Hadoop MapReduce并行编程框架

Hadoop MapReduce 是Google MapReduce的一个开源实现。

1、MapReduce并行编程抽象模型

① 面向大规模数据处理，MapReduce 采用了对数据“分而治之”的方法来完成并行化的大数据处理。

MapReduce在总结了典型的顺序式大数据处理过程和特征的基础上，提供了一个抽象模型，并借助与函数式设计语言Lisp的设计思想，用Map和Reduce函数提供了两个层次的并行编程抽象模型和接口，程序员只要实现者两个基本接口即可快速完成并行化程序的设计。

②MapReduce定义了如下的Map和Reduce两个抽象的编程接口，由用户去编程实现：

  map： (k1,v1)--->[k2,v2]

其中，输入参数：键值对（k1;v1）表示的数据。响应的处理逻辑是： 一个数据记录（如文本文件中的一行，或数据表格中的一行）将以“键值对”的形式传入map函数；map函数将处理这些键值对，并以另一种键值对形式输出一组对表示的中间结果【（k2,v2）】。

③reduce:  (k2;[v2]) --->[(k3;v3)]

其中，输入参数是由map函数输出的一组中间结果键值对（k2；【v2】）,所以传入reduce函数时会将具有相同主键k2下的所有值v2合并到一个集合处理。相应的处理逻辑是：对map输出的这组中间结果键值对，将进一步进行某种整理计算，最终输出为某种形式的结果键值对 【（k3；v3）】

经过上述②③ 的Map和Reduce的抽象后，MapReduce将演化为如下并行计算模型：

并行编程的基本处理过程如下：

   1）各个Map节点对所划分的数据进行并行处理，从不同的输入数据产生的相应的中间结果输出

   2）各个Reduce节点也各自进行并行计算，各自负责处理不同的中间结果数据集合。

3）进行Reduce处理之前，必须等到所有的Map节点处理完，因此，在进入Reduce前需要有一个同步障（barrier）；这个阶段也负责对Map的中间结果数据进行收集整理（Aggregation & Shuffle）处理，以便Reduce节点可以完全基于本节点上的数据计算最终结果。

4）汇总所有Reduce的输出结果即可获得最终结果。

④Combiner

对于（text3，“good weather is good”），输出： （good，1），（weather,1）,(is,1),(good,1).    有两个（good, 1）键值对，而将这两个相同的主键的键值对直接传输给Reduce，显然会增加不必要的网络数据传输，如果处理的是巨量的键值对直接传输给Reduce ，显然会增加不必要的网络数据传输。

把2个（good ，1）合并成（good，2），以此大大减少需要传输的中间结果数据量，达到网络数据传输优化

     为了完成这种中间结果数据传输的优化，MapReduce框架提供了一个称之为Combiner的对象专门负责处理这个事情，其主要作用就是进行中间结果数据网络传输的优化工作。Combiner程序的执行实在Map节点完成计算后，输出中间结果之前。

⑤Partitioner

为了保证所有的主键相同的键值对传输给同一个Reduce节点，以便Reduce节点能在不需要访问其他Reduce节点的情况下，一次性顺利统计出所有的词频，我们需要对即将传入Reduce节点的中间结果键值对进行恰当的分区处理（Partitioning）。

MapReduce专门提供了一个Partitoner类来完成这个工作，主要目的就是消除数据传入Reduce节点后带来不必要的相关性。

这个分区的过程是在Map节点到Reduce节点中间的数据整理阶段完成的，具体来书，是在Map节点输出后，传入Reduce节点之前完成的。

加入Combiner和Partitioner后的编程模型。