MapReduce 过程详解 (用WordCount作为例子)

本文转自 http://www.cnblogs.com/npumenglei/

....

先创建两个文本文件， 作为我们例子的输入：

File 1 内容：

My name is Tony

My company is pivotal

File 2 内容：

My name is Lisa

My company is EMC

1. 第一步， Map

顾名思义， Map 就是拆解.

首先我们的输入就是两个文件， 默认情况下就是两个split, 对应前面图中的split 0, split 1

两个split 默认会分给两个Mapper来处理， WordCount例子相当地暴力， 这一步里面就是直接把文件内容分解为单词和 1 （注意， 不是具体数量， 就是数字1）其中的单词就是我们的主健，也称为Key, 后面的数字就是对应的值，也称为value.

那么对应两个Mapper的输出就是：

split 0

My       1

name    1

is         1

Tony     1

My          1

company     1

is       1

Pivotal   1

split 1

My       1

name    1

is       1

Lisa     1

My       1

company  1

is       1

EMC   　　1

2. Partition

Partition 是什么？ Partition 就是分区。

为什么要分区？ 因为有时候会有多个Reducer, Partition就是提前对输入进行处理， 根据将来的Reducer进行分区. 到时候Reducer处理的时候， 只需要处理分给自己的数据就可以了。

如何分区？ 主要的分区方法就是按照Key 的不同，把数据分开，其中很重要的一点就是要保证Key的唯一性， 因为将来做Reduce的时候有可能是在不同的节点上做的， 如果一个Key同时存在于两个节点上， Reduce的结果就会出问题， 所以很常见的Partition方法就是哈希。

结合我们的例子， 我们这里假设有两个Reducer, 前面两个split 做完Partition的结果就会如下：

split 0

Partition 1:
company　1
is     　1
is　　　　1

Partition 2:
My　　   1
My　　　　1
name　　1
Pivotal   1
Tony　　  1

split 1

Partition 1:
company 1
is 　　　1

is      1
EMC　　　1

Partition 2:
My　　   1
My       1
name　　 1
Lisa     1

其中Partition 1 将来是准备给Reducer 1 处理的， Partition 2 是给Reducer 2 的

这里我们可以看到， Partition 只是把所有的条目按照Key 分了一下区， 没有其他任何处理， 每个区里面的Key 都不会出现在另外一个区里面。

3. Sort

Sort 就是排序喽， 其实这个过程在我来看并不是必须的， 完全可以交给客户自己的程序来处理。 那为什么还要排序呢？ 可能是写MapReduce的大牛们想，“大部分reduce 程序应该都希望输入的是已经按Key排序好的数据， 如果是这样， 那我们就干脆顺手帮你做掉啦， 请叫我雷锋！”  ......好吧， 你是雷锋.

那么我们假设对前面的数据再进行排序， 结果如下：

split 0

Partition 1:
company　1
is     　1
is　　　　1

Partition 2:
My　　   1
My　　　　1
name　　1
Pivotal   1
Tony　　  1

split 1

Partition 1:
company 1
EMC　　 1
is 　　　1

is      1

Partition 2:
Lisa　　 1
My　　   1
My       1
name　　 1

这里可以看到， 每个partition里面的条目都按照Key的顺序做了排序

4. Combine

什么是Combine呢？ Combine 其实可以理解为一个mini Reduce 过程， 它发生在前面Map的输出结果之后， 目的就是在结果送到Reducer之前先对其进行一次计算， 以减少文件的大小， 方便后面的传输。 但这步也不是必须的。

按照前面的输出， 执行Combine:

split 0

Partition 1:
company　1
is     　2

Partition 2:
My　　   2
name　　1
Pivotal   1
Tony　　  1

split 1

Partition 1:
company 1
EMC　　 1
is 　　　2

Partition 2:
Lisa　　 1
My　　   2
name　　 1

我们可以看到， 针对前面的输出结果， 我们已经局部地统计了is 和My的出现频率， 减少了输出文件的大小。

5. Copy

下面就要准备把输出结果传送给Reducer了。 这个阶段被称为Copy, 但事实上雷子认为叫他Download更为合适， 因为实现的时候， 是通过http的方式， 由Reducer节点向各个mapper节点下载属于自己分区的数据。

那么根据前面的Partition, 下载完的结果如下：

Reducer 节点 1 共包含两个文件:

Partition 1:
company　1
is     　2

Partition 1:

company　　1

EMC　　　　1

is　　　　2

Reducer 节点 2 也是两个文件:

Partition 2:

My　　   2
name　　1
Pivotal   1
Tony　　  1

Partition 2:

Lisa　　 1

My　　   2

name　　 1

这里可以看到， 通过Copy, 相同Partition 的数据落到了同一个节点上。

6. Merge

如上一步所示， 此时Reducer得到的文件是从不同Mapper那里下载到的， 需要对他们进行合并为一个文件， 所以下面这一步就是Merge, 结果如下：

Reducer 节点 1

company　1
company  1
EMC　　  1

is     　2
is　　　　2

Reducer 节点 2

Lisa　　1
My　　   2
My　　　　2

name　　1
name　　1

Pivotal   1

Tony　　  1

7. Reduce

终于可以进行最后的Reduce 啦...这步相当简单喽， 根据每个文件中的内容最后做一次统计， 结果如下：

Reducer 节点 1

company　2
EMC　　　　1

is     　4

Reducer 节点 2

Lisa　　1
My　　   4

name　　2

Pivotal   1

Tony　　  1

至此大功告成！ 我们成功统计出两个文件里面每个单词的数目， 同时把它们存入到两个输出文件中， 这两个输出文件也就是传说中的 part-r-00000 和 part-r-00001, 看看两个文件的内容， 再回头想想最开始的Partition, 应该是清楚了其中的奥秘吧。

如果你在你自己的环境中运行的WordCount只有part-r-00000一个文件的话， 那应该是因为你使用的是默认设置， 默认一个job只有一个reducer

如果你想设两个， 你可以：

1. 在源代码中加入  job.setNumReduceTasks(2), 设置这个job的Reducer为两个
或者
2. 在 mapred-site.xml 中设置下面参数并重启服务
<property>
  <name>mapred.reduce.tasks</name>
  <value>2</value>
</property>

这样， 整个集群都会默认使用两个Reducer

结束语：

本文大致描述了一下MapReduce的整个过程以及每个阶段所作的事情， 并没有涉及具体的job，resource的管理和控制， 因为那个是第一代MapReduce框架和Yarn框架的主要区别。 而两代框架中上述MapReduce 的原理是差不多的，希望对大家有所帮助。