谷歌 MapReduce 初探

谷歌“三驾马车”的出现，才真正把我们带入了大数据时代，毕竟没有谷歌，就没有大数据。

上次的分享，我们对谷歌的其中一驾宝车 gfs 进行了管中窥豹，虽然只见得其中一斑，但是也能清楚的知道 gfs 能够把大量廉价的普通机器，聚在一起，充分让每台廉价的机器发挥光和热，不但降低了运营成本，而且解决了一个业界数据存储的难题。

虽然 gfs 解决了 google 海量数据的存储的难题，但是随之而来的就是“如何从海量数据中快速计算并得到结果的难题”，面对这个难题，谁痛谁想办法，google 再次进行技术创新，重磅推出另一篇论文《mapreduce: simplified data processing on large clusters》，接下来就一起认识认识 mapreduce。

认识

到底是个啥？说白了，mapreduce 其实就是一个为了简化海量数据处理而提出的编程模型。

主要思想：分而治之，将一个大规模的问题，分成多个小规模的问题，把多个小规模问题解决，然后再合并小规模问题的解，就能够解决大规模的问题。

编程模型：我们只需要通过编写 map 函数和 reduce 函数来指定想要进行的计算，而不用花心思去纠结背后复杂的容错、数据分发、负载均衡等等一系列技术细节问题。mapreduce 所执行的分布式计算会以一组键值对作为输入，输出另一组键值对。

怎么想的？原来是受 lisp 以及其它一些函数式编程语言中的 map 和 reduce 原语影响而来的（如果你闲着无聊，再去了解 lisp 也不迟）。

疑惑

百思要求解。说了这么多，感觉还是一无所知，显然是一块硬骨头，其实在脑海中早已荡起千层疑问的波。

map 函数是啥？reduce 函数又是啥?

接下来我们一起慢慢去体会。

统计大量文档中每一个单词出现的次数，这也是大数据技术入门的经典案例“wordcount”，此时需要我们编写类似上面的伪代码。

简单剖析这段伪代码，希望对 map、reduce 函数有一个深入的认识。

剖析 1：要统计文档每个单词出现的次数，顾名思义 map 函数入参 key 是文件名，value 是文档的内容，接下来逐个遍历单词，每遇到一个单词 w，就输出一个中间结果（w, "1"）。

剖析 2：reduce 函数入参 key 就是单词 w，值是一串“1”，然后将这些“1”累加就得到单词 w 的出现次数。

剖析 3：最后把文档中单词的出现次数，输出到用户定义的位置，例如存储到分布式存储系统 gfs 上。

好了，大数据入门经典案例“wordcount”的伪代码，到这就剖析个八九不离十，虽然懵懂了不少，但是还是萌生了一些猜想和疑问。

 

懵懂：map 函数是啥？reduce 函数是啥？

map函数：处理一个基于 key/value 键值对的数据集合，同时也输出基于 key/value 的数据集合；

reduce函数：用来合并 map 函数输出的 key/value 数据集合。

论文中说了，上面伪代码中输入输出虽然都是字符串类型的，但事实上，map 和 reduce 函数都是有相应类型的。

• map　　　  (k1, v1)　　　　  -> list(k2, v2)

• reduce　　 (k2, list(v2))　　-> list(v2)

猜想：map、reduce 函数中间感觉又触发了“针对同一个单词的 value 的组合（也就是把相同单词出现的次数，串在一起）”，不然 reduce 函数怎么能接收到 values（每个单词对应的出现次数的一串“1”）。

骑驴看剧本，咱们还是走着瞧呗。

疑问1：map 产生的中间键值对，是放到内存、本地磁盘还是放到了 gfs 上存储？

这个问题也是骑驴看剧本，咱们还是走着瞧呗（貌似用错了语境，别介意，哈哈）。

疑问2：我们写好了 map 函数和 reduce 函数，怎么就跑到了多台机器上呢？

欲知后事如何，咱们还是且听下回分解。