【大数据】离线批处理计算MapReduce | 复习笔记

一些介绍

分布式计算模型

批处理计算：（大容量静态数据集）

1. 有界、持久、大量
2. 理需要访问全套记录，不适合对处理时间要求较高的场合

偷老师的图：

常见计算模式

主要点在于分开mapper和reducer，然后确定每个<key,value>键值对的意义

• 求和模式(Summarization Pattern)
  单词统计：

  1. map阶段：输入<key,value>是<网页ID,网页内容>，输出<key,value>是<单词,出现次数>
  2. reduce阶段：累加相同key值的，输出<单词,出现次数>
  3. 补充：map和reduce间是shuffle阶段，在shuffle阶段，可以先对每一个map做combiner（合并相同的key对应的value，局部reducer），然后做partitioner，通过hash等方式分配中间结果数据给reducer，实现负载均衡

• 过滤模式(Filtering Pattern)

  1. 简单过滤：Map-Only
  2. TOP K：Mapper首先统计出数据块内所有记录中某个字段满足Top K条件的记录子集，得到局部Top K记录。然后通过Reducer对这些局部Top K记录进一步筛选，获得最终的全局最大的K条记录。

• 数据组织模式(Data Organization Pattern)

  1. 数据分片
  2. 全局排序：“排序是MapReduce的天然特性”（a每个map输出结果有序；b每个reduce输入有序）但当多个reducer时，需要通过Partition策略，保证不同Reducer处理一个范围区间的记录。

实例

文本分析、页面点击统计、专利引用统计

特点

• 优点：
  1. 极强的可扩展性
  2. 很好的容错性，
  3. 简单，用户只需完成Map和Reduce
     函数即可完成大规模数据的并行处理
• 缺点：
  1. 不适合对时效性要求较高的应用场景（Map和Reduce任务启动时间较长）
  2. 不适合迭代运算类（在多处的磁盘读/写及网络传输过程）

K-Means算法MapReduce化

1. mapper处理根据簇中心重新分簇，输出键值对为<cluster assigned to , 数据点自身>；
2. combine阶段，键值对<cluster id ，-【 # of data points of this cluster， mean】>；
3. reducer处理根据分簇情况重新计算簇中心，键值对<该cluster 的id，该cluster的数据点的均值及对应于该均值的数据点的个数>