收藏，最简单易懂的MapReduce使用讲解

对于MapReduce相信大家并不陌生，它是大数据Hadoop家族中最重要的成员之一，是一个运行在Hadoop平台上的分布式计算框架，对于大数据这块，大家总是觉得高深莫测，浅尝辄止，今天我们就通俗易懂的给大家讲讲，让大家真正的感受到MapReduce是什么？如何使用？在哪些场景下用？

 

我们先来一个简单的Case，冬天来了，是吃火锅的季节了，你买了肥牛、蘑菇、白菜、香菜、豆腐、鸭血、小葱，一个个的处理干净，装在盘子里，火锅底料一放，菜一下，香喷喷的火锅就出来了。在这个吃火锅的场景中，我们可以抽象一下，它包含两部分：洗干净菜，煮菜，换做MapReduce的语言，每洗干净一个菜就是一个Map操作，将白菜Map一下，香菜Map一下，每煮一次火锅就是一个Reduce操作。这意味着每煮一次火锅就需要把洗干净的菜都放进来，也就是把所有Map操作的菜都处理一下。

 

MapReduce还是一个分布式计算框架，所谓分布式就是可以多个操作并行。你煮的火锅实在太好吃了，在民意要求下，你开启了火锅店，做大做强又开启了火锅分店，这时候你需要多个人去洗菜，一个人负责洗白菜、一个人负责切肥牛、一个人负责切豆腐，当所有的人都处理完了之后，就有了处理好的白菜、肥牛、豆腐，这些都是基于Map白菜、Map肥牛、Map豆腐的操作下进行的，Reduce操作是基于Key来进行，Key就是洗干净的白菜、肥牛、豆腐，Reduce之后就是一桌又一桌的火锅。

 

总结一下，MapReduce是包含两部分，即Map操作、Reduce操作，Map操作就是映射操作，它接受一个输入，产生一个中间键值对的输出，MapReduce框架会把Map函数中参数的中间键值对里相同的键值传给Reduce函数。Reduce操作就是化简，它接受一个键值，将这组值合并产生更小的值。

 

今年的双十一开始了，老板交给你一个任务，统计下所有牛仔裤最受欢迎的top3。如果是小电商平台，那很简单，写个程序获取所有的牛仔裤，遍历一下每条牛仔裤被购买的次数，再做一个排序，就知道最受欢迎的牛仔裤了。但是当我是一个中型电商平台时，遍历就会比较慢了，这时候可以写一个多线程的程序，在多核机器上去运行就行。当我是一个大型电商平台，比如淘宝、京东、拼多多，我们就可以把计算每个牛仔裤被买次数的作业分给多台机器去计算，把总的销售数据分成N份，每台计算机计算1份，最后汇总起来倒序排即可。上述三种算法，其实我们也可以使用MapReduce来完成噢。

 

在MapReduce中，Map函数和Reduce函数都是由我们自己定义的，在统计牛仔裤的销量top3场景中，我们定义map函数获取每款牛仔裤，Reduce函数统计每款牛仔裤被购买的次数。在下图中，Map函数接受的key是所有商品，值是取牛仔裤，每遇到一个牛仔裤就产生一个中间键值对<jeans,1>，不同牛仔裤是不同的键值对，比如bluejeans，yellowjeans。Map函数将键值相同的键值对都传递给reduce，reduce将每个键值对的value进行累加，最后获取到每条牛仔裤被购买的次数，存储在底层的分布式文件系统HDFS中，业务层可以通过接口获取数据，展现最热销的top3牛仔裤。

 

 

通过实例我们明白了MapReduce是个什么东东，我们可以再结合Google论文中的工作原理流程图来进行最后的梳理。

 

在流程图中上层业务通过UserProgram连接MapReduce库，将输入文件分成M份，即图中的spilt0、spilt1、spilt2、spilt3、spilt4...，在使用master节点给worker节点分配Map作业，我们有M份文件就分配M个worker，被分配了Map作业的worker读取对应的数据，生成中间键值对，存储在内存和磁盘中，Reduce函数也会根据作业数进行分区，如果有M个作业，就分成M个区，由Master节点把分区作业从磁盘中传递给到ReduceWorker节点，Reduceworker节点获取到所有的中间键值对之后，进行排序处理，获取每个相同中间键值对的值。当所有的Map作业和Reduce作业都执行完了之后，master节点唤醒userprogram获取数据。

 

 

通过老板安排的简简单单的获取最热销牛仔裤的任务，我们从原理到实践讲解了MapReduce的使用。MapReduce它比较适合大型网站的数据统计、在海量数据中获取某些有特征的数据，但是不太适合实时计算，从它的输入都是静态数据，计算过程，存储是在HDFS都可以看到执行任务相对耗时比较长。我们结合自己业务情况，使用在最合适的场景即可。