Hadoop计算框架之MapReduce

前面文章中我们已经介绍了 Hadoop 中重要的模块 HDFS，今天我们来说说MapReduce，那么为什么要说 MapReduce 呢？

老规矩，我们再来说个小故事。回忆起小时候念书的时候个子比较瘦小，在学校经常受到其他大个子同学的欺负，没办法谁让我打不过他呢？那怎么办呢，总不能老是白白的给人欺负吧，当然不，哥也不是好惹的，我一个人打不过没关系的，我记得有一次真把我惹毛了，我就去叫了几个玩的要好的小伙伴，合起来去揍他，最后结果就是打的他鼻青脸肿的，一次就把他治的服服帖帖的。这个小故事我只想说明一点：

人多力量大，一个人干不过他，那就多找几个人一起。

1.MapReduce编程模型

HDFS 解决了大数据存储的问题，那么 MapReduce 自然要解决的是数据计算问题。前面已经说强调了一点，人多力量大啊，同样的道理，在处理大数据计算中，一个台机器是无法满足大批量数据计算的，那怎么办？轮到 MapReduce 闪亮登场了，MapReduce是一种编程模型，用于大规模数据集的并行计算，需要将数据分配到大量的机器上计算，每台机器运行一个子计算任务，最后再合并每台机器运算结果并输出。 MapReduce 的思想就是 『分而治之』

MapReduce 将整个并行计算过程抽象到两个函数，在 Map 中进行数据的读取和预处理，之后将预处理的结果发送到 Reduce 中进行合并。一个简单的 MapReduce 程序只需要指定 map()、reduce()、 input 和output，剩下的事由框架完成。

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

Reduce( 化简 ) : 对一个列表的元素进行合并。

2.MapReduce执行流程

以经典的 WordCount 的例子来说明一下MapReduce的执行流程，WordCount就是统计每个单词出现的次数。

MapReduce计算框架的一般流程有以下几个步骤：

输入 ( Input ) 和拆分 ( Split )：

对数据进行分片处理。将源文件内容分片成一系列的 InputSplit，每个 InputSplit 存储着对应分片的数据信息，记住是对文件内容进行分片，并不是将源文件拆分成多个小文件。

迭代 ( iteration )：

遍历输入数据，并将之解析成 key/value 对。拆分数据片经过格式化成键值对的格式，其中 key 为偏移量，value 是每一行的内容，这一步由MapReduce框架自动完成。

映射 ( Map )：

将输入 key/value 对映射 ( map ) 成另外一些 key/value 对。MapReduce 开始在机器上执行 map 程序，map 程序的具体实现由我们自己定义，对输入的 key/value 进行处理，输出新的 key/value，这也是hadoop 并行事实发挥作用的地方。

洗牌 ( Shuffer ) 过程：

依据 key 对中间数据进行分组 ( grouping )。这是一个洗牌的过程，得到map方法输出的 对后，Mapper 会将它们按照 key 值进行处理，这包括 sort (排序)、combiner (合并)、partition (分片) 等操作达到排序分组和均衡分配，得到 Mapper 的最终输出结果交给 Reducer。mapper 和 reducer 一般不在一个节点上，这就导致了reducer 需要从不同的节点上下载数据，经过处理后才能交给 reducer 处理。

归并( Reduce )：

以组为单位对数据进行归约 ( reduce )。Reducer 先对从 Mapper 接收的数据进行排序，再交由用户自定义的 reduce方法进行处理。

迭代：

将最终产生的 key/value 对保存到输出文件中。得到新的 对，保存到输出文件中，即保存在 HDFS 中。

3.数据本地化

前面的文章中我已经介绍了 Hadoop 的核心就是存储（ HDFS ）和计算（ MapReduce ）。HDFS 提供了对海量数据的存储支持，MapReduce提供了对海量数据计算处理。

上篇 HDFS 的文章中已经介绍了 NameNode（文件系统），DataNode（数据节点）。MapReduce 计算框架中负责计算任务调度的 JobTracker 对应 HDFS 的 NameNode 的角色，只不过一个负责计算任务调度，一个负责存储任务调度。MapReduce 计算框架中负责真正计算任务的 TaskTracker 对应到 HDFS 的 DataNode 的角色，一个负责计算，一个负责管理存储数据。

考虑到数据本地化的原则，一般将 JobTracker 和 NameNode 部署在一台机器上，而将 TaskTracker 和对应的 DataNode 部署在一个机器上。为什么要这样分配呢？都说近水楼台先得月，你数据跟我计算任务挨得近，我不是轻而易举的就给你处理了，省去了不同机器之间数据传输的消耗，这就是所谓的 "运算移动，数据不移动"。

下一篇将深入 MapReduce 工作原理，Shuffer 过程等，敬请期待。