什么是MapReduce？

1、MapReduce来龙去脉

MapReduce是一个说难懂也难懂、说好懂也好懂的概念。
说它难懂，是因为，如果你只理论上的去学习、去理解，确实很难懂。
说它好懂，是因为，如果你亲手在hadoop运行过几个MapReduce的job，并稍微学点hadoop的工作原理，基本上也就理解MapReduce的概念了。

所以，有句话说的特别好：“如果将编程比作运动的话，那么它绝对不是表演项目，而是竞技项目。”（摘自《Erlang程序设计》第10页）

但是，在这里，我还是想向不了解MapReduce的同学们介绍一下MapReduce。
MapReduce借用了函数式编程的概念，是google发明的一种数据处理模型。因为google几乎爬了互联网上的所有网页，要为处理这些网页并为搜索引擎建立索引是一项非常艰巨的任务，必须借助成千上万台机器同时工作（也就是分布式并行处理），才有可能完成建立索引的任务。

所以，google发明了MapReduce数据处理模型，而且他们还就此发表了相关论文。


后来，Doug Cutting老大就根据这篇论文硬生生的复制了一个MapReduce出来，也就是今天的Hadoop。如果没听说过hadoop，请参考《hadoop扫盲篇》。


2、MapReduce工作过程

知道了MapReduce是分布式数据处理编程模型后，下面我们看看它是怎么工作的。

MapReduce处理数据过程主要分成2个阶段：map阶段和reduce阶段。先执行map阶段，再执行reduce阶段。

1) 在正式执行map函数前，需要对输入进行“分片”（就是将海量数据分成大概相等的“块”，hadoop的一个分片默认是64M），以便于多个map同时工作，每一个map任务处理一个“分片”。
2) 分片完毕后，多台机器就可以同时进行map工作了。
   map函数要做的事情，相当于对数据进行“预处理”，输出所要的“关切”。
   map对每条记录的输出以<key,value> pair的形式输出。
3) 在进入reduce阶段之前，还要将各个map中相关的数据（key相同的数据）归结到一起，发往一个reducer。这里面就涉及到多个map的输出“混合地”对应多个reducer的情况，这个过程叫做“洗牌”。
4) 接下来进入reduce阶段。相同的key的map输出会到达同一个reducer。
   reducer对key相同的多个value进行“reduce操作”，最后一个key的一串value经过reduce函数的作用后，变成了一个value。


上面粗略的介绍了MapRedcue。来发张图，更有利于理解：

上图来自《Hadoop The Definitive Guide》


*** THE END ***

希望多多介绍下Hadoop的应用及原理呀

感谢关注，我会努力的

MapReduce 应用场景 除啦搜索外还有哪些

最近发现大家对Hadoop比较热衷啊

推荐一个PPT，里面列了几个实例。

另外，可以参考：Who Uses Hadoop?

hadoop的一个分片默认是64M，那么对于一个记录行形式的文本，64M大小的切分会不会将一个记录给破坏掉？hadoop是怎么进行文本大文件的切分，是按行读取，然后然后尽可能的接近64M吗？楼主能否解惑下，感谢！

如果，记录行非常长的话，那么在HDFS上，就有可能一个数据行被分割成2个block存储。

但是map的输入分片则不会将一行记录打断。

综合上面两句话，结论是：遇到这种情况，那么map的task，有可能会从其他的datanode上读取那“半行”数据。

《Hadoop.The.Definitive.Guide》上面有个图，很好的说明了这一点：



另外，输入分片时，不是按行号分的，而是按照字符的偏移量。

lz有没有mapreduce做分布式索引的相关经验？