Hadoop认证培训：MapReduce模型

Hadoop认证培训：MapReduce模型，在并行计算领域最著名的就是MPI模型，MPI是一种消息传递编程模型，在大规模科学计算领域已经成功应用了数年，而MapReduce则是一种近几年出现的相对较新的并行编程技术，但是MapReduce计算模型也是建立在数学和计算机科学基础上的，实践已经证明这种并行编程模型具有简单、高效的特点，最为重要的两个概念就是Map和Reduce，最基本的处理思想就是“分而治之，然后归约”。

Hadoop会将一个大任务分解为可以同时执行的多个小任务，从而达到并行计算的目的。举个简单的例子，对于一个大型任务，单机处理需要1024分钟，而分解为1024个子任务并行执行就可在1分钟完成处理。在对处理的数据集的要求上，相比于传统关系数据库的结构化数据，MapReduce模型的Hadoop框架适合半结构化或非结构化的数据。

Hadoop通过自动分割将要执行的问题(程序)、拆解成Map(映射)和Reduce(化简)的方式，其分解过程的实质是将问题分为几个部分，划分为可以应用于程序的数据，再将数据分解，然后对分解的数据进行并行操作，在自动分割后通过Map程序将数据映射成不相关的区块，分配(调度)给大量的计算机进行处理以达到分散运算的效果，再通过Reduce程序将结果汇总整合，输出开发者需要的结果。

Hadoop向用户提供了一个规范化的MapReduce编程接口，用户只需要编写Map和Reduce函数，这两个函数都是运行在键-值对基础上的，数据的切分，节点之间的通信协调等全部由Hadoop框架本身来负责。一般一个用户作业提交到Hadoop集群后会根据输入数据的大小并行启动多个Map进程及多个Reduce进程(也可以是0个或者1个)来执行。MapReduce也具有弹性适应性，小数据和大数据仅仅通过调整节点就可以处理，而不需要用户修改程序。MapReduce模型处理流程，如图1-4所示。

图1-4就是MapReduce的数据处理流程图，在Map之前会对输入的数据有split的过程，默认split就是写入数据时的逻辑块，每一个块对应一个split，一个split就对应一个Map进程，正是split保证了任务的并行效率。在Map之后还会有shuffle和sort的过程，shuffle简单描述就是一个Map的输出应该映射到哪个Reduce作为输入，sort就是指在Map运行完输出后会根据输出的键进行排序。这两个处理步骤对于提高Reduce的效率及减小数据传输的压力有很大的帮助。

从本质上讲MapReduce借鉴了函数式程序设计语言的设计思想，其软件实现是指定一个Map函数，把键值对(key/value)映射成新的键值对(key/value)，形成一系列中间结果形式的键值对(key/value)，然后把它们传给Reduce(归约)函数，把具有相同中间形式key的value合并在一起。Map和Reduce函数具有一定的关联性。其算法描述为：

Map(k,v)-> list(k1,v1)

Reduce(k1,list(v1))->list(v1)

在Map过程中将数据并行，即把数据用映射函数规则分开，而Reduce则把分开的数据用归约函数规则合在一起，即Map是个分的过程，Reduce则对应着合。后面章节将会具体讲述这部分的具体内容。