MapReduce是一种云计算的核心计算模式,是一种分布式运算技术,也是简化的分布式并行编程模式,主要用于大规模并行程序并行问题。
MapReduce的主要思想:
自动将一个大的计算(程序)拆分成Map(映射)和Reduce(化简)的方式。
流程图如下:
数据被分割后通过Map函数将数据映射成不同的区块,分配给计算集群进行处理,以达到分布运算的效果,再通过Reduce函数将结果进行汇整,从而输出开发者所需要的结果。
MapReduce借鉴了函数式程序设计语言的思想,其软件实现是指定一个Map函数,把键值对(Key/Value)映射成一个新的键值对(Key/Value),形成一系列中间结果形式的(Key/Value),然后把它们传递给Reduce函数,把具有相同中间形式Key的Value合并在一起。Map函数和Reduce函数具有一定的关联性。
接下来从Shuffler来详细描述Map和Reduce的细节
Shuffler就是reduce从map拉取数据的过程。(说的形象一点就是:将数据重新打乱汇聚到不同节点的过程,当然相同key需要汇聚在同一个节点)
以WordCount为例,假设有8个MapTask和3个ReduceTask
Map端整个流程分为4步:
(1)在MapTask执行时,其输入数据来源于HDFS的Block。Split和Block默认对应关系是一对一。在WordCount例子中,假设Map的输入数据都是像“aaa”这样的字符串。
(2