初识MapReduce的应用场景（附JAVA和Python代码）

从这篇文章开始，我会开始系统性地输出在大数据踩坑过程中的积累，后面会涉及到实战项目的具体操作，目前的规划是按照系列来更新，力争做到一个系列在5篇文章之内总结出最核心的干货，如果是涉及到理论方面的文章，会以画图的方式来讲解，如果是涉及到操作方面，会以实际的代码来演示。

这篇是MapReduce系列的第一篇，初识MapReduce的应用场景，在文章后面会有关于代码的演示。

Hadoop作为Apache旗下的一个以Java语言实现的分布式计算开源框架，其由两个部分组成，一个是分布式的文件系统HDFS，另一个是批处理计算框架MapReduce。这篇文章作为MapReduce系列的第一篇文章，会从MapReduce的产生背景、框架的计算流程、应用场景和演示Demo来讲解，主要是让大家对MapReduce的这个批计算框架有个初步的了解及简单的部署和使用。

目录

MapReduce的产生背景

MapReduce的计算流程

MapReduce的框架架构

MapReduce的生命周期

应用场景

演示Demo

MapReduce的产生背景

Google 在2004年的时候在 MapReduce： Simplified Data Processing on Large Clusters 这篇论文中提出了MapReduce 的功能特性和设计理念，设计MapReduce 的出发点就是为了解决如何把大问题分解成独立的小问题，再并行解决。例如，MapReduce的经典使用场景之一就是对一篇长文进行词频统计，统计过程就是先把文章分为一句一句，然后进行分割，最后进行词的数量统计。

MapReduce的架构图

MapReduce的架构图

这里的Client和TaskTracker我都使用一个来简化了，在实际中是会有很个Client和TaskTracker的。

我们来讲解下不同的组件作用

Client

Client的含义是指用户使用MapReduce程序通过Client来提交任务到Job Tracker上，同时用户也可以使用Client来查看一些作业的运行状态。

Job Tracker

这个负责的是资源监控和作业调度。JobTracker会监控着TaskTracker和作业的健康状况，会把失败的任务转移到其他节点上，同时也监控着任务的执行进度、资源使用量等情况，会把这些消息通知任务调度器，而调度器会在资源空闲的时候选择合适的任务来使用这些资源。

任务调度器是一个可插拔的模块，用户可以根据自己的需要来设计相对应的调度器。

TaskTracker

TaskTracker会周期性地通过Hearbeat来向Job Tracker汇报自己的资源使用情况和任务的运行进度。会接受来自于JobTaskcker的指令来执行操作（例如启动新任务、杀死任务之类的）。

在TaskTracker中通过的是slot来进行等量划分一个节点上资源量，只用Task获得slot的时候才有机会去运行。调度器的作用就是进行将空闲的slot分配给Task使用，可以配置slot的数量来进行限定Task上的并发度。

Task

Task分为Map Task和Reduce Task，在MapReduce中的 split 就是一个 Map Task，split 的大小可以设置的，由 mapred．max．spilt．size 参数来设置，默认是 Hadoop中的block的大小，在Hadoop 2．x中默认是128M，在Hadoop 1．x中默认是64M。

在Task中的设置可以这么设置，一般来讲，会把一个文件设置为一个split，如果是小文件，那么就会存在很多的Map Task，这是特别浪费资源的，如果split切割的数据块的量大，那么会导致跨节点去获取数据，这样也是消耗很多的系统资源的。

MapReduce的生命周期

MapReduce的生命周期

一共分为5个步骤：

作业的提交和初始化

由用户提交作业之前，需要先把文件上传到HDFS上，JobClient使用upload来加载关于打包好的jar包，JobClient会RPC创建一个JobInProcess来进行管理任务，并且创建一个TaskProcess来管理控制关于每一个Task。

JobTracker调度任务

JobTracker会调度和管理任务，一发现有空闲资源，会按照一个策略选择一个合适的任务来使用该资源。

任务调度器有两个点：一个是保证作业的顺利运行，如果有失败的任务时，会转移计算任务，另一个是如果某一个Task的计算结果落后于同一个Task的计算结果时，会启动另一个Task来做计算，最后去计算结果最块的那个。

任务运行环境

TaskTracker会为每一个Task来准备一个独立的JVM从而避免不同的Task在运行过程中的一些影响，同时也使用了操作系统来实现资源隔离防止Task滥用资源。

执行任务

每个Task的任务进度通过RPC来汇报给TaskTracker，再由TaskTracker汇报给JobTracker。

任务结束，写入输出的文件到HDFS中。

MapReduce 的计算流程

先来看一张图，系统地了解下 MapReduce 的运算流程。

MapReduce的运算流程

为了方便大家理解，重新画了一张新的图，演示的是关于如何进行把一个长句进行分割，最后进行词频的统计（已忽略掉标点符号）。

简单的实操例子

整个过程就是先读取文件，接着进行split切割，变成一个一个的词，然后进行 map task 任务，排列出所有词的统计量，接着 sorting 排序，按照字典序来排，接着就是进行 reduce task，进行了词频的汇总，最后一步就是输出为文件。例如图中的 spacedong 就出现了两次。

其中对应着的是 Hadoop Mapreduce 对外提供的五个可编程组件，分别是InputFormat、Mapper、Partitioner、Reduce和OutputFormat，后续的文章会详细讲解这几个组件。

用一句话简单地总结就是，Mapreduce的运算过程就是进行拆解－排序－汇总，解决的就是统计的问题，使用的思想就是分治的思想。

MapReduce的应用场景

MapReduce 的产生是为了把某些大的问题分解成小的问题，然后解决小问题后，大问题也就解决了。那么一般有什么样的场景会运用到这个呢？那可多了去，简单地列举几个经典的场景。

计算URL的访问频率

搜索引擎的使用中，会遇到大量的URL的访问，所以，可以使用 MapReduce 来进行统计，得出（URL，次数）结果，在后续的分析中可以使用。

倒排索引

Map 函数去分析文件格式是（词，文档号）的列表，Reduce 函数就分析这个（词，文档号），排序所有的文档号，输出（词，list（文档号）），这个就可以形成一个简单的倒排索引，是一种简单的算法跟踪词在文档中的位置。

Top K 问题

在各种的文档分析，或者是不同的场景中，经常会遇到关于 Top K 的问题，例如输出这篇文章的出现前5个最多的词汇。这个时候也可以使用 MapReduce来进行统计。

演示Demo

今天的代码演示从Python和Java两个版本的演示，Python版本的话便是不使用封装的包，Java版本的话则是使用了Hadoop的封装包。接下来便进行演示一个MapReduce的简单使用，如何进行词汇统计。