【大数据系列】MapReduce详解

MapReduce是hadoop中的一个计算框架，用来处理大数据。所谓大数据处理，即以价值为导向，对大数据加工，挖掘和优化等各种处理。

MapReduce擅长处理大数据，这是由MapReduce的设计思想决定的“分而治之”。

1）Mapper负责“分”，即把复杂的任务分解为若干个“简单的任务”来处理。“简单的任务”包含三层含义：一是数据或计算的规模相对原任务要大大缩小；而是就近计算原则，即任务会分配到存放着所需数据的节点上进行计算；三是这些小人物可以并行计算，彼此间几乎没有依赖关系。

2）Reducer负责对map节点的结果进行汇总。至少需要多少个Reducer,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.

MapReduce框架运转在<key,value>键值对上，也就是桌，框架把作业的输入看成是一组<key,value>键值对，通用也产生一组<key,value>键值对作为作业的输出，这两组键值对有可能是不同的。

论文：http://www.allendowney.com/ss08/handouts/dean08mapreduce.pdf

Map阶段：首先是读数据，数据来源可能是文本文件，表格，MySQL数据库。这些数据通常是成千上万的文件（叫做shards），这些shards被当做一个逻辑输入源。然后Map阶段调用用户实现的函数，叫做Mapper，独立且并行的处理每个shard。对于每个shard，Mapper返回多个键值对，这是Map阶段的输出。

Shuffle阶段：把键值对进行归类，也就是把所有相同的键的键值对归为一类。这个步骤的输出是不同的键和该键的对应的值的数据流。

Reduce阶段: 输入当然是shuffle的输出。然后Reduce阶段调用用户实现的函数，叫做Reducer，对每个不同的键和该键的对应的值的数据流进行独立、并行的处理。每个reducer遍历键对应的值，然后对值进行“置换”。这些置换通常指的的是值的聚合或者什么也不处理，然后把键值对写入数据库、表格或者文件中。