大数据运算模型 MapReduce 原理

2016-01-24 杜亦舒

MapReduce 是一个大数据集合的并行运算模型，由google提出，现在流行的hadoop中也使用了MapReduce作为计算模型

MapReduce 通俗解释

图书馆要清点图书数量，有10个书架，管理员为了加快统计速度，找来了10个同学，每个同学负责统计一个书架的图书数量

张同学 统计 书架1

王同学 统计 书架2

刘同学 统计 书架3

......

过了一会儿，10个同学陆续到管理员这汇报自己的统计数字，管理员把各个数字加起来，就得到了图书总数

这个过程就可以理解为MapReduce的工作过程

MapReduce中有两个核心操作

（1）map

管理员分配哪个同学统计哪个书架，每个同学都进行相同的“统计”操作，这个过程就是map

（2）reduce

管理员把每个同学的结果进行汇总，这个过程就是reduce

 

MapReduce 工作过程拆解

下面通过一个经典案例（单词统计）看MapReduce是如何工作的

有一个文本文件，被分成了4份，分别放到了4台服务器中存储

Text 1: the weather is good         

Text 2: today is good

Text 3: good weather is good     

Text 4: today has good weather

需求：统计出每个单词的出现次数

处理过程

01

分词处理

map节点 1

输入：(text1, “the weather is good”)

输出：(the, 1), (weather, 1), (is, 1), (good, 1)

map节点 2

输入：(text2, “today is good”)

输出：(today, 1), (is, 1), (good, 1)

map节点 3

输入：(text3, “good weather is good”)

输出：(good, 1), (weather, 1), (is, 1), (good, 1)

map节点 4

输入：(text3, “today has good weather”)

输出：(today, 1), (has, 1), (good, 1), (weather, 1)

02

排序

map节点 1

map节点 2

map节点 3

map节点 4

03

合并

map节点 1

map节点 2

map节点 3

map节点 4

04

汇总统计

MapReduce引入了barrier概念，有的译为“同步障”，我理解为“分界线”，是进入reduce的一道分界线

barrier的作用是对合并结果进行组合

例如使用了3个reduce节点，需要对上面4个map节点的结果进行重新组合，把相同的单词放在一起，并分配给3个reduce节点

reduce节点进行统计，计算出最终结果