MapReduce样式的练习

在上一期《编程风格练习》中，我们使用Hazelcast库解决了词频问题。 这次，我们将为此使用MapReduce方法。

这是《编程风格练习》重点系列的^第 19 ^个帖子。其他帖子包括：

1. 以编程风格介绍练习
2. 以编程风格进行练习，将内容堆叠起来
3. 编程风格的练习，Kwisatz Haderach风格
4. 编程风格的练习，递归
5. 具有高阶功能的编程风格的练习
6. 以编程风格进行练习
7. 以编程风格进行练习，回到面向对象的编程
8. 编程风格的练习：地图也是对象
9. 编程风格的练习：事件驱动的编程
10. 编程风格的练习和事件总线
11. 反思编程风格的练习
12. 面向方面的编程风格的练习
13. 编程风格的练习：FP＆I / O
14. 关系数据库风格的练习
15. 编程风格的练习：电子表格
16. 并发编程风格的练习
17. 编程风格的练习：在线程之间共享数据
18. 使用Hazelcast以编程风格进行练习
19. MapReduce风格的练习 （本文）
20. 编程风格的练习总结

简而言之MapReduce

MapReduce是一个包含两个步骤的过程：

1. 映射 ：执行转换，过滤和分类为不同的“队列”
2. 减少 ：将“队列”的内容汇总到结果中

MapReduce的最大的好处是，既映射和减少步骤可以并行的两个潜在的执行。 这非常适合处理大型数据集。

下图有助于可视化整体流程：

虽然MapReduce使并行成为可能，但实现它不是强制性的： 并行只是一个选择 。 原始Python代码和Kotlin端口均未使用它。

迁移到Kotlin

参考代码使用Python yield关键字：函数不会返回简单的项目集合 ，而是流 。 尽管代码看起来完全一样，但实际情况却有所不同。 与标准馆藏相比，与流中关联的项目数成比例地提高了性能。 在Java中，使用Stream实现Stream ，而在Kotlin中，使用Sequence 。

为此，Kotlin提供了Iterable<T>.asSequence()扩展功能。 要更深入地了解Kotlin中的集合和序列以及它们与Java流的关系，请查看此早期文章 。

应用于眼前的问题，处理管道如下所示：

这将转换为以下代码：

funrun(filename:String):Map<String,Int>=read(filename)
  .asSequence()
  .chunked(200)
  .map(::splitWords)
  .reduce{acc,pair->countWords(acc,pair)}
  .sortedBy{it.second}
  .takeLast(25)
  .toMap()

还原概述

map()函数已在本系列的先前文章中得到了充分使用。 此外，我相信大多数开发人员已经以某种方式熟悉它。

另一方面， reduce()函数即使使用了太多，也很少被理解。 例如，在Java中，流的终端操作是归约函数：这些函数包括sum() ， average() ， max()以及collect() ！ 从collect() Javadoc：

使用Collector在此流的元素上执行可变还原操作。

收集函数只是Stream提供的更通用的reduce()函数的特化：

如图所示，减少有三种“味道”：

1. 第一种形式接受单个BinaryOperator参数。 BinaryOperator<T>接受两个T类型的参数，并将它们组合在一起以返回T 请注意，由于起始流可能为空，因此该方法返回Optional<T> 。

   例如，以下代码段汇总了流中的项目：

   Stream.of(1,2,3,4,5)
         .reduce{a,b->a+b}

2. 第二种风味类似于第一种，但需要一个起始值。 因此，返回类型不是Optional<T>而是T 如果流为空，则结果将为起始值。 如果不是，它应该与先前的风味相同，但前提是起始值是还原功能的中性元素。

   Stream.of(1,2,3,4,5)
         .reduce{a,b->a+b}

3. 第三个也是最后一个风味允许以更复杂的代价更改返回的类型

在Kotlin中，还原与Java中的还原非常相似。 但是，有一点区别：接受起始值的函数称为fold() ，不接受的函数称为reduce() 。 另外，它们两个都还提供了另一个签名，该签名提供了当前项目的索引。

签名	起始值	索引
<S, T : S> reduce(op: (S, T) → S): S
<S, T : S> reduceIndexed(op: (Int, S, T) → S): S
<T, R> fold(initial: R, op: (R, T) → R): R
<T, R> foldIndexed(initial: R, op: (Int, R, T) → R): R

以上处理空序列的无起始值函数将在运行时引发异常。 这是我认为Kotlin API与Jav​​a相比显得苍白的少数地方之一。 我对Kotlin的Slack提出了要点，将来的stdlib版本中可能会有一个新的xxxOrNull（）。

Kotlin中已实现的功能

映射函数仅从行列表中创建对数为1的单词对：

funsplitWords(lines:Iterable<String>):Iterable<Pair<String,Int>>{
  funIterable<String>.scan()=this
    .flatMap{it.toLowerCase().split("\\W|_".toRegex())}
    .filter{it.isNotBlank()&&it.length>=2}
  funIterable<String>.removeStopWords():Iterable<String>{
    valstopWords=read("stop_words.txt")
      .flatMap{it.split(",")}
    returnthis-stopWords
  }
  returnlines.scan()
    .removeStopWords()
    .map{itto1}
}

我相信这很简单。 还原功能结合了字频率的两个iterables共同创造一个新的迭代。

funcountWords(frequencies1:Iterable<Pair<String,Int>>,
               frequencies2:Iterable<Pair<String,Int>>):Iterable<Pair<String,Int>>{
  valresults=mutableMapOf<String,Int>()
  frequencies1.forEach{
    results.merge(it.first,it.second){
      count,value->count+value
    }
  }
  frequencies2.forEach{
    results.merge(it.first,it.second){
      count,value->count+value
    }
  }
  returnresults.toList()
}

这很粗糙，但是行得通。 可悲的是，我发现没有其他优雅的方法可以实现合并。 提案欢迎！

一路上有点打ic

那可能是终点，但是不幸的是不是。 对于最小的数据集（每个单词的频率为一个，最大的单词的频率），大多数测试都可以成功。 但是，它对于以下示例失败：

White tigers live mostly in India
Wild lions live mostly in Africa

其背后的原因是，映射函数将默认频率分配为1，但读取的行被分成大小为200的单词块（请参见上文）。 由于样本不够大，因此未应用 countWords() 缩减函数 。 因此，单词对/ 1不会合并在一起，并且每个单词的结果映射图的频率为1。

为了返回正确的结果，应该先检查样本大小，然后再通过MapReduce流程将其发送出去。

结论

MapReduce没什么大不了的。 大多数开发人员已经在不知情的情况下使用它。 唯一的挑战是编码正确的映射和归约函数。

另外，应该特别注意输入的大小及其处理方式，因为如果输入的大小太小，将不需要reduce函数，也不会执行其代码。 但是，在大多数情况下，这不应该成为问题，因为MapReduce的目标是大型数据集。

这篇文章的完整源代码可以在Github上找到。

翻译自: https://blog.frankel.ch/exercises-programming-style/19/