【生活现场】从打牌到map-reduce工作原理解析（转）

原文：http://www.sohu.com/a/287135829_818692

小史是一个非科班的程序员，虽然学的是电子专业，但是通过自己的努力成功通过了面试，现在要开始迎接新生活了。

对小史面试情况感兴趣的同学可以观看面试现场系列。

找到工作后的一小段时间是清闲的，小史把新租房收拾利索后，就开始找同学小赵，小李和小王来聚会了。

吃过午饭后，下午没事，四个人一起商量来打升级。打升级要两副扑克牌，小史就去找吕老师借牌去了。

【多几张牌】

吕老师给小史拿出一把牌。

【map-reduce】

（注意，如果有两幅完整的牌，那么小赵手中的黑桃A一定不少于2张，因为其他人手中已经不可能有黑桃A了，图中的数据只是演示。）

【hadoop中的map-reduce】

吕老师：过程看上去很简单，但是要实现并不简单，要考虑很多异常情况，幸好开源项目hadoop已经帮我们实现了这个模型，我们用它很简单就能实现map-reduce。

吕老师：hadoop是一个分布式计算平台，我们只要开发map-reduce的作业(job)，然后提交到hadoop平台，它就会帮我们跑这个map-reduce的作业啦。

map阶段：

publicstaticclassMyMapperextendsMapper<LongWritable, Text, Text, LongWritable> {

protectedvoidmap(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)throwsjava.io.IOException, InterruptedException {

String card = value.toString();

context.write( newText(card), newLongWritable( 1L));

};

}

(友情提示：可左右滑动)

吕老师：申明不用看，主要看map方法，它有三个参数，key、value和context，逻辑也很简单，其实就是用context.write往下游写了一个(card,1)的映射关系。

reduce阶段：

publicstaticclassMyReducerextendsReducer<Text, LongWritable, Text, LongWritable> {

protectedvoidreduce(Text key, java.lang.Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context)throwsjava.io.IOException, InterruptedException {

longcount = 0L;

for(LongWritable value : values) {

count += value.get();

}

context.write(key, newLongWritable(count));

};

}

(友情提示：可左右滑动)

吕老师：reduce也很简单，方法中三个参数，key、values和context，因为到了reduce阶段，一个key可能有多个value，所以这里传进来的是values，函数逻辑其实就是简单地将values累加，然后通过context.write输出。

小史：我明白了，hadoop其实把map-reduce的流程已经固定下来并且实现了，只留给我们自定义map和自定义reduce的接口，而这两部分恰好是和业务强相关的。

小史：也就是说业务方只需要告诉hadoop怎么进行map和怎么进行reduce，hadoop就能帮我们跑map-reduce的计算任务啦。

【分区函数】

小史：我明白了，这样一来，最后reduce完成之后，我这边多出来的牌全是红心的，其他人多出来的牌也算是同一花色，就不用进行二次统计了，这真是个好办法。

吕老师：没错，这就是分区函数的作用，在hadoop中，虽然shuffle阶段有默认规则，但是我们可以自定义分区函数来改变这个规则，让它更加适合我们的业务。

【合并函数】

吕老师：如果你不合并，那么传给shuffle阶段的就有两个数据，如果你预合并了，那么传给shuffle阶段的就只有一个数据，这样数据量减少了一半。

吕老师：hadoop当然考虑到了这个点，你可以自定义一个合并函数，hadoop在map阶段会调用它对本地数据进行预合并。

【hadoop帮我们做的事情】

吕老师：还有呀，刚才说的分布式系统中网络传输是有成本的，hadoop会帮我们把数据送到最近的节点，尽量减少网络传输。

吕老师：hadoop有两大重大贡献，一个是刚刚讲的map-reduce，另一个是分布式文件系统hdfs，hdfs可以说是分布式存储系统的基石。其实一般来说，map-reduce任务的输入，也就是那个很大的数据文件，一般都是存在hdfs上的。

【笔记】

小史在往回走的路上，在手机里记录下了这次的笔记。

一、map-reduce的四个关键阶段：file切分、map阶段、shuffle阶段、reduce阶段。

二、hadoop帮我们做了大部分工作，我们只需自定义map和reduce阶段。

三、可以通过自定义分区函数和合并函数控制map-reduce过程的细节。

四、hadoop还有一个叫hdfs的牛逼东西，下次问问吕老师。

【回到房间】

生活现场是互联网侦察推出的现场系列中的另一个板块，旨在通过生活中的场景，来解释大数据微服务技术中的基本原理，希望对大家学习技术原理有所帮助。