Mapreduce#文档.docx下载

初识 MapReduce 1 ． MapReduce 计算模型介绍 1.1． ． 理解 MapReduce 思想 MapReduce 思想在生活中处处可见。或多或少都曾接触过这种思想。 MapReduce 的思想核心是“ 分而治之”，适用于大量复杂的任务处理场景（大规模 数据处理场景）。即使是发布过论文实现分布式计算的谷歌也只是实现了这种思 想，而不是自己原创。 Map 负责“分”，即把复杂的任务分解为若干个“简单的任务”来并行处理。 可以进行拆分的前提是这些小任务可以并行计算，彼此间几乎没有依赖关系。 Reduce 负责“合”，即对 map 阶段的结果进行全局汇总。 这两个阶段合起来正是 MapReduce 思想的体现。 图：MapReduce 思想模型 还有一个比较形象的语言解释 MapReduce： 我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“ Map”。 我们人越多，数书就更快。 现在我们到一起，把所有人的统计数加在一起。这就是“ Reduce”。 1.2． ． Hadoop MapReduce 设计构思 MapReduce 是一个分布式运算程序的编程框架，核心功能是将用户编写的事 务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在 Hadoop 集群上。 既然是做计算的框架，那么表现形式就是有个输入（input），MapReduce 操 作这个输入（input），通过本身定义好的计算模型，得到一个输出（output）。 对许多开发者来说，自己完完全全实现一个并行计算程序难度太大，而 MapReduce 就是一种简化并行计算的编程模型，降低了开发并行应用的入门门槛。 Hadoop MapReduce 构思体现在如下的三个方面：  如何对付大数据处理：分而治之 对相互间不具有计算依赖关系的大数据，实现并行最自然的办法就是采取分 而治之的策略。并行计算的第一个重要问题是如何划分计算任务或者计算数据以 便对划分的子任务或数据块同时进行计算。不可分拆的计算任务或相互间有依赖 关系的数据无法进行并行计算！  构建抽象模型：Map 和 Reduce MapReduce 借鉴了函数式语言中的思想，用 Map 和 Reduce 两个函数提供了 高层的并行编程抽象模型。 Map: 对一组数据元素进行某种重复式的处理； Reduce: 对 Map 的中间结果进行某种进一步的结果整理。 MapReduce 中定义了如下的 Map 和 Reduce 两个抽象的编程接口，由用户去 编程实现: map: (k1; v1) → [(k2; v2)] reduce: (k2; [v2]) → [(k3; v3)] Map 和 Reduce 为程序员提供了一个清晰的操作接口抽象描述。通过以上两 个编程接口，大家可以看出 MapReduce 处理的数据类型是键值对。  统一构架，隐藏系统层细节 如何提供统一的计算框架，如果没有统一封装底层细节，那么程序员则需要 考虑诸如数据存储、划分、分发、结果收集、错误恢复等诸多细节；为此， MapReduce 设计并提供了统一的计算框架，为程序员隐藏了绝大多数系统层面的处理细节。 MapReduce 最大的亮点在于通过抽象模型和计算框架把需要做什么(what need to do)与具体怎么做(how to do)分开了，为程序员提供一个抽象和高层的编 程接口和框架。程序员仅需要关心其应用层的具体计算问题，仅需编写少量的处 理应用本身计算问题的程序代码。如何具体完成这个并行计算任务所相关的诸多 系统层细节被隐藏起来,交给计算框架去处理：从分布代码的执行，到大到数千小 到单个节点集群的自动调度使用。 等。。。。。初级教程