MapReduce：简单介绍

MapReduce是Google流行的一种并行编程技术。它用于处理大量数据。仅通过将工作并行分配给多台机器，就可以在合理的时间内完成这种处理。每台机器都处理一小部分数据。

MapReduce是一种编程模型，使开发人员可以专注于编写处理数据的代码，而不必担心并行执行的细节。

MapReduce需要将要处理的数据建模为键值对。开发人员编写了map函数和reduce函数的代码。

MapReduce运行时为每个键/值对调用map函数。映射功能将键值对作为输入，并产生另一个键值对的输出。

MapReduce运行时通过键对映射函数的输出进行排序和分组。然后，它调用将其传递给键的reduce函数以及与该键关联的值的列表。为每个键调用reduce函数。 reduce函数的输出是键值对。该值通常是聚合值或通过处理为输入键传递的值列表而计算出的值。对于由map函数生成的每个中间键，调用reduce函数。 reduce函数的输出是必需的结果。

例如，假设您有大量的日志文件，其中包含某些事件（例如访问帐户）的审核日志。您需要找出过去10年中每个帐户被访问了多少次。
假定日志文件中的每一行都是审核记录。我们正在逐行处理日志文件，map和reduce函数如下所示：

map(key , value) {// key = byte offset in log file // value = a line in the log fileif ( value is an account access audit log) {account number = parse account from valueoutput key = account number, value = 1}
}reduce(key, list of values) {// key = account number// list of values {1,1,1,1.....}for each valuecount = count + valueoutput key , count 
}

每个日志文件中的每一行都会调用map函数。不相关的行将被忽略。从相关行中解析出帐号，并输出一个值1。MapReduce运行时按帐号对输出进行排序和分组。为每个帐户调用reduce函数。 reduce函数汇总每个帐户的值，这是必需的结果。

MapReduce作业通常在计算机集群上执行。每台机器执行一个任务，该任务可以是映射任务，也可以是归约任务。每个任务都在处理数据的子集。在上面的示例中，假设我们从一组大型输入文件开始。 MapReduce运行时将输入数据分为称为分割或碎片的分区。每个拆分或碎片均由计算机上的映射任务处理。每个映射任务的输出均按键排序和分区。来自所有映射的输出被合并以创建输入到reduce任务的分区。

可以有多台计算机，每台计算机都运行简化任务。每个reduce任务都有一个要处理的分区。该分区可以具有多个键。但是每个键的所有数据都在1个分区中。换句话说，每个键只能处理1个缩减任务。

机器数量，映射任务数量，reduce任务数量以及其他几项都是可配置的。

对于需要对大数据集进行某些处理的问题，MapReduce非常有用。该算法可以分解为map和reduce函数。 MapReduce运行时负责将处理分配到多台计算机并汇总结果。

Apache Hadoop是mapreduce的开源Java实现。请继续关注有关使用hadoop的有关mapreduce的未来博客/教程。

参考： 什么是MapReduce？来自我们的JCG合作伙伴在“ Khangaonkar报告”中的报道。

相关文章：