MapReduce是用于数据处理的一种编程模型，简单但足够强大，专门为并行处理大数据而设计。

1. 通俗理解MapReduce

MapReduce的处理过程分为两个步骤：map和reduce。每个阶段的输入输出都是key-value的形式，key和value的类型可以自行指定。map阶段对切分好的数据进行并行处理，处理结果传输给reduce，由reduce函数完成最后的汇总。

例如从大量历史数据中找出往年最高气温，NCDC公开了过去每一年的所有气温等天气数据的检测，每一行记录一条观测记录，格式如下：

为了使用MapReduce找出历史上每年的最高温度，我们将行数作为map输入的key，每一行的文本作为map输入的value：

上图中粗体部分分别表示年份和温度。map函数对每一行记录进行处理，提取出（年份，温度）形式的键值对，作为map的输出：

(1950,0)

(1950,22)

(1950,-11)

(1949,111)

(1947,78)

很明显，有些数据是脏的，因此map也是进行脏数据处理和过滤的好地方。在map输出被传输到reduce之前，MapReduce框架会对键值对进行排序，根据key进行分组，甚至在key相同的一组内先统计出最高气温，所以reduce收到的数据格式像这样：

(1949,[111,78]

(1950,[0,22,-11]

如果有多个map任务同时运行（通常都是这样），那么每个map任务完成后，都会向reduce发送上面格式的数据，发送数据的过程叫shuffle。

map的输出会作为reduce的输入，reduce收到的是key加上一个列表，然后对这个列表进行处理，天气数据的例子中，就是找出最大值作为最高气温。最后reduce输出即为每年最高气温：

(1949,111)

(1950,22)

整个MapReduce数据流如下图：

其中的3个黑圈圈分别为map，shuffle和reduce过程。在Hadoop中，map和reduce的操作可以由多种语言来编写，例如Java、Python、Ruby等。

在实际的分布式计算中，上述过程由整个集群协调完成，我们假设现在有5年（2011-2015）的天气数据，分布存放在3个文件中:weather1.txt，weather2.txt，weather3.txt。再假设我们现在有一个3台机器的集群，b并且map任务实例数量为3，reduce实例数量2。那么实际运行MapReduce做作业时，整个流程类似于这样：

注意到2014年的数据分布在两个不同的文件中，黄色的粗线部分，代表2014年的2个map作业的输出都统一传输到一个reduce，因为他们的key相同（2014）。其实这个过程非常好理解，现实生活中，比如期末考试完了，那考卷由不同的老师批改，完成后如果想知道全年级最高分，那么可以这么做：

1）各个老师根据自己批改过的所有试卷分数整理出来（map）:

=>(course,[score1,score2,...])

2）各个老师把最高分汇报给系主任（shuffle）

3）系主任统计最高分（reduce）

=>(courese,highest_score)

当然，如果要多门课程混在一起，系主任工作量太大，于是副主任也上（相当于2个reduce），则老师在汇报最高分的时候，相同课程要汇报给同一个人（相同key传输给同一个reduce），例如数学英语汇报给主任，政治汇报给副主任。

2.实例及代码实现

lifeisshort,showmethecode

MapReduce的概念框架有Google提出，Hadoop提供了经典的开源实现。但是并不是Hadoop特有的，例如在文档型数据库MongoDB中，可以通过JS来编写Map-Reduce，对数据库中的数据进行处理。我们这里以Hadoop为例说明。

数据准备

首先将本地的文件上传到HDFS：

hadoopfs-copyFromLocal/home/data/hadoop_book_input/hdfs://master:9000/input

可以查管理界面查看是否成功上传：

查看一下数据内容：

hadoopfs-texthdfs://master:9000/input/ncdc/sample.txt

编写Java代码

首先实现Mapper类，Mapper在新版本Hadoop中改变为类（旧版为接口）定义如下：

//支持泛型，泛型定义map输入输出的键值类型

publicclassMapper{

publicMapper(){

//map任务开始的时候调用一次，用于做准备工作

protectedvoidsetup(Contextcontext)throwsIOException,InterruptedException{

//空实现

}

//map逻辑默认直接将输入进行类型转换后输出

protectedvoidmap(KEYINkey,VALUEINvalue,

Contextcontext)throwsIOException,InterruptedException{

context.write((KEYOUT)key,(VALUEOUT)value);

}

//任务结束后调用一次，清理工作，与setup对应

protectedvoidcleanup(Contextcontext

)throwsIOException,InterruptedException{

//空实现

}

//map的实际运行过程就是调用run方法，一般用于高级实现，更精细地控制任务的执行过程,一般情况不需要覆盖这个方法

publicvoidrun(Contextcontext)throwsIOException,InterruptedException{

//准备工作

setup(context);

try{

//遍历分配给该任务的数据，循环调用map

while(context.nextKeyValue()){

map(context.getCurrentKey(),context.getCurrentValue(),context);

}

}finally{

//清理工作

cleanup(context);

}

}

}

实现中我们只覆盖map方法，其他保留不变。具体实现如下：

publicclassMaxTemperatureMapper

extendsMapper{

//9999代表数据丢失

privatestaticfinalintMISSING=9999;

@Override

publicvoidmap(LongWritablekey,Textvalue,Contextcontext)

throwsIOException,InterruptedException{

//行作为输入值key在这里暂时不需要使用

Stringline=value.toString();

//提取年份

Stringyear=line.substring(15,19);

//提取气温

intairTemperature=parseTemperature(line);

Stringquality=line.substring(92,93);

//过滤脏数据

booleanisRecordClean=airTemperature!=MISSING&&quality.matches("[01459]");

if(isRecordClean){

//输出（年份，温度）对

context.write(newText(year),newIntWritable(airTemperature));

}

}

privateintparseTemperature(Stringline){

intairTemperature;

if(line.charAt(87)=='+'){//parseIntdoesn'tlikeleadingplussigns

airTemperature=Integer.parseInt(line.substring(88,92));

}else{

airTemperature=Integer.parseInt(line.substring(87,92));

}

returnairTemperature;

}

}

接着实现Reducer，看看定义：

publicclassReducer{

//Reducer上下文类定义

publicabstractclassContext

implementsReduceContext{

}

//初始化在Reduce任务开始时调用一次

protectedvoidsetup(Contextcontext

)throwsIOException,InterruptedException{

//空实现

}

/**

*mapshuffle过来的数据中，每一个key调用一次这个方法

*/

@SuppressWarnings("unchecked")

protectedvoidreduce(KEYINkey,Iterablevalues,Contextcontext

)throwsIOException,InterruptedException{

//默认将所有的值一一输出

for(VALUEINvalue:values){

context.write((KEYOUT)key,(VALUEOUT)value);

}

}

protectedvoidcleanup(Contextcontext

)throwsIOException,InterruptedException{

//空实现收尾工作

}

//Reducer的运行逻辑供更高级的定制

publicvoidrun(Contextcontext)throwsIOException,InterruptedException{

setup(context);

try{

//遍历输入key

while(context.nextKey()){

reduce(context.getCurrentKey(),context.getValues(),context);

//一个key处理完要转向下一个key时，重置值遍历器

Iteratoriter=context.getValues().iterator();

if(iterinstanceofReduceContext.ValueIterator){

((ReduceContext.ValueIterator)iter).resetBackupStore();

}

}

}finally{

cleanup(context);

}

}

}

我们的Reducer实现主要是找出最高气温：

publicclassMaxTemperatureReducer

extendsReducer{

@Override

publicvoidreduce(Textkey,Iterablevalues,

Contextcontext)

throwsIOException,InterruptedException{

intmaxValue=findMax(values);

context.write(key,newIntWritable(maxValue));

}

privatestaticintfindMax(Iterablevalues){

intmaxValue=Integer.MIN_VALUE;

for(IntWritablevalue:values){

maxValue=Math.max(maxValue,value.get());

}

returnmaxValue;

}

}

Mapper和Reducer实现后，需要一个入口提交作业到Hadoop集群，在新版本中，使用YARN框架来运行MapReduce作业。作业配置如下：

publicclassMaxTemperature{

publicstaticvoidmain(String[]args)throwsException{

if(args.length!=2){

System.err.println("Usage:MaxTemperature");

System.exit(-1);

}

//设置jar包及作业名称

Jobjob=newJob();

job.setJarByClass(MaxTemperature.class);

job.setJobName("Maxtemperature");

//输入输出路径

FileInputFormat.addInputPath(job,newPath(args[0]));

FileOutputFormat.setOutputPath(job,newPath(args[1]));

//设置Mapper和Reducer实现

job.setMapperClass(MaxTemperatureMapper.class);

job.setReducerClass(MaxTemperatureReducer.class);

//设置输出格式

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(IntWritable.class);

//等待作业完成后退出

System.exit(job.waitForCompletion(true)?0:1);

}

}

输入输出路径使用FileInputFormat/FileOutputFormat的静态方法来设置，在运行作业之前，输出目录不能存在，这是为了避免覆盖数据导致数据丢失。运行之前如果检测到目录已经存在，作业将无法运行。OK，把项目打包，如果使用Eclipse，使用Export功能。如果使用Maven开发，则直接运行package命令。假设我们最后的jar包为max-temp.jar.把jar包上传到你的集群机器上，或者放在安装了Hadoop的客户端机器上，这里假设jar包放在/opt/job目录下。

运行

首先把作业jar包放到CLASSPATH：

cd/opt/job

exportHADOOP_CLASSPATH=max-temp.jar

运行:

hadoopMaxTemperature/input/ncdc/sample.txt/output

hadoop会自动把HADOOP_CLASSPAT设置的路径加入到CLASSPATH中，同时把HADOOP相关的依赖包也加入CLASSPATH，然后启动一个JVM运行MaxTemperature这个带有main方法的类。

结果如下：

日志中可以看到作业的一些运行情况，例如map任务数量，reduce任务数量，以及输入输出的记录数，可以看到跟实际情况完全吻合。

我们看一下输出目录/output:

hadoopfs-ls/output

可以看到该目录下有个成功标识文件_SUCCESS和结果输出文件part-r-0000，每个reducer会输出一个文件。查看一下这个输出文件的内容：

hadoopfs-texthdfs://master:9000/output/part-r-00000

如上图所示，我们成功得到了1949和1950年的最高温度，无需管结果是否合理，只要按照我们想要的逻辑运行即可。

YARN管理界面也可以看到该作业的情况：

3.进一步理解MapReduce

一个MapReduce作业通常包括输入数据、MapReduce程序以及一些配置信息。Hadoop把作业分解为task运行，task分为map任务和reduce任务，在新版本的Hadoop中，这些Task通过资源管理框架进行调度，如果任务失败，MapReduce应用框架会重新运行任务。

作业的输入被华为为固定大小的分片，叫inputsplits，简称splits。然后为每一个split分块创建一个map任务，map任务对每一条记录运行用户定义的map函数。划分为split之后，不同配置的机器就可以根据自己的资源及运算能力运行适当的任务，即使是相同配置的机器，最后运行的任务数也往往不等，这样能有效利用整个集群的计算能力。但是split也不已太多，否则会耗费很多时间在创建map任务上，通常而言，按集群Block大小（默认为128M）来划分split是合理的。

Hadoop会把map任务运行在里数据最近的节点上，最好的情况是直接在数据（split）所在的节点上运行map任务，这样不需要占用带宽，这一优化叫做数据本地优化（datalocalityoptimization)。下图的map选址方案从最优到最次为a，b，c：

关于Hadoop如何衡量两个集群节点的距离，参考我的另一批博客深入理解HDFS：Hadoop分布式文件系统。但是节点距离不是分配task考虑的唯一因素，还会考虑节点当前负载等因素。

Reduce任务通常无法利用本地数据的优化，大多数情况下，reduce的输入都来自集群的其他节点。reduce针对每一个key运行reduce函数之后，输出结果通常保存在HDFS中，并且存储一定的副本数，第一个副本存在运行reduce任务的本地机器，其他副本根据HDFS写入的管道分别写入节点，关于更多HDFS的数据写入流程，参考这里。

下图是一个单reduce的数据流示例：

如果有多个reduce任务，那么map任务的输出到底该传输到哪一个reduce任务呢？决定某个key的数据（key,[value1,value2,...])该发送给那个reduce的过程叫partition。默认情况下，MapReduce使用key的哈希函数进行分桶，这通常工作的很好。如果需要自行指定分区函数，可以自己实现一个Partitioner并配置到作业中。key相同的map任务输出一定会发送到同一个reduce任务。map任务的输出数据传输到reduce任务所在节点的过程，叫做shuffle。下面是一个更通用的MapReduce数据流图：

当然，有些作业中我们可能根本不需要有reduce任务，所有工作在map任务并行执行完之后就完毕了，例如Hadoop提供的并行复制工作distcp，其内部实现就是采用一个只有Mapper，没有Reducer的MapReduce作业，在map完成文件复制之后作业就完成了，如下图所示：

在上面计算最高天气的例子中，每个map将每一条记录所产生的（年份，温度）记录都shuffle到reduce节点，当数据量较大时，将占用很多带宽，耗费很长时间。事实上，可以在map任务所在的节点上做更多工作。map任务运行完之后，可以把所有结果按年份分组，并统计出每一年的最高温度（类似于sql中的selectmax(temperature)fromtablegroupbyyear），这个最高温度是局部的，只在本任务重产生的数据做比较。做完局部统计之后，将结果发送给reduce做最终的汇总，找出全局最高温度。过程示意图如下：

这么做之所以符合逻辑，是基于以下的事实：

max(0,20,10,25,15)=max(max(0,20,10),max(25,15))

符合上述性质的函数称为是commutative和associative，有时候也成为是distributive。如果是计算平均温度，则不能使用这一的方式。

上述的局部计算在Hadoop中使用Combiner来表示。为了在作业中使用Combiner，我们需要明确指定，在前面的例子中，可以直接使用Reducer作为Combiner，因为两者逻辑是一样的：

//设置Mapper和Reducer实现

job.setMapperClass(MaxTemperatureMapper.class);

job.setCombinerClass(MaxTemperatureReducer.class);

job.setReducerClass(MaxTemperatureReducer.class);

4.HadoopStreaming

Hadoop完全允许我们使用Java以外的语言来编写map和reduce函数。HadoopStreaming使用Unix标准流作为Hadoop和其他应用程序的接口。数据流的大致示意图如下：

整个数据在HadoopMapReduce与Ruby应用、标准输入输出之间流转，因此叫Streaming。我们继续使用前面气温的例子来说明，先使用ruby来编写map和reduce，然后使用unix的管道来模拟整个过程，最后迁移到Hadoop上运行。

Ruby版本的map函数从标准流中读取数据，运算后将结果输出到标准输出流：

#!/usr/bin/ruby

STDIN.each_linedo|line|

val=line

year,temp,q=val[15,4],val[87,5],val[92,1]

puts"#{year}\t#{temp}"if(temp!="+9999"&&q=~/[01459]/)

end

逻辑与Java版本完全一样，STDIN是ruby的标准输入，each_line针对每一行进行操作，逻辑封装在do和end之间。puts是ruby标准输出函数，打印tab分割的记录到标准输出流。

因为这个脚本与标准输入输出交互，所以很容易结合linux的管道来测试：

catinput/ncdc/sample.txt|rubymax_temp_map.rb

一样用ruby脚本来完成reduce的功能：

last_key,max_val=nil,-1000000

STDIN.each_linedo|line|

key,val=line.split("\t")

iflast_key&&last_key!=key

puts"#{last_key}\t#{max_val}"

last_key,max_val=key,val.to_i

else

last_key,max_val=key,[max_val,val.to_i].max

end

end

#处理最后一个key的输出

put"#{last_key}\t#{max_val}"iflast_key

map处理完之后，同一个key的一组键值对中，value是排序的，所以当前读到的key如果不同于上一个key，表示这个key的所有值都处理完了（前文提到会在切换key之前reset输入）。我们使用sort命令来替代MapReduce中的排序过程，把map的标准输出作为sort的输入，sort通过管道连接到map：

cat/home/data/hadoop_book_input/ncdc/sample.txt|rubymax_temp_map.rb|sort|rubymax_temp_reduce.rb

输出结果如下图，与前文完全一致。

很好，我们在Hadoop上运行这个作业。非Java语言的MapReduce作业，需要使用HadoopStreaming来运行。HadoopStreaming会负责作业的Task分解，把输入数据作为标准输入流传递给Ruby写的map脚本，并接受来自map脚本的标准输出，排序后shuffle到reduce节点上，并以标准输入传递给reduce，最后把reduce的标准输出保存到HDFS文件中。

我们使用hadoopjar命令,同时指定输入输出目录，脚本位置等。

hadoopjar/home/hadoop-2.6.0/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar-filesmax_temp_map.rb,max_temp_reduce.rb-input/input/ncdc/sample.txt-output/output/max-tem-ruby-mappermax_temp_map.rb-reducermax_temp_reduce.rb

-file参数把这些文件上传到集群中。注意map和reduce脚本需要在CLASSPATH下，我是在当前目录下运行的，默认加入到类路径中。另外请确保集群中的所有机器都安装了ruby，否则可能出现类似subprocessfailedwithcode127。这里的输出文件是/outp/max-tem-ruby，MapReduce不允许多个作业输出到同一个目录。

查看输出文件，与Java版本完全一致。OK，我们设置combiner，然后在大的数据集上感受一下：

hadoopjar/home/hadoop-2.6.0/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar-filesmax_temp_map.rb,max_temp_reduce.rb-input/input/ncdc/all-output/output/max-tem-all-mappermax_temp_map.rb-combinerx_temp_reduce.rb-reducermax_temp_reduce.rb

计算结果：

map和reduce也一样可以用Python来实现，用与Ruby一样的方式来运行，这里不多介绍。

参考

本文主要内容来自《Hadoop权威指南》，感谢作者的优秀书籍。