hadoop学习笔记：MapReduce

Posted 2020-11-01 星火燎原

一、MapReduce编程模型

一种分布式计算框架，解决海量数据的计算问题。

MapReduce将整个并行计算过程抽象到两个函数：

　　Map（映射）：对一些独立元素组成的列表的每一个元素进行制定的操作，可以高度并行。

　　Reduce（化简）：对一个列表的元素进行合并。

一个简单的MapReduce程序只需要指定Map()、reduce()、input和output，剩下的事情由框架完成。

二、Map过程（以wordcount为例）：

1 一行一行读，每一行都解析成key/value形式。每一个键值对，都调用一次Map函数。

假设有一个文件的内容是:

hello hadoop!

hello world!

那么Map的读取过程为：

key	value	operate
0	hello hadoop!	--> hello:1 hadoop!:1
13	hello world!	--> hello:1 world!:1

2 写自己的逻辑，对输入的key/value处理，转换成新的key/value输出。

key	value
hello	1
hadoop!	1
hello	1
world!	1

 

3 对输出的key/value进行分区。

 

注意：Shuffling囊括了：partition和sort。

4 对不同分区的数据，按照key进行排序、分组。把相同的key的value放到一个集合中。

key	list<value>
hello	2
hadoop!	1
world!	1

 

5 （可选）分组后的数据进行归约。

 三、Reduce过程：

1 对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点。

2 对多个map任务的输出进行合并、排序。写reduce函数自己的逻辑，对输入的key/value处理，转换成新的key/value输出。

3 把reduce的输出保存到文件中。