理解Hadoop的MapReduce

Hadoop的MapReduce过程具有如下形式：

          1） map: (K1, V1) => list(K2, V2)
          2） reduce: (K2, list(V2)) => list(K3, V3)

我用一个简单的例子说明它表示的含义：

假设待分析的数据文件是一个用户名和密码的表，即"用户名,密码"格式：

========= input.dat=========

zhang,123456

wang,qazxsw

liu,123456

meng,xxx123

hunan,qazxsw

chin,qazxsw

feifei,1008xyz

... ...

==========================

那么我们要求统计出密码使用的次数大于1次的，即最终可以得到下面的结果：

123456=2

qazxsw=3

用MapReduce可以这样做：

第1步：Map
protected void map(LongWritable key, Text value, Context context);

Map的输入(K1, V1)默认是(文件行号，文件行)，即map函数每次得到的输入都是下面的形式：

(key=>K1, value=>V1)

第1次：（0,  "zhang,123456"）

第2次：（1, "wang,qazxsw"）

第3次：（2, "liu,123456"）

第4次：（3, "meng,xxx123"）

...

我们需要在map函数的value参数V1中，提取出密码作为输出的K2=>key，而输出的value是1（次数），

表示一个用户使用了这个密码=>K2。

map运行完后得到了下面的结果：list(K2, V2)，即：

K2        （V2）

123456（1）

qazxsw（1）

123456（1）

xxx123（1）

qazxsw（1）

qazxsw（1）

1008xyz（1）

这个输出被系统自动归并为K2=>list(V2)，即：

123456=>（1，1）

qazxsw=>（1，1，1）

xxx123=>（1）

1008xyz=>（1）

这个(K2, list(V2)) 接着作为reduce的输入。

第2步：Reduce
protected void reduce(Text key, Iterable<IntWritable> values, Context context);

reduce函数的输入既然是key=K2, value=list(V2)，那么我们就可以把每个K2下的list(v2)的元素相加，得到下面的结果：

123456=>（2）

qazxsw=>（3）

xxx123=>（1）

1008xyz=>（1）
我们只保留次数大于1的，所以最后的reduce输出为：

123456=>（2）

qazxsw=>（3）

这个就是：list(K3, V3)。这里K3与K2类型一致，V3与V2类型一致。

以上就是Map Reduce的全过程。

更多Hadoop相关信息见Hadoop 专题页面 http://www.linuxidc.com/topicnews.aspx?tid=13