【Python机器学习】MapReduce（分布式计算的框架）

MapReduce的优缺点：

优点：可在短时间内完成大量工作；

缺点：算法必须经过重写，需要对系统工程有一定的理解；

适用数据类型：数值型和标称型数据。

MapReduce是一个软件框架，可以将单个计算作业分配给多台计算机执行。它假定这些作业在单机上需要很长的运行时间，因此使用多台机器缩短运行时间。常见的例子是日常统计数字的汇总，该任务单机上执行时间将超过一天。

MapReduce的名字是由函数式编程中常用的map和reduce两个单词组成的。

MapReduce在大量节点组成的集群上运行，它的工作流程是：单个作业被分成很多小份，输入数据也被切片分发到各个节点，各个节点只在本地数据上做运算，对应的运算代码称为mapper，这个过程被称为map阶段，每个mapper的输出通过某种方式组合（一般还会做排序）。排序后的结果再被分成小份分发给各个节点进行下一步处理工作。第二步的处理阶段被称为reduce阶段，对应的运行代码被称为reducer。reducer的输出就是程序的最终执行结果。

MapReduce的优势在于它使得程序以并行的方式执行。如果集群由10个节点组成，而原先的作业需要10个小时来完成，那么应用MapReduce该作业只需要一个多小时就可以得到同样的结果。

举例：入给出过去100年某国每个城市每天的正确气温数据，我们想知道近100年该国最高气温。这里的数据格式为<city><date><temp>。为了统计该时段内的最高温度，可以先将这些数据根据节点数分成很多份，每个节点各自寻找本机数据集上的最高温度，这样每个mapper将产生一个温度，形如<"max"><temp>，也就是所有的mapper都会产生相同的key:"max"字符串。最后一需要一个reducer来比较所有mapper的输出，就能得到全局的最高温度值。

不同类型的作业可能需要不同数目的reducer。比如上面的例子，虽然这次使用的数据集相同，但不同的事这要找出每年的最高温度。这样的话，mapper应该先找到每年的最大温度并输出，所以中间数据的格式将形如<year><temp>。此外，还需要保证所有同一年的数据传递给同一个reducer，这由map和reduce阶段中间的sort阶段来完成。该例子中也给出了MapReduce中值得注意的一点，即数据会以key/value对的形式传递。这里，年代（year）是key，温度（temp）是value。因此sort阶段将按照年代把数据分类，之后合并，最终每个reducer就会收到相同的key值。

从上面的例子可以看出，reducer的数量并不是固定的，此外，在MapReduce的框架中还有其他一些灵活的配置选项。MapReduce的整个编配工作由主节点控制。这些主节点控制整个MapReduce作业编配，包括每份数据存放的节点位置，以及map、sort和reduce等阶段的时序控制等。此外，主节点还要包括容错机制。一般的，每份mapper的输入数据会同时分发到多个节点形成多份副本，用于事务的失效处理。一个MapReduce集群的示意图如下：

上图中每台机器都有两个处理器，可以同时处理两个map或者reduce任务。如果机器0在map阶段宕机，主节点将会发现这一点。主节点在发现该问题之后，会将机器0移出集群，并在剩余的节点上继续执行作业。子啊一些MapReduce的实现中，在多个机器上都保存有数据的多个备份，例如在机器0上存放的输入数据可能还存放在机器1上，以防机器0出现问题。同时，每个节点都必须与主节点通信，表明自己工作正常。如果某节点失效或工作异常，主节点将重启该节点或者将该节点移出可用机器池。

总结部分：

1、主节点控制MapReduce的作业流程；

2、MapReduce的作业可以分为map任务和reduce任务；

3、map任务之间不做数据交流，reduce任务也一样

4、在map和reduce阶段中间，有一个sort或combine阶段；

5、数据被重复存放在不同的机器上，以防某个机器失效

6、mapper和reducer传输的数据形式为key/value对。