处理海量数据的模式MapReduce，大规模数据集的并行运算

Posted 2020-10-01

MapReduce是一种处理海量数据的并行编程模式，用于大规模数据集（通常大于1TB）的并行运算。

“Map（映射）”、“Reduce（化简）”的概念和主要思想，都是从函数式编程语言和矢量编程语言借鉴。

适合非结构化和结构化的海量数据的搜索、挖掘、分析与机器智能学习等。

MapReduce计算模型

分布式计算的瓶颈是网络带宽。“本地计算”是最有效的一种节约网络带宽的手段。

MapReduce的特点

1、输入的键值是不固定的，由分析人员选择

2、对于非结构化和半结构化数据，非常有效

3、适合于大规模数据的一次写入，多次查询

4、MapReduce其核心就是高速、流式读写操作

无共享

无共享结构让MapReduce程序员无需考虑系统的部分失效问题；

因为自身的系统实现，能够检测到失败的map或reduce任务；

并让正常的机器重新执行这些失败的任务；

因为各个任务之间彼此独立；

任务的执行顺序是无关紧要的；

MapReduce计算流程

MapReduce运行模型

Map函数——对一部分原始数据进行指定的操作。每个Map操作都针对不同的原始数据，因此Map与Map之间是互相独立的，这使得它们可以充分并行化。

Reduce操作——对每个Map所产生的一部分中间结果进行合并操作，每个Reduce所处理的Map中间结果是互不交叉的，所有Reduce产生的最终结果经过简单连接就形成了完整的结果集

数据分布存储，带来计算上的并行化：

MapReduce操作执行流程图

本文出自 “中科院计算所培训” 博客，谢绝转载！