大数据技术 —— MapReduce 简介

本文为senlie原创，转载请保留此地址：http://www.cnblogs.com/senlie/

1.概要
很多计算在概念上很直观，但由于输入数据很大，为了能在合理的时间内完成，这些计算
必须分布在数以百计数以千计的机器上。例如处理爬取得到的文档、网页请求日志来计算
各种衍生数据，如倒排索引，网页文档的各种图结构表示，从每个主机上爬取的文档数，
在某一天最频繁的查询的集合。

MapReduce 是为处理和生成大数据集的编程模式和相应的实现。
用户指定一个 map 函数来处理一个键值对来生成一个键值对的集合，
和一个 reduce 函数来合并具有相同中间键的实值。

例如，有大一堆文档，要统计里面每一个文档的出现的次数。可以这样写map 函数和 reduce 函数

map(String key, String value):
	//key: document name
	//value: document contents
	for each word w in value:
		EmitIntermediate(w, '1');
reduce(String key, Iterator values):
	//key: a word
	//values: a list of counts
	int result = 0;
	for each v in values:
		result += ParseInt(v);
	Emit(AsString(result));

　　

??疑问：map 返回的是一个 key/value ，为什么到了 resuce 这的输入却变成了 key/list of values ，这中间
发生了什么？
解答：
map 函数接受一个键值对(如上面例子中的文档名/文档内容)并产生一组键值对(单词/1)。在将这组
键值对传给 reduce 函数之前， MapReduce 库会组合所有具有相同键值的实值产生新的一组键/值(单词/次数)。
reduce 函数接受来自多个 map 函数产生的键值对，它们在被 reduce 函数处理前，会先被 MapReduce 库组合成
键/值列表(单词/次数列表)。下图解释了这一过程。
(声明：图来自实验室 adonis 同学的 seminar 展示ppt)

2.MapReduce 的执行的大概流程
通过将输入数据划分为 M 个分片， map 函数的调用分布在多台机器上，这些分片可同
不同的机器并行地处理。
通过将中间结果的键空间划分为 R 个分片， reduce 函数的调用分布在多台机器上。
下图展示了 MapReduce 操作的整个流程。

1). 客户程序中的 MapReduce 库首先将输入文件分成 M 个大小通常为 16MB 或者64MB 的分片。
然后开始在集群上的机器复制客户程序
2).其中有一个程序的备份是特殊的，它就是主节点。其它的是由主节点分配任务的从节点。
主节点有 M 个 map 任务和 R 个 reduce 任务要分配给那些空闲的从节点。
3).一个被分配了 map 任务的从节点从输入分片中读取内容，然后从输入中解析出键值对被传递给
用户定义的 map 函数，由它来产生中间结果的键值对并缓存在内存中
4).在内存中的键值对被周期性地写入到本地磁盘，通过分片函数被分成 R 个分片。
这些分片的位置被回传给主节点，由主节点告诉 reduce 从节点它们的位置
5).当 reduce 从节点被主节点告知分片的位置时，它从使用 RPC(remote procedure call) 去读取
那些缓存数据，当读完后，它会按键值进行排序，然后将有相同键值的键值对组合在一起，形成键/值列表
6).reduce 从节点遍历已经排序合并好了的中间数据，将每一个键/值列表对传递给客户定义的 reduce 函数。
reduce 函数返回的结果被添加到这个 reduce 从节点的结果文件中。
7).当所有 map 从节点和 reduce 从节点完成后，主节点唤醒客户程序。
如果 MapReduce 程序成功完成，结果文件被存储在 R 个输出文件中。

3.示例
这个示例统计了一组输入文件里每个单词的出现次数

#include "mapreduce/mapreduce.h"
//user's map function
class WordCounter : public Mapper{
public:
	virtual void Map(const MapInput &input){
		const string &text = input.value();
		const int n = text.size();
		for(int i = 0; i < n; ){
			//忽略单词前空格
			while(i < n && isspace(text[i])) i++;
			//找到单词的结尾
			int start = i;
			while(i < n && !isspace(text[i])) i++;
			if(start < i) Emit(text.substr(start, i - start), "1");

		}
	}
};
REGISTER_MAPPER(WordCounter); // 这个是干嘛用的？？

//User's  reduce function
class Adder : public Reducer {
	// 这里不用加个 public 的关键字？
	virtual void Reduce(ReduceInput *input){
		//把有相同键值的数值加起来
		int64 value = 0;
		while(!input->done()){
			value != StringToInt(input->value());
			input->NextValue();
		}
		Emit(IntToString(value));
	}
}
REGISTER_REDUCER(Adder);

int main(int argc, char **argv){
	ParseCommandLineFlags(argc, argv);
	MapReduceSpecification spec;

	//把输入文件列表存入 "spec"
	for(int i = 1; i < argc; i++){
		MapReduceInput *input = spec.add_input();
		input->set_format("text");
		input->set_filepattern(argv[i]);
		input->set_mapper_class("WordCounter");
	}
	//指定输出文件
	MapReduceOutput *out = spec.output();
	out->set_filebase("gfs/test/freq");
	out->set_num_tasks(100);
	out->set_format("text");
	out->set_reducer_class("Adder");

	//可选：在 map 节点中做部分和运算以节省带宽
	out->set_combiner_class("Adder");

	//调节参数：使用最多2000台机器，每个任务最多100MB内存
	spec.set_machines(2000);
	spec.set_map_megabytes(100);
	spec.set_reduce_megabytes(100);

	//开跑
	MapReduceResult result;
	if(!MapReduce(spec, &result)) abort();

	//失败的时候 abort， 能运行在这里就是成功了。
	return 0;
}

　　

参考：
MapReduce： Simplified Data Processing on Large Clusters