帶你了解mapreduce

計算機編程是一門復雜的學問，但也不阻礙它仍有許多狂熱追求者。在編程中，會有很多編程模型。編程模型，可以簡單地理解為模板，遇到相似問題，程序員可以模板化解決，這樣就減輕了程序員的工作負擔。不同的編程環(huán)境和不同的應用對象，會有對應的不同的編程模型。今天我們來了解一下mapreduce這個編程模型，這是應用于大規(guī)模數(shù)據(jù)集群的并行運算。Map是映射，Reduce是化簡。簡單來說，這個模板的特性，是讓不會分布式并行編程的人員，可以將程序運行在分布式系統(tǒng)上。

• 

  如何簡單的理解mapreduce的應用

  mapreduce的應用理念其實很簡單，就是把一些數(shù)據(jù)先通過map（映射）進行歸類，再通過reducer把同一類的數(shù)據(jù)進行化簡處理。我們可以理解為，mapreduce是基于兩個哲學原理設計的，大而化小和異而化同。接收到很多復雜數(shù)據(jù)，我們第一步就會先把數(shù)據(jù)分類，這就是異而化同。分類之后再進行細項分割，把數(shù)據(jù)切分成小塊后，就可以并發(fā)或者批量處理了，這就是大而化小。map的工作就是分類數(shù)據(jù)，然后輸出，reducer接收到的都是同類數(shù)據(jù)再進行分割處理。

• 

  mapreduce的主要技術特征

  在了解過mapreduce的功能后，我們來了解一下mapreduce設計技術都有什么主要特征。1、因為mapreduce需要進行大規(guī)模的數(shù)據(jù)處理，并由大量的數(shù)據(jù)出錯需求，所以在集群的構建上，我們要選擇低端的商用服務器，由外橫向擴展。2、使用的是低端的商用服務器，所以節(jié)點硬件失效是很常見的，因此設計的時候要考慮到不影響服務質(zhì)量的高容錯計算系統(tǒng)，并且在節(jié)點失效后能夠自動加入加群。3、mapreduce會采用就近原則，將無法計算的數(shù)據(jù)轉(zhuǎn)移傳輸?shù)骄徒梢杂嬎愕墓?jié)點，而不僅限于數(shù)據(jù)的處理。

• 

  mapreduce的其他技術特征

  除了剛才介紹的主要技術特征外，想要做好mapreduce設計，還要處理好以下三個方面。1、因為mapreduce需要大規(guī)模的處理數(shù)據(jù)，所以在內(nèi)存中儲存處理所有數(shù)據(jù)的難度很大，借助硬盤順序訪問處理的技術，可以大大提升處理速度。2、復雜度極高的編程其實對開發(fā)者的認知和判斷造成了巨大的負擔，而mapreduce要提供抽象機制，將程序員與系統(tǒng)層細節(jié)隔離開來，程序員僅需描述需要計算什么，具體如何計算可交由系統(tǒng)的執(zhí)行框架處理。3、為了提升計算速度和數(shù)據(jù)處理規(guī)模，mapreduce的節(jié)點設計需要有很強的可擴展性。

• 

  mapreduce和Spark的區(qū)別是什么

  對于很多剛接觸編程的人來說，通常會無法完全理解mapreduce和spark的應用區(qū)別。首先我們應該明確，mapreduce是分布式運算的編程框架，而Spark可以兼容HDFS、Hive等，可以融入hadoop的系統(tǒng)。這兩者的區(qū)別，主要表現(xiàn)在：1.spark基于內(nèi)存的運算，要比mapreduce快100倍，基于硬盤的運算，要比mapreduce快10倍。2.spark支持流式、離線運算，而mapreduce則只支持離線運算。3.mapreduce必須運行在資源系統(tǒng)上，而spark本身集成資源調(diào)度，可以運行在自身的Master、worker或者yarn上。

• 

  初學mapreduce的常見問題

  不管怎樣，想要真正學會、理解、應用一種編程方式，都不是容易的事情。對于mapreduce初學者來說，經(jīng)常會問，mapreduce的輸入源可以是視圖嗎？答案是，這是不可以的，只能是表，這樣把結(jié)果寫入到表或分區(qū)時，才會覆蓋掉原有的數(shù)據(jù)。除此之外，初學者還應該了解到Mapper中輸入的每條Record數(shù)據(jù)，可以按序號讀取，也可以按照列名來獲取record，但是reduce.setup不能讀入輸入表，只能讀cache table。mapreduce在執(zhí)行時，不可以調(diào)用shell文件，會被沙箱阻擋。如果還想要了解更多關于mapreduce的常見問題，建議初學者可以多看一些文檔。