 框架自动实现，无任何手动编码，开发人员只能通过参数调优提升性能，无法修改执行逻辑；
执行流程分为「Map 端处理」和「Reduce 端处理」：
Map 端：对 Map 输出的键值对做分区、排序、溢写、合并，最终将整理后的数据写入节点本地磁盘；
Reduce 端：主动拉取对应分区的数据，对数据做合并、排序、分组，最终形成一个Key对应一个Value集合的格式，作为 Reduce 阶段的输入。
核心保障：相同的 Key 一定会被分发到同一个 Reduce 任务中进行处理，为后续的聚合计算提供数据基础。

（三）Reduce 阶段

1. 阶段作用

Reduce 阶段是 MapReduce 的数据聚合与结果计算阶段，是「合」的核心体现。核心功能是：接收 Shuffle 阶段整理后的结构化数据，按照业务需求对同 Key 的 Value 集合做聚合计算（求和、求平均、计数等），最终输出满足业务需求的最终结果。

2. 执行核心规则

Reduce 任务的输入是固定格式：Key=业务自定义Key、Value=Iterable<业务自定义Value>，即一个 Key 对应多个 Value 的可迭代集合；
开发需自定义类继承框架的Reducer父类，并重写核心的reduce()方法，所有聚合计算的业务逻辑均在该方法中实现；
reduce()方法是按 Key 执行的：框架将同一个 Key 的所有 Value 集合，一次性传入reduce()方法中处理；
Reduce 任务需要等待所有 Map 任务执行完成后才能启动，因为需要拉取所有 Map 节点的输出数据。

（四）Driver 驱动阶段

1. 阶段作用

Driver 是 MapReduce 作业的入口程序，也叫驱动类，本质是一个带main方法的 Java 类，是整个 MapReduce 任务的「总指挥」。没有 Driver 类，Map 和 Reduce 任务都无法执行。

2. 执行核心规则

Driver 阶段不参与任何数据处理，核心作用是：对整个 MapReduce 作业做全局配置、指定核心组件、设置数据的输入输出路径，最终将作业提交到集群执行，并监控作业的运行状态；
所有配置项均为固定的 API 调用，是 MapReduce 作业运行的必要条件，缺一不可；
作业执行完成后，根据执行结果返回状态码，成功返回 0，失败返回 1。

三、MapReduce 案例分析：学生各科目平均分统计

（一）案例需求

1. 业务需求

输入为 CSV 格式的学生成绩数据，每行数据格式为学号,科目,分数，要求通过 MapReduce 分布式计算，统计出每一个科目的平均分，最终输出格式为科目平均分。

2.数据样例

某中学一次月考后，有一份某年级学生的成绩表，现要求统计本次月考各科目平均成绩，其中部分内容和平均成绩如下所示：

3. 核心实现思路

Map 阶段：读取每行成绩数据，按逗号拆分字段，提取科目作为输出 Key，提取分数作为输出 Value，输出键值对 (科目,分数)；
Shuffle 阶段：框架自动将同科目的所有分数聚合为一个集合，形成 (科目, [分数1,分数2,分数3...])；
Reduce 阶段：接收同科目的分数集合，累加计算总分、统计人数，最终计算出该科目的平均分，输出键值对 (科目,平均分)。

（二）完整代码实现 + 逐行详细分析

✅代码一：Map 阶段 - 自定义 Mapper 类 wxy20246030844Mapper.java

package com.hadoop.zuoye; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class wxy20246030844Mapper extends Mapper<LongWritable, Text, Text, IntWritable> { private Text outkey = new Text(); private IntWritable outvalue = new IntWritable(); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { // 将Hadoop的Text类型转换为Java的String类型，方便后续字符串处理 String lineData = value.toString(); String[] splitData = lineData.split(","); // 给输出的Key赋值 → 将拆分后的科目名称赋值给outkey outkey.set(splitData[1]); // 给输出的Value赋值 → 将拆分后的分数转成int类型，再赋值给outvalue int score = Integer.parseInt(splitData[2]); outvalue.set(score); // 核心API - 输出键值对，将(科目,分数)写入框架，进入后续的Shuffle阶段 context.write(outkey, outvalue); } }

代码核心总结：Map 阶段的核心是「数据提取与转换」，把原始的一行成绩数据，转换成后续能聚合的键值对格式，无任何计算逻辑。
✅代码二：Reduce 阶段 - 自定义 Reducer 类 wxy20246030844Reducer.java

package com.hadoop.zuoye; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class wxy20246030844Reducer extends Reducer<Text, IntWritable, Text, IntWritable> { private IntWritable valueout = new IntWritable(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int sum = 0; int count = 0; for (IntWritable val : values) { sum += val.get(); count++; } int avg_grade = sum / count; valueout.set(avg_grade); context.write(key, valueout); } }

代码核心总结：Reduce 阶段的核心是「数据聚合与计算」，对同科目下的所有分数做统计计算，得到最终业务结果，是整个需求的核心计算环节。
✅代码三：Driver 驱动阶段 - 驱动类 wxy20246030844Driver.java

package com.hadoop.zuoye; 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.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import java.io.IOException; public class wxy20246030844Driver { public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { Configuration conf = new Configuration(); Job job = Job.getInstance(conf); job.setJarByClass(wxy20246030844Driver.class); job.setMapperClass(wxy20246030844Mapper.class); job.setReducerClass(wxy20246030844Reducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.setInputPaths(job, new Path("D:\\wven\\input")); FileOutputFormat.setOutputPath(job, new Path("D:\\wven\\output")); boolean result = job.waitForCompletion(true); System.exit(result ? 0 : 1); } }

代码核心总结：Driver 类是整个作业的「总指挥」，所有配置都是 MapReduce 的固定规范，配置项缺一不可，核心作用就是把 Map、Reduce 串联起来，形成完整的作业并执行。