大数据小白系列——MR(1)

一部编程发展史就是一部程序员偷懒史，MapReduce(下称MR)同样是程序员们用来偷懒的工具。

来了一份大数据，我们写了一个程序准备分析它，需要怎么做？

老式的处理方法不行，数据量太大时，所需的时间无法忍受，所以，必须并行计算。好比1000块砖，1个人搬需要1小时，10个人同时搬，只需要6分钟。

不过进行并行计算，面临几个细思头大问题：

• 如何切分数据
• 如何处理部分任务失败
• 如何对多路计算的结果进行汇总

不过不用担心，世界就是这样的，少部分人发明创造工具，大部分人使用工具。总有聪明人在合适的时候出来解决问题。

Google在2004年出了个paper，《MapReduce: Simplifed Data Processing on Large Clusters》，提出来一种针对大数据的并行处理模型、并基于此理论做了一个计算框架。

所以，你可以说MR是一种计算模型、也可以叫它一个计算框架。广义的MR甚至还包括一套资源管理(JobTracker、TaskTracker)，后面这个我们不讲，因为，过，时，了。

Q 框架是什么？

A 就是套路。内部会帮你处理那些让你头大的问题。

作为小白系列，我们先来看看MR简单的流程图：

为方便理解，来一个WorkCount示例(WordCount就好比大数据的HelloWorld，总要来一个的)。假设我们有一个文件包含内容：

Live for nothing, die for something

统计每一个单词出现的次数：

Q Splitting是怎么做的，分成几份？

A 框架决定(通常是文件有多少个数据块，就分成几份，数据块不懂的回去看HDFS系列)。

Q k1，v1是什么？

A 一般来说，k1是行号(在WordCount示例中用不到)，v1是文件的某一行。本例只是概念示例，不用纠结。

Q Mapping产生的结果存储在哪里？

A 所在机器的本地文件系统，非HDFS，以避免产生多余的副本（HDFS默认多个副本）。

Q Shuffling是做什么的？

A 负责将Mapping产生的中间结果发给Reducer，哪些数据发个哪个Reducer，有框架决定。

Q Reducer有几个，运行在哪些机器上？

A 框架决定。

Q 哪些是需要程序员进行代码实现的？

A Mapping及Reducing，即图中两个红框部分。

好了，这期就先说到这，下期将稍微深入了解一下MR中的Shuffling、Sorting等概念。Cheers！

—END—

欢迎关注“程序员杂书馆”公众号，领取大数据经典纸质书。