大数据处理 — mapreduce的简易见解

大数据处理  — mapreduce的简易见解

MapReduce是一种编程模型，用于大规模数据集的并行运算. 概念 Map(映射)和 Reduce(归约), 是他们的主要思想,它极大方便了编程人员在不会分

布式并行编程的情况下，将自己的程序运行在分布式系统上. 当前的软件实现是指定一个Map(映射)函数，用来把一组键值对(Mapper的输入键值)映

射成一组新的键值对(Mapper的输出键值)，指定并发的Reduce(归约)函数，用来保证所有映射的键值对中的每一个共享相同的键组(既相同的键数剧

发送到同一个reduce上，进行合并处理).

那么这个MapReduce编程模型究竟是怎么样的呢？ 他实际上说了这样的一个事儿:已知手头上有许许多多(成万上亿)PC机，现在有一个复杂的任务，

需要处理海量的数据，数据在哪里呢？ 数据实际上是随机的存储于这些个PC机器上，我们不需要统一地将数据一起存到一个超大的硬盘上，数据可

以据可以直接散布在这些个PC上，这些PC自身不仅是许许多多个处理器，也是许许多多个小硬盘.

这些PC机器分为三类，第一类称为Master,Master是负责调度的，相当于工地的工头，第二类叫Worker，相当于干活的工人. Woker进一步分为两

种，一种Worker叫做Mapper，另一种叫Reduce。 假设我们有一个巨大的数据集，里面有海量规模的元素，元素的个数为M，每个元素都需要进行同

一个函数的处理，于是Master将M分为许多小份，然后每一份分给一个Mapper来做，Mapper干完活，将自己的那一份的结果传给Reducer，Reducer

之后进行统计汇总各个Mapper传过来的结果，得到最后的任务的答案，当然，这是最简单的表述，因为实际上Master的任务分配过程是很复杂的，

包括任务时间，任务出错情况等等.

再举个例子来说，统计一系列文档中的词频，文档数量规模很大，有1000万个文档，英文单词的总数可能只有3000。 那么input就为10000000，

output = 3000. 于是我们搞了10000个PC做Mapper,100个PC作为Reducer，每一个Mapper做1000个文档的词频统计,统计之后把凡是和同一个word相

关的统计中间结果传给同一个Reducer做汇总. 比如某个Reducer负责词表中前30个词的词频统计，遍历10000个PC，这10000个Mapper PC将自己处理

后和词表中前30个词汇相关的中间结果都传给这个Reducer做最终的处理分析，至此MapReduce最核心的流程已经说明白了.

其实MapReduce讲的就是分而治之的程序处理理念，把一个复杂的任务划分为若干个简单的任务来做，另外，就是程序的调度问题，那些任务给那些

Mapper来处理是一个着重考虑的问题. MapReduce的根本原则是信息处理的本地化，哪台PC持有相应要处理的数据，哪台PC就负责处理该部分的数据

这样做的意义就在于可以减少网络通讯负担.下面附一张图帮大家理解：

一切都是从最上方的user program开始的，user program链接了MapReduce库，实现了最基本的Map函数和Reduce函数.

图中执行的顺序都用了数字标记了. 

1.MapReduce库先把user program的输入文件划分为M份，每一份通常有16MB到64MB，如图所示最左边的split0~4;

然后使用fork将用户仅此拷贝至集群内其他机器上.

2.user program的副本中有一个称为master，其余称为worker，master是负责调度的，为空闲worker分配作业(Map作业或者Reduce作业)

，worker的数量也是有用户指定的

3.被分配了Map作业的worker，开始读取对应分片的输入数据，Map作业数量由M决定，和split一一对应; Map作业从输入数据中抽取出键值

对，每一个键值对都作为参数传递给map函数，mapper函数产生的中间键值会调用OutPutCollector组件写入环形缓冲区.

4.唤醒缓冲区的中间键值对会定期写入本地磁盘当中，并且被分为R个区，R的大小是由用户定于的，将来每一个区会对应一个Reduce作业;这些中间

键值对的位置会通报给master，master负责将信息转发给Reduce worker.

5.master通知分配了Reduce作业的worker它负责的分区在什么位置(肯定不止一个地方，每一个Map作业产生的中间键值对都可能映射到所有R

个不同分区),当Reduce worker把它负责的中间键值对都读过来后，先对他们进行排序，使得相同键的键值对聚集在一起. 因为不同的键可能

会映射到同一分区也就是同一个Reduce作业，所以排序是必须的.

6.reduce worker遍历排序后的中间键值对，对于每个唯一的键，都将键与关联的值传递给reduce函数，reduce函数产生的输出会添加到这个

分区的输出文件中

7.当所有的Map和Reduce作业都完成了，master唤醒正版的user program，MapReduce函数调用返回user program代码. 

所有执行完毕后，MapReduce输出放在了R个分区的输出文件中，用户通常并不需要合并这R个文件，而是将其作为输入交给另一个MaoReduce程序处

理. 整个过程中，输入数据是来自底层分布式文件系统的，中间数据是放在本地文件系统的，最终输出数据是写在底层分布式文件系统的，而且我

们要注意Map/Reduce作业和map/reduce函数的区别: Map作业处理一个输入数据的分片，可能需要调用多次map函数来处理每一个输入键值对，

Reduce作业处理一个分区的中间键值对，期间要对每个不同的键调用一次reduce函数，reduce作业最终也对应一个输出文件.

MapReduce的工作流程

MapReduce其实是分治算法的一种实现，所谓分支算法就是"分而治之"，将大的问题分解成相同类型的子问题(最好具有相同的规模)，对子问题进行

求解，然后合并成大问题的解. MapReduce就是分治法的一种，将输入进行分片，然后交给不同的task进行处理，然后合并成最终的解,

MapReduce实际的处理过程可以理解为Input->Map->sork->combine->partition->Reduce->Output

1.input阶段：数据以一定的格式传递给Mapper，有TextInputFormat，DBInputFormat，SequenceFileFormat等可以使用

2.Map阶段对输入的key,value进行处理，既map(k1,v1) -> list(k2,v2),

3.sork阶段对于Mapper的输出进行排序,可以定义排序规则.

4.combine阶段对sort之后又想用key的结果进行合并

5.partition阶段，将Mapper的中间结果按照Key的范围划分为R份，默认使用HashPatitioner，也可以自定义划分函数.

6.Reduce阶段对于Mapper的结果进一步进行处理.

7.Output阶段， Reduce输出数据的格式.

Combiner

1.每一个map可能会产生大量的输出，combiner的作用就是在Map端对输出先做一次合并，以减少传输到reducer的数据量,因为从map端对输出先做一

次合并，以减少传输到reduce的数据量，因为map端到reduce端会涉及到网络IO

2.combiner最基本就是实现本地key的归并，combiner具有类似本地的reduce功能，合并相同的Key对应的value，通常与Reduce逻辑一样.

3.如果不用combiner，那么所有的结果都是reduce完成，效率会相对低下，使用combiner，先完成的Map会在本地聚合，提升速度.

shuffle是什么?

系统执行排序的过程，称为shuffle，既这张图主要是对shuffle过程的描述，shuffle的是MapReduce的心脏，shuffle的主要工作就是从Map结束

到Reduce开始之间的过程. 首先看下这张图，就能够理解shuffle所处的位置。 图中的partitions,copy phase,sort phase所代表的就是shuffle的

不同阶段，也可以这样理解，shuffle描述着数据从map task输出到reduce task输入的这段过程.

map端的shuffle细节：

1.在map task执行时，它的输入数据来源于HDFD的block(map函数产生输出时，利用缓冲的方式写入内存，并出于效率考虑的方式进行预排序. 如上

图。 此处默认的内存大小100M，可通过io.sort.mr来设置，当此缓冲变成80%的时候，一个后台线程就会将内容写入磁盘，在写入磁盘之前，线程

首先根据最终要传的reduce把这些数据划分成相应的分区，在每个分区当中，后台线程进行内排序，如果有combine，就会在排序后的分区内执行)

在经过mapper的运行后，我们得知mapper的输出是这样一个key/value对：相同的key到底应该交由那个reduce去做，是现在决定的，也就是

partition的作用.接下来，需要将数据写入内存缓冲区中，缓冲区的作用是批量收集map的结果，减少磁盘IO的影响.key/value对以及partition的

结果都会被写入缓冲区，当然写入之前，key与value值都会被序列化成字节数目. reduce task在执行之前的工作就是不断地拉取当前job里面每一

个map task的最终结果，然后将不同地方拉取过来的数据不断地进行merge，也最终形成了一个文件作为reduce task的输入文件.

partition是什么？

Map的结果，会通过partition分发到Reduce上，Reducer做完Reduce操作后，通过OutputFormat，进行输出. partition是分割map上每个节点的结果

，按照key分别映射给不同的reduce，也是可以自定义的.这里可以理解为归类, Mapper的结果，可能送到Combiner做合并，Combiner在系统中并没

有自己的基类，而使用Reducer作为Combinder的积累，他们对外的功能是一样的，只是使用的位置和使用时的上下文不太一样而已. Mapper最终处

理的键值对.

就是指定Mapper输出的键值对到哪一个reducer上去.系统缺省的partitioner是HashPartitioner，它以key的Hash值对Reducer的数目取模，得到对

应的Reducer.这样保证如果有相同的key值，肯定会被分配到同一个reduce上. 如果有N个reducer，编号就为0,1,2,3....(N-1).

参照资料:

http://blog.csdn.net/u010725690/article/details/53893667

http://blog.csdn.net/cnhk1225/article/details/50859216

http://www.tuicool.com/articles/uaQVjqm