什么是MapReduce
- 定义:MapReduce是一种编程模型,用于高效地进行大规模数据集的离线并行计算,Map指的是计算工作,Reduce指的是聚合工作。
- 准则(Hadoop):
- 所有计算分解为map或者reduce任务实现
- 每个任务处理全部输入数据中的一部分
- 主要根据输入数据和输出数据定义任务
- 任务依赖于自己的输入数据,不需要与其它任务通信
- 基本步骤:以统计各个用户总在线时间为例,原始日志文件如下,除了userId和TimeSpent,其它都是无用列
1. 拆解:日志是以行为单位的,各行之间是独立的。这意味着输入文件可以按照任意行数并行处理、独立处理,然后聚合生成相同的结果。现在我们将其切分为4份,分给四台机器。
2. Map计算:将map函数写好后交给各个机器,机器会用此函数处理输入,产出结果,结果一般都是键值对集合。