map-reduce入门

近期在改写mahout源代码，感觉自己map-reduce功力不够深厚，因此打算系统学习一下。

map-reduce事实上是一种编程范式，从统计词频（wordCount）程序来解说map-reduce的思想最easy理解。

给定一个文件，里面的内容例如以下，要求统计每一个单词的词频。

Hello Angela

I love you Angela

How are you Angela

map（每一个单词处理为一行，key,value形式）

Hello,1

Angela,1

I,1

love,1

you,1

Angela,1

How,1

are,1

you,1

Angela,1

reduce（key同样的行汇在一起）

Hello,<1>

Angela,<1,1,1>

I, <1>

love, <1>

you, <1,1>

How, <1>

are, <1>

reducer处理后输出

Hello,1

Angela,3

I, 1

love, 1

you, 2

How, 1

are, 1

从上能够看到，map阶段和reduce阶段的输入输出数据都是key,value形式的。

key的存在是为了标志哪些数据须要汇在一起处理。

显然，对于上面统计词频的样例。我们的目的就是让同一个单词的数据落在一起，然后统计该单词出现了多少次。

了解了map-reduce的思想之后，以下来看看分布式的map-reduce是如何子的。

Hadoop有两类节点，一个jobtracker和一序列的tasktracker。

jobtracker调用tasktracker执行任务。假设当中一个tasktracker任务失败了，jobtracker会调度另外一个tasktracker节点又一次执行任务。

Hadoop会将输入数据进行分片处理，每一个分片是一个等大的数据块，

每一个分片会分给一个map任务来依次处理里面的每行数据。

一般来说。合理的分片大小趋向于hdfs一个块的大小，默认是64MB。

从而使得map任务执行在存有输入数据的节点上。降低数据的网络传输。

假设有多个reduce任务，那么map任务会对输出进行分区。落在同一个分区的数据，留给一个reduce任务处理。

当然。同样的key的数据肯定在一个分区中。

map在输出到reduce之前，事实上还能够存在一个combine任务，即localreduce，在本地做一次数据合并。从而降低数据的传输。

非常多时候，combiner和reducer能够是同一个类。

 本文作者：linger

 本文链接：http://blog.csdn.net/lingerlanlan/article/details/46713733