Hadoop :Map/Reduce的理解

(1)Map/Reduce 库将输入文件分成大小相等的M 份，并在集群的不同机器上执行程序的备份。

(2)Master 节点的程序负责找出空闲的worker 节点并为它们分配子任务(M 个Map 子任务和R 个Reduce 子任务)。

(3)被分配到Map 子任务的worker 节点读入已分割好的文件作为输入，经过处理后生成key/value 对，并调用用户编写的Map 函数，Map 函数的中间结果缓存在内存中并周期性地写入本地磁盘。

(4)这些中间数据通过分区函数分成R 个区，并将它们在本地磁盘的位置信息发送给Master，然后由Master 将位置信

息发送给执行Reduce 子任务的节点。

(5)执行Reduce 子任务的节点从Master 获取子任务后，根据位置信息调用Map 工作节点所在的本地磁盘上的中间数据，并利用中间数据的key 值进行排序，将具有相同键的对进行合并。

(6)执行Reduce 子任务的节点遍历所有排序后的中间数据，并传递给用户定义的Reduce 函数。Reduce 函数的结果将被输出到一个最终的输出文件。

(7)当所有Map 子任务和reduce 子任务完成时，Master节点将R 份Reduce 结果返回给用户程序，用户程序将这些数据合并得到最终结果。

基于Map/Reduce 编程模型编写分布式并行程序非常简单，只需要实现Map 和Reduce 函数及如何将问题进行分割，区分操作是Map 操作还是Reduce 操作，而并行编程中的其他复杂问题，如分布式存储、工作调度、负载平衡、容错处理、网络通信，都由Map/Reduce 框架负责处理。

（基本思想来自：基于Hadoop 的Web 日志挖掘，程苗，陈华平）