MapReduce 原理及执行过程

• （1）MapReduce 是一种分布式计算框架，由 Google 提出，主要用于搜索领域，以解决海量数据的计算问题。（分布式存储和分布式计算发轫于 Google 这样的公司是不足为奇的）

• （2）MapReduce 由两个阶段组成：Map （开始）和 Reduce（结束），用户只需实现 map() 和 reduce() 两个函数，即可实现分布式计算，十分便捷

  输入文件来自于：HDFS

• （3）这两个函数的形参是 key、value，表示函数的输入信息。

执行流程

• （1）JobTracker 接受用户提交的计算任务，然后将计算任务分配给 TaskTracker 去执行

  计算任务 ⇒ JobTracker ⇒ TaskTracker

• （2）Mapper 的输出作为 Reducer 的输入

  整个计算任务，整个的输入就是Map的输入，整个的输出就是Reduce的输出

• （3）Mapper 任务 Reducer 任务分别都是 Java 进程，并不神秘，在一个 TaskTracker 上可能跑一个 Mapper 任务，也可能跑多个，甚至有可能 Mapper 任务和 Reducer 任务是在同一台机器上跑的，比如伪分布模式就只有一个 TaskTracker。

• （1）Mappers must complete before Reducers can begin.

  Mappers 完成以后，Reducers 才能执行，巧妇难为无米之炊；

• （2）由 Mapper、Shuffle、Reducer 可知，其实一个 Reducer 接受的是全部 Mapper 的输出

• （3）一个 Mapper 输出的分支数量与 Reducer 的任务数量是相同的

具体的执行步骤

第一阶段：map 任务处理

• （1）读取输入文件内容，解析成 key、value 对（pair-wise，[K1, V1]）。将输入文件的每一行，解析成 key、value 对，每一个键值对调用一次 map 函数。

• （2）写自己的逻辑（覆盖map函数，写自己的逻辑），对输入的 key、value 处理，转换为新的 key、value 输出（[K2, V2]），

• （3）对输出的 key、value 进行分区（图2所示的，每一个Mapper Task 任务的三个分支就代表三个分区，每个分支表示一个分区），

• （4）对不同分区的数据，按照 key 进行排序（说明 key 实现了comparable 接口，实现了 compareTo方法）、分组（把相同 key 的 value 放到一个集合中，[K2, {V2, …}]）

  [K2, V2] ⇒ [K2, {V2 … }]

• （5）(optional) 分组后的数据进行规约、

第二阶段：Reduce 任务处理

• （1）对多个map任务的输出，按照不同的分区（[K2, {V2, …}]），通过网络 copy 到不同的 reduce 节点（Mapper 任务和Reducer 任务在生产环节中一般不在同一个节点上）。

• （2）对多个 Map 任务的输出进行合并、排序（每个Map任务已排好序，但多个任务之间并未排好序）。覆盖 reduce 函数，实现自己的逻辑，对输入的 key、value 进行处理，转换成新的 key、value 输出（[K3, V3]）。

  [K2, {Vs}] ⇒ [K3, V3]（是将 key 和 values构成的集合，而不是一个个的键值对）（也是框架的工作）

• （3）把 reduce 的输出保存到文件

总结

1. 构造[K1, V1]
2. Map：[K1, V1] ⇒ [K2, V2]
3. 分区
4. 分组：[K2, V2] ⇒ [K2, {Vs}]（将相同 key 的 values 置于一个集合中）
5. 规约
6. copy 到节点，排序
7. Reduce：[K2, {Vs}] ⇒ [K3, V3]
8. 保存