MapReduce

Posted 2020-08-01 戮神之爹

1.什么是MapReduce

       Hadoop的文件系统，对于节点管理，最终还是为了进行运算。所以其中最主要的运算核心还是MapReduce。有些书上会吧Map和Reduce翻译过来讲，我觉得很生硬，不如直接用英文来的好。不翻译过来的前提要明白Map和Reduce的内在含义。Map原意是地图，计算机上多为映射，怎么个映射法？其实就是某个键值对映射到固定的reduce。那reduce又是什么，开始我也不明白，为什么不用compute了？后来算是明白了，其实reduce是对数据集进行精简，然后得出相应结果。所以叫reduce减少的意思，有翻译为归并。

2.为什么提出Map和Reduce

       当我们手中有大量数据的时候，如何对数据进行处理，比如去重，排序等甚至更加复杂的处理呢？我们又要如何来用多台机器对数据进行处理？

要是我，我肯定会将大量的数据进行分类，同一类的数据集给同一台机器来处理。怎么分？怎么处理呢？这就需要看到底要对数据做那些处理了。

而这种先分类后处理的想法就是MapReduce的过程。其中分类的具体过程在mapreduce结构中称为shuffle，下面讲解mapreduce的过程中会包涵在其中，但不会单独提出来讲。

如果不对数据分类，意味着不能用多台机器对数据进行处理，因为会出现机器处理的数据之间存在某些重要的联系，这些联系决定了这类数据一定要在同一台机器上运行。所以，运算前对数据进行分类是必要的准备。也就是Map的过程，将有联系的数据分到一起，然后交给相应的reduce做处理。Reduce是对数据进行最终目的性的处理。

3.MapReduce的细节处理

首先对大量的数据进行简单的分割，如下图所示，每一个split的大小可能是64M也可能是128M其大小是由硬盘传输速度决定的。

 、

图1.HDFS对大量数据进行分块

Map过程

对于每个split交给一个map来处理。过程如下。Map的输入是split里面的一行，key为偏移量，value就是该行的内容。处理的结果放入一个容器中，容器填满了就溢出到硬盘，溢出的过程会对数据进行partition和sort。Sort很容易理解，关键是partition，partition也就是前面说的分类，这一部最终决定该键值对未来会交给哪个reduce。但所有map运行完了，就会有一堆spill。当然在map的过程中reduce的准备阶段以及开始，reduce的准备阶段就是把本reduce对应的partition移动到本地来。但要进行reduce操作一定要等所有map结束，属于本reduce的partition全部移到本地，然后真正进入reduce阶段。

 

图2.Map过程

Reduce 阶段

首先数据准备，也就是上面说的，将属于本reduce的partition移动到本地来。然后进行排序最后成为reduce 的运算数据。Reduce才是真正对数据进行相应的处理产生最终结果。在map和reduce有一个环节—shuffle。我已经融合在了上面说介绍的步骤里面了。Shuffle指的就是数据通过map进行初步处理后，将同一类的数据分发给同一个reduce。

 图3.map+reduce过程

4.例子

　　假设我们需要处理一批有关天气的数据，其格式如下： 按照ASCII码存储，每行一条记录，每一行字符从0开始计数，第15个到第18个字符为年，第25个到第29个字符为温度，其中第25位是符号+/-，现在需要统计出每年的最高温度。

　　0067011990999991950051507+0000+ 
　　0043011990999991950051512+0022+ 
　　0043011990999991950051518-0011+ 
　　0043012650999991949032412+0111+ 
　　0043012650999991949032418+0078+ 
　　0067011990999991937051507+0001+ 
　　0043011990999991937051512-0002+ 
　　0043011990999991945051518+0001+ 
　　0043012650999991945032412+0002+ 
　　0043012650999991945032418+0078+ 

　　MapReduce主要包括两个步骤：Map和Reduce 每一步都有key/value对作为输入和输出： 

　　Map阶段的key/value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进程处理，其中key为此行的开头相对于文件的起始位置，value就是此行的字符文本，Map阶段的输出的key/value对的格式必须同Reduce阶段的输入key/value对的格式相对应

　　对于上面的例子，在map过程，输入的key-value对如下： 
　　(0 ,0067011990999991950051507+0000+) 
　　(1 ,0043011990999991950051512+0022+) 
　　(2 ,0043011990999991950051518-0011+) 
　　(3 ,0043012650999991949032412+0111+) 
　　(4 ,0043012650999991949032418+0078+) 
　　(5 ,0067011990999991937051507+0001+) 
　　(6 ,0043011990999991937051512-0002+) 
　　(7 ,0043011990999991945051518+0001+) 
　　(8 ,0043012650999991945032412+0002+) 
　　(9 ,0043012650999991945032418+0078+) 

　　将上面的数据作为用户编写的map函数的输入，通过对每一行字符串的解析，得到年/温度的key/value对作为输出： 
　　(1950, 0) 
　　(1950, 22) 
　　(1950, -11) 
　　(1949, 111) 
　　(1949, 78) 
　　(1937, 1) 
　　(1937, -2) 
　　(1945, 1) 
　　(1945, 2) 
　　(1945, 78) 

　　在Reduce过程，将map过程中的输出，按照相同的key将value放到同一个列表中作为用户写的reduce函数的输入 
　　(1950, [0, 22, –11]) 
　　(1949, [111, 78]) 
　　(1937, [1, -2]) 
　　(1945, [1, 2, 78]) 

　　在Reduce过程中，在列表中选择出最大的温度，将年/最大温度的key/value作为输出： 
　　(1950, 22) 
　　(1949, 111) 
　　(1937, 1) 
　　(1945, 78) 

　　其逻辑过程可用如下图表示：