1、MapReduce理论简介

最新推荐文章于 2023-03-29 00:10:37 发布

转载最新推荐文章于 2023-03-29 00:10:37 发布 · 10w+ 阅读

文章标签：

#1、MapReduce理论简介

大数据专栏收录该内容

35 篇文章

订阅专栏

本文介绍了MapReduce编程模型和处理过程。MapReduce采用“分而治之”思想，把大规模数据集操作分发给各分节点，通过整合中间结果得最终结果。在Hadoop中，由JobTracker调度、TaskTracker执行。处理过程分为map和reduce阶段，分别用对应函数完成任务分解与结果汇总。

转载：http://www.cnblogs.com/xia520pi/archive/2012/05/16/2504205.html

1.1 MapReduce编程模型

　　MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是"任务的分解与结果的汇总"。

　　在Hadoop中，用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker。

　　在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。

　　需要注意的是，用MapReduce来处理的数据集（或任务）必须具备这样的特点：待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。

1.2 MapReduce处理过程

　　在Hadoop中，每个MapReduce任务都被初始化为一个Job，每个Job又可以分为两种阶段：map阶段和reduce阶段。这两个阶段分别用两个函数表示，即map函数和reduce函数。map函数接收一个<key,value>形式的输入，然后同样产生一个<key,value>形式的中间输出，Hadoop函数接收一个如<key,(list of values)>形式的输入，然后对这个value集合进行处理，每个reduce产生0或1个输出，reduce的输出也是<key,value>形式的。