Hadoop的MapReduce实现原理解释

1.  如何用通俗的方法解释MapReduce

MapReduce是Google开源的三大技术之一，是对海量数据进行“分而治之”计算框架。为了简单的理解并讲述给客户理解。我们举下面的例子来说明.

首先，面对一堆杂乱的东西，有若干个汉堡、若干个冰淇淋、若干个可乐。如果级别都是上万数量的情况下，有没有方法把他们较快的分析出来？

第一步，调度员简单的将这一堆东西分解成若干堆。

第二步，调度员为每堆物品分配一个分拣员，注意只分拣不计数，分拣员对应MAPReduce中的Map角色。分拣员干的事情，就是将物品按类别分拣，比如分拣后的每一堆的状态应该是如下图所示。分拣员所做的也分成简单，从自己面前这一堆物品中拿一个，看是面包的话，就扔面包那。是可乐就扔可乐那。

第三步，调度员为每类物品分配一个计数员（Reducer），把所有该类型的物品都发给他计数。比如所有的面包类别都分给第一个计数员来负责计数。计数员统计出每个类别的数目，再告诉调度员。

总结：Mapper用来分类，Reduce则用来对同类型的东西做进一步处理。对于互联网的应用场景，比如分析一个网页中出现的词汇最多的单词是什么。Mapper用来将网页中的文字段落分解成一个个单词。相同的单词会被送给同一个Reducer。Reducer会计算出该单词出现了多少次。最后按照各单词出现的次数得出结论。

2. 一个文本文件的处理过程

1）对应这样一个源文本文件

2）首先由调度员通过job.setInputFormatClass(TextInputFormat.class)，知道应该转换成偏移量加文本方式的键-值对;再根据当前机器个数，文件大小确定应该分解成几个待处理的片段，比如说分解成两个片段，对应两个Map程序。

3）第一个Map程序每次被调用，接受到的入参（key，value）是

Map程序的输出是

4）第二个Map程序接受的输入将是

第二个Map的输出将是

5）Map程序的输出，会被重新组合，同一个Key的内容，会被分配到同一个Reduce上。

比如上面三个单词，会被分到三个Reducer上

6）第一个Reducer接收到，如下图，注意是两个1，来自两个Map的结果

第一个Reducer的输出会是如下图，意味着hello这个单词出现了两次

7）第二个Reducer接收到

第二个Reducer输出会是

8）第三个Reducer接收到

第三个Reducer输出是

9）最后将三个Reducer进行合并，得到的结果就是

 

10）汇总流程描述如图所示