MapReduce编程模型的设计目标是:使用普通硬件的大型集群处理非结构化数据并产生大规模数据集,它能够在数千个计算节点的集群上处理TB级数据,进行故障处理,完成任务复制并聚合最终结构。
MapReduce模型包含可以在多台机器上并行执行的两个函数,map函数和reduce函数。
用户自定义map函数和reduce函数;
map函数读取键值对<k1,v1>,执行用户指定的代码,产生中间结果;对所有输入记录逐条执行map函数,每条记录产生零到多个中间键值对<k2,v2>,然后放到<k2,list(v2)>记录中。
reduce函数聚合中间结果并输出最终结果。对每个map输出的<k2,list(v2)>记录调用reduce函数,对每条记录,reduce函数输出零到多个<k2,v3>对,对所有的<k2,v3>对最后合并成最终结果。
性能瓶颈在键值对的聚合操作,会产生大量的I/O,以及网络流量I/O。在map侧进行预聚合(combine函数)。