wordcount :一个文本处理中常用的程序,用来统计文件中所有单词出现的次数。
MapReduce是Google提出的一个软件架构,用于大规模数据集(大于1TB)的并行运算。概念“Map(映射)”和“Reduce(归纳)”,及他们的主要思想,都是从函数式编程语言借来的,还有从矢量编程语言借来的特性。
当前的软件实现是指定一个Map(映射)函数,用来把一组键值对映射成一组新的键值对,指定并发的Reduce(归纳)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。 ————维基百科
接下来将介绍Map-Reduce实现并行处理wordcount的核心思想
具体步骤
1、将所有需要统计单词出现数量的文件进行分组,一个分组发射到一个mapper(最简单的就是一个文件对应于一个mapper)
2、map阶段,对每个分组中的文件进行统计,对每个单词生成一个键值对(key:单词,value:出现次数)。更简单的实现方式为:每出现一个单词,生成一个键值对(key:单词,value:1)
3、对mapper生成的所有键值对进行排序整合
4、reduce阶段,对每个单词出现的次数进行求和。输入为键值对(key:单词,value:出现次数的集合),输出为(key:单词,value:出现总次数)。