项目中有约9TB的数据(网络日志、图片),以及10个MapReduce服务器节点。
第一步是使用简单的文件复制过程,为每个服务器节点分配一定量的数据(自己划分)。注意,这些数据须在MapReduce过程开始前被分配好。且文件的格式由自己决定,没有类似于关系型数据库中的标准格式。
接下来,向调度程序提交两个程序:映射程序(map)和归约程序(reduce)。在这两步骤过程中,map在磁盘上找到数据,然后就执行它包含的逻辑。这个过程是在10台服务器上的每一台单独发生的。然后映射步骤的结果被传递到归约过程中(在这之前还会进一步的清洗(shuffle)、排序(sort)),归约程序总结并汇总所有的答案(自己想要的数据)。