MapReduce简介

Hadoop简介：

Hadoop是一个实现了Google云计算系统的开源系统，包括并行计算模型Map/Reduce，分布式文件系统HDFS，以及分布式数据库Hbase

Map/Reduce：

MapReduce是hadoop的核心组件之一，hadoop要分布式包括两部分，一是分布式文件系统hdfs,一部是分布式计算框，就是mapreduce,缺一不可，也就是说，可以通过mapreduce很容易在hadoop平台上进行分布式的计算编程。
Mapreduce是一种编程模型，是一种编程方法，抽象理论。

1.user program链接了map reduce库，实现了最基本的map函数和reduce函数。

2.MapReduce库先把user program的输入文件划分为M份（划分到多少份是用户定义的），如上图所示，我们将用户输入文件划分为5份，分别是split0~split4.

3.user program用fork得到一个自己的副本进程，记为master，然后再fork几个进程记为worker，这个master是负责调度作业的，为空闲的worker分配任务。（Map作业，即是处理一个输入数据的分片；Reduce作业处理一个分区的中间键值对），woker的数量也是由用户指定的，用户想要fork几个就fork几个。

4.map得到的中间结果会被定期写入本地磁盘，且被分为R个区，R也是用户定义的，将来的每个区会对应一个reduce作业。这些中间结果的位置会被告知给master，master将这些信息告诉reduce worker。

5.reduce worker从master那里得到了自己负责的中间结果的位置，reduce worker得到所有的中间键值对，现对他们进行排序，使得相同键的键值对聚集在一起。

6.然后reduce worker将得到键值及其相关联的值集合一起给reduce函数，reduce函数会将这些输出到这个分区的输出文件（HDFS）中。

7.所有的map和reduce作业完成了，master唤醒user program，map reduce函数调用返回user program的代码。

---

用一个例子来说明map reduce的逻辑过程吧：（http://www.cnblogs.com/forfuture1978/archive/2010/11/14/1877086.html）

1、Map-Reduce的逻辑过程

假设我们需要处理一批有关天气的数据，其格式如下：

• 按照ASCII码存储，每行一条记录
• 每一行字符从0开始计数，第15个到第18个字符为年
• 第25个到第29个字符为温度，其中第25位是符号+/-

0067011990999991950051507+0000+

0043011990999991950051512+0022+

0043011990999991950051518-0011+

0043012650999991949032412+0111+

0043012650999991949032418+0078+

0067011990999991937051507+0001+

0043011990999991937051512-0002+

0043011990999991945051518+0001+

0043012650999991945032412+0002+

0043012650999991945032418+0078+

现在需要统计出每年的最高温度。

Map-Reduce主要包括两个步骤：Map和Reduce

每一步都有key-value对作为输入和输出：

• map阶段的key-value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进程处理，其中key为此行的开头相对于文件的起始位置，value就是此行的字符文本
• map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应

对于上面的例子，在map过程，输入的key-value对如下：

(0, 0067011990999991950051507+0000+)

(33, 0043011990999991950051512+0022+)

(66, 0043011990999991950051518-0011+)

(99, 0043012650999991949032412+0111+)

(132, 0043012650999991949032418+0078+)

(165, 0067011990999991937051507+0001+)

(198, 0043011990999991937051512-0002+)

(231, 0043011990999991945051518+0001+)

(264, 0043012650999991945032412+0002+)

(297, 0043012650999991945032418+0078+)

在map过程中，通过对每一行字符串的解析，得到年-温度的key-value对作为输出：

(1950, 0)

(1950, 22)

(1950, -11)

(1949, 111)

(1949, 78)

(1937, 1)

(1937, -2)

(1945, 1)

(1945, 2)

(1945, 78)

在reduce过程，将map过程中的输出，按照相同的key将value放到同一个列表中作为reduce的输入

(1950, [0, 22, –11])

(1949, [111, 78])

(1937, [1, -2])

(1945, [1, 2, 78])

在reduce过程中，在列表中选择出最大的温度，将年-最大温度的key-value作为输出：

(1950, 22)

(1949, 111)

(1937, 1)

(1945, 78)

其逻辑过程可用如下图表示：