hadoop学习笔记--6.MapReduce的初识

一、MapReduce的概念

1.1 MapReduce的起源

MapReduce是Google提出的一个软件架构，用于大规模数据集（大于1TB）的并行运算。通过对大数据计算模型的封装，使得开发者降低开发难度。基于该框架能够容易地编写应用程序，这些应用程序能够运行在由上千个商用机器组成的大集群上，并且以可靠性高，容错率高的方式并行处理大批数据。

1.2 MapReduce的作用

MapReduce简单来说就是大数据处理，即接收批量数据，然后根据用户的需求返回结果集。以价值为导向，对数据进行加工，处理，挖掘和优化等。

MapReduce的核心思想即为“先分后汇”，MapReduce分为Mapper和Reduce。Mapper主要负责“分”，将一个复杂的任务根据一定的逻辑分为若干个简单的小任务。这个逻辑包括：1：将任务分配到就近的数据节点进行计算，以减少数据传输所需的时间和带宽。2：小任务之间彼此没有联系，可以单独计算工作。

Reduce主要对Mapper阶段的结果集按用户的需求进行汇总。，用户可以根据具体问题，通过在mapred-site.xml配置文件里设置参数mapred.reduce.tasks的值，缺省值为1。

网上的一张图片，这个非常的生动形象。



1.3 MapReduce的特点

1：易于编程

2：良好的扩展性

3：高容错性

4：适合PB级以上海量数据的离线处理

5：不适合实时计算，无法在短时（毫秒级或秒级）返回结果。

6：不适合流式计算

（1）：MapReduce的输入数据是静态的，不能支持动态改变。

（2）：MapReduce自身的设计特点决定了数据源必须是静态的

二、MapReduce的原理

2.1 MapReduce的键值对

为了适应多样化的数据环境，MapReduce将关键字/值数据对（Key-Value Pair）作为基础数据单元。关键字和值可以是简单的基本数据类型，例如整数，浮点数，字符串等，也可以是复杂的数据结构，例如列表，数组等。

Mapper阶段和Reduce阶段都将关键字/值作为输入输出，其中Mapper阶段首先是遍历输入数据，并将之解析为关键字/值对作为Mapper的输入。

2.2 MapReduce的处理过程

首先上一张图，这张图表示的非常清楚。



MapReduce的基本处理过程表示如下：

（1）：遍历输入数据，并将之解析成Key/Value对。MapReduce应用将这些Key/Value对拆分为单独的Key/Value对，分发给对应的Mapper进行处理。

（2）：Mapper根据函数定义，对《K1,V1》进行处理，生成[《K2,V2》]列表。

（3）：所有的Mapper的处理结果聚合在一起构成一个大的[《K2,V2》]列表，这个列表中相同的关键字的数据会被合并作为一个新的关键字/值数据对《K2,[V2]》，即K2,和一系列的V2。

（4）：Reduce按照函数定义的处理过程，对这些新数据再一次进行处理，获得最终的处理结果，并与《k3,V3》列表输出。

注：以上的《》，在实际过程中应该为英语的符号。

2.3 MapReduce的实例分析

本实例对手机网站访问的数据进行分析。



此表格数据包括了用户的手机号，访问网站的信息，流量以及访问时间。结果是为了获取每个用户各自使用流量的总值。MapReduce的流量统计处理流程图如下所示。



输入的数据经过划分后由3个Mapper函数分别处理，Mapper函数的功能是为了提取文件中每行数据中的手机号和流量。mapper处理后的中间数据在MapReduce运行环境中经过排序，分组和合并后，生成了以手机号码为关键字，流量列表为值的数据对，输入至Reduce的函数，Reduce函数需要做的是将流量列表中的每个流量值相加，运算后即得到最终结果。

参考资料

（1）：刘军，《Hadoop大数据处理》

（2）：周旭龙，《Hadoop学习笔记》

http://www.cnblogs.com/edisonchou/p/4287784.html

（3）伯乐在线，《我是如何向老婆解释MapReduce的》：

http://blog.jobbole.com/1321/