MapReduce计算模型二

之前写过关于Hadoop方面的MapReduce框架的文章MapReduce框架Hadoop应用(一) 介绍了MapReduce的模型和Hadoop下的MapReduce框架，此文章将进一步介绍mapreduce计算模型能用于解决什么问题及有什么巧妙优化。

MapReduce到底解决什么问题？

MapReduce准确的说，它不是一个产品，而是一种解决问题的思路，能够用分治策略来解决问题。例如：网页抓取、日志处理、索引倒排、查询请求汇总等等问题。通过分治法，将一个大规模的问题，分解成多个小规模的问题(分)，多个小规模问题解决，再统筹小问题的解(合)，就能够解决大规模的问题。最早在单机的体系下计算，当输入数据量巨大的时候，处理很慢。如何能够在短时间内完成处理，很容易想到的思路是，将这些计算分布在成百上千的主机上，但此时，会遇到各种复杂的问题，例如：并发计算、数据分发、错误处理、数据分布、负载均衡、集群管理与通信等，将这些问题综合起来将是比较复杂的问题了，而Google为了方便用户使用系统，提供给了用户很少的接口，去解决复杂的问题。

　　　　(1) Map函数接口：处理一个基于key/value(后简称k/v)的数据对(pair)数据集合，同时也输出基于k/v的数据集合。

　　　　(2) Reduce函数接口：用来合并Map输出的k/v数据集合

假设我们要统计大量文档中单词出现的次数。

　　Map

　　　　输入K/V：pair(文档名称，文档内容)

　　　　输出K/V：pair(单词，1)

　　Reduce

　　　　输入K/V：pair(单词，1)

　　　　输出K/V：pair(单词，总计数)　

　　Map伪代码:

Map(list<pair($docName, $docContent)>){//如果有多个Map进程，输入可以是一个pair，不是一个list
        foreach(pair in list)
                foreach($word in $docContent)
                        print pair($word, 1); // 输出list<k,v>
}            

　　Reduce伪代码：

Reduce(list<pair($word, $count)>){//大量(word,1)(即使有多个Reduce进程，输入也是list<pair>，因为它的输入是Map的输出)
    map<string,int> result;
        foreach(pair in list)
　　　　　　　　　if result.isExist($word)
　　　　　　　　　　　　　result[$word] += $count;
　　　　　　　　　else
　　　　　　　　  　　　　result[$word] = 1;

        foreach($keyin result)
                print pair($key, result[$key]); //输出list<k,v>
}

　　

　　可以看到，R个reduce实例并发进行处理，直接输出最后的计数结果。需要理解的是，由于这是业务计算的最终结果，一个单词的计数不会出现在两个实例里。即：如果(a, 256)出现在了实例1的输出里，就一定不会出现在其他实例的输出里，否则的话，还需要合并，就不是最终结果。

　　再看中间步骤，map到reduce的过程，M个map实例的输出，会作为R个reduce实例的输入。

　　问题一：每个map都有可能输出(a, 1)，而最终结果(a, 256)必须由一个reduce输出，那如何保证每个map输出的同一个key，落到同一个reduce上去呢？

　　　　这就是“分区函数”的作用。分区函数是使用MapReduce的用户按所需实现的，决定map输出的每一个key应当落到哪个reduce上的函数。如果用户没有实现，会使用默认分区函数。为了保证每一个reduce实例都能够差不多时间结束工作任务，分区函数的实现要点是：尽量负载均衡，即数据均匀分摊，防止数据倾斜造成部分reduce节点数据饥饿。如果数据不是负载均衡的，那么有些reduce实例处理的单词多，有些reduce处理的单词少，这样就可能出现所有reduce实例都处理结束，最后等待一个需要长时间处理的reduce情况。

　　问题二：每个map都有可能输出多个(a, 1)，这样就增大了网络带宽资源以及reduce的计算资源，怎么办？

　　　　这就是“合并函数”的作用。有时，map产生的中间key的重复数据比重很大，可以提供给用户一个自定义函数，在一个map实例完成工作后，本地就做一次合并，这样将大大节约网络传输与reduce计算资源。合并函数在每个map任务结束前都会执行一次，一般来说，合并函数与reduce函数是一样的，区别是：合并函数是执行map实例本地数据合并，而reduce函数是执行最终的合并，会收集多个map实例的数据。对于词频统计应用，合并函数可以将：一个map实例的多个(a, 1)合并成一个(a, count)输出。

　　问题三：如何确定文件到map的输入呢？

　　　　随意即可，只要负载均衡，均匀切分输入文件大小就行，不用管分到哪个map实例都能正确处理。

　　问题四：map和reduce可能会产生很多磁盘io，将更适用于离线计算，完成离线作业。