批处理引擎MapReduce应用案例

　　　　　　　　　　　　　　批处理引擎MapReduce应用案例

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

　　MapReduce能够解决的问题有一个共同特点：任务可以被分解为多个子问题，且这些子问题相对独立，彼此之间不会有牵制，待并行处理完成这些子问题后，总的问题便被解决。

　　在实际应用中，这类问题非常庞大，谷歌在论文中提到一些MapReduce的典型应用，包括分布式grep，URL访问频率统计，Web链接图反转，倒排索引构建，分布式排序等，这些均为比较简单的应用。下面介绍一些比较复杂应用。

一.Top K问题

    在搜索引擎领域中，常常需要统计最近最热门的K个查询词，这就是典型的“Top K”问题，也就是从海量查询中统计出现频率最高的前K个。
    
　　该问题可分解成两个MapReduce作业，分别完成统计词频和找出词频最高的前K个查询词的的功能，另两个作业存在以来关系，第二个作业需要依赖前一个作业输出的结果。第一个作业是典型的WorldCount问题。对于第二个作业，首先map函数输出前K个频率最高的词，然后在reduce函数中汇总每个Map任务得到的前K个查询词，并输出频率最高的前K个查询只。

二.K-means聚类

    K-means是一种基于距离的聚类算法，它采用距离作为相似性的评价指标，认为两个对象的距离越近，其相似度就越大，该算法解决的问题可抽象成：给定正整数k和n个对象，如何将这些数据点划分为k个聚类？
    
　　该问题采用MapReduce计算思路如下，首先随机选择k个对象作为初始中心点，然后不断迭代计算，直到满足终止条件（达到迭代次数上限或者数据点到中心点距离平方和最小），在第i轮迭代中，map函数计算每个对象到中心点的距离，选择距每个对象（object）最近的中心点（center_point），并输出<center_point,object>对。reduce函数计算每个聚类中对象的距离均值，并将这k个均值作为下一轮初始中心点。

三.贝叶斯分类

    贝叶斯分类是一种利用概率统计知识进行分裂的统计学分方法。该方法包括两个步骤：训练样本和分类。  其实现由多个MapReduce作业完成，具体如下图所示。

    其中，训练样本可由三个MapReduce作业完成：
        （）第一个作业（ExtractJob）抽取文档特征，该作业只需要Map即可完成；
        （）第二个作业（ClassPriorJob）计算类别的先验概率，即统计每个类别中文档的数目，并计算类别概率；
        （）第三个作业（CondititionProbilityJob）计算单词的条件概率，即统计<label,word>在所有文档中出现的次数并计算单词的条件概率；
    后两个作业的具体实现类似于WordCount。分类过程有一个作业（PredictJob）完成，该作业的map函数计算每个待分类文档属于每个类别的概率，reduce函数找到每个文档概率最高的类别，并输出<docid,label>（编号为docid的文档属于类别label）。

四.MapReduce不能解决或者难以解决的问题 

1>.Fibonacci数值计算

    Fibonacci数值计算时，下一个结果需要依赖前面的计算结果，也就是说，无法将该问题划分成若干个互不相干的子问题，因而不能够用MapReduce解决。

2>. 层次聚类法

    层次聚类法是应用最广泛的聚类算法之一，按采用“自顶向下”和“自底向上”两种方式，可将其分解为分解型层次聚类法两种。层次聚类方法采用迭代控制策略，使聚类逐步优化。它按照一定的相似性（一般是距离）判断标准，合并最相似的部分或者分隔最不相似的部分。以分解型层次聚类算法为例，其主要思想是，初始时，将每个对象归为一类，然后不断迭代，直到所有对象合并成一个大类（或者达到某个终止条件），在每轮迭代时，需要计算两两对象间的距离，并合并距离最近的两个对象为一类。
   
　　该算法需要计算两两对象间的距离，也就说每个对象和其他对象均有关联，因而该问题不能被分解成若干个子问题，进而不能用MapReduce解决。