其实对于 MR（Map Reduce）系统来说，可能更重要的是分治和分步处理的思想，因为现在的基于 MR 的数据处理框架或者平台，在实现上数据处理往往已经和最经典的对于 MR 的理解（最早应该是来自 Google 的那篇论文）有了不少区别。当然，我还是按照之前的做法，把一个典型的 MR 系统简单图示画出来了，这个图相对比较简单。
- 还是老规矩，虚线表示控制流，实线表示数据流。
- 上半部分用户向 Master 这个 job 管理节点提交一个 job 的请求，这个请求被拆解为若干个 task，下半部分的 slave 节点完成 task 的跟踪和执行。
- 具体执行逻辑上：
- 首先的输入文件，可以是多个已经拆分了的小文件，也可以是一个大文件，但是支持随机块读取。这个文件存储系统可以是 HDFS，也可以是 S3、GFS。
- 输入文件的每一个 split 块被读取到每个 Mapper 上面去，Mapper 按照规则对数据进行映射转换。
- 在 shuffle 阶段，数据根据 hash 的归类规则被投递到相应的 Reducer 上面去。
- 在 Reducer 上，数据被 reduce 成为最终结果的一部分，并写入输出文件。
- 给一个 “统计文本单词出现次数” 的具体例子，分别列出每一阶段的具体输出：
- input: “Good dog. Dog is good! Good Cat. Cat is good! Human is bad!”
- split:
- A: “Good dog. Dog is good!”
- B: “Good Cat. Cat is good!”
- C: “Human is bad!”
- map:
- A: {“dog”: 2, “good”: 2, “is”: 1}
- B: {“cat”: 2, “good”: 2, “is”: 1}
- C: {“human”: 1, “bad”: 1, “is”: 1}
- shuffle:
- A: {“cat”: 2, “dog”: 2, “good”: 2, 2}
- B: {“human”: 1, “is”: 1, 1, 1}
- reduce:
- A: {“cat”: 2, “dog”: 2, “good”: 4}
- B: {“human”: 1, “is”: 3}
- output: {“cat”: 2, “dog”: 2, “good”: 4, “human”: 1, “is”: 3}
文章未经特殊标明皆为本人原创，未经许可不得用于任何商业用途，转载请保持完整性并注明来源链接 《四火的唠叨》
