简单的介绍一下大数据中最重要的MapReduce

MapReduce执行流程图

概述

MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题。

MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。

Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。

使用

MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。

这两个函数的形参和返回值都是，使用的时候一定要注意构造。

执行流程(此处举例说明)

一个文本(在HDFS上面保存，两个block)中每一个单词的出现的次数： 

    hello you hello marry 

    hello me really 

            ----->block-1 

             

    hello kate ready 

    xiao wang hello tomcat 

            ----->block-2 

1.获取每一个block块中的文本，遍历所有，回去其中的一行str

因为要统计的是每一个单词i的次数，所以还需要直到文本中有哪些单词，可以根据字符串的特点，使用split()进行切割。

String[] words=str.split(""); 

根据要求，需将每一个单词i转换为的形式，k为单词本身，v为单词出现的次数。

2.因为mr的计算是分布式的 ，每一个map(称之为一个mapper task)计算其中的一个block块数据。

map阶段： 

    输入<K1,V1> 

        k1，偏移量，v1，当前行文本内容 

        map()函数操作 

    输出<K2,V2> 

        k2，具体单词，v2，单词对应的统计项，比如次数 

    输出<K2,V2> 

shuffle阶段 

研究后发现，如果按照<key,1>这种方式向reduce输出数据的时候，会有 

大量的冗余数据。 

比如map阶段之后有5个hello,则输出<hello,1>,<hello,1>,<hello,1>, 

<hello,1>,<hello,1>5次，实际上会对网络造成一定的压力，能不能对 

这5个<hello,1>进行一个进入reduce之前的本地组合？比如成为 

<hello,5>或者<hello,[1,1,1,1,1]>. 

这个过程成为shuffle，洗牌重组阶段，达到上述的结果，称之为规约。 

>>>shuffle阶段，也就是对map的输出进行重新洗牌： 

分区、分组、排序 

<K2,V2>...===><K2,V2s> 

reduce阶段 

接收map的输出结果<key,values> 

对这个结果进行汇总统计，针对values，进行简单的累加，计算得出key 

对应的次数 

reduce针对一个key调用一次reduce()函数 

=====>reduce 阶段 

输入<K2,V2> 

    K2,就是map的输出的K2，V2s是map经过shuffle之后的结果集 

    reduce()函数操作 

转化为<K3,V3>   

经过上述操作之后，系统会将计算结果输出给用户，一般会先存储(落地)到hdfs，然后反馈给用户。

到此为止，MapReduce执行完毕，接下来就可以进行大数据的其他一系列操作了。

【编辑推荐】

Spark：超越Hadoop MapReduce

巧用MapReduce+HDFS，海量数据去重的五大策略

MapReduce运行原理

从HDFS和MapReduce两方面了解Hadoop

大数据核心框架MapReduce过程解析