789 阿里云

MapReduce概要大数据计算服务-阿里云

MaxCompute提供了三个版本的MapReduce编程接口，包括：

MaxCompute MapReduce：MaxCompute的原生接口，执行速度更快。开发更便捷，不暴露文件系统。
MR²(扩展MapReduce)：对MaxCompute MapReduce的扩展，支持更复杂的作业调度逻辑。Map/Reduce的实现方式与MaxCompute原生接口一致。
以及Hadoop兼容版本：高度兼容Hadoop MapReduce ，与MaxCompute原生MapReduce，MR²不兼容。

三个版本的在基本概念，作业提交, 输入输出，资源使用等方面基本一致，不同的是Java SDK彼此各异。本小节只会对MapReduce的基本原理做简单介绍，更多原理介绍可参考Hadoop MapReduce 教程。

备注：

目前MapReduce功能仍处于免费公测中。MaxCompute 2.0版本提供的兼容Hadoop 版本已经上线。
用户还不能够通过MapReduce读写OSS中的数据。

应用场景

MapReduce最早是由Google提出的分布式数据处理模型，随后受到了业内的广泛关注，并被大量应用到各种商业场景中。比如：

MapReduce处理数据过程主要分成2个阶段：Map阶段和Reduce阶段。首先执行Map阶段，再执行Reduce阶段。Map和Reduce的处理逻辑由用户自定义实现，但要符合MapReduce框架的约定。

在正式执行Map前，需要将输入数据进行”分片”。所谓分片，就是将输入数据切分为大小相等的数据块，每一块作为单个Map Worker的输入被处理，以便于多个Map Worker同时工作。
分片完毕后，多个Map Worker就可以同时工作了。每个Map Worker在读入各自的数据后，进行计算处理，最终输出给Reduce。Map Worker在输出数据时，需要为每一条输出数据指定一个Key。这个Key值决定了这条数据将会被发送给哪一个Reduce Worker。Key值和Reduce Worker是多对一的关系，具有相同Key的数据会被发送给同一个Reduce Worker，单个Reduce Worker有可能会接收到多个Key值的数据。
在进入Reduce阶段之前，MapReduce框架会对数据按照Key值排序，使得具有相同Key的数据彼此相邻。如果用户指定了”合并操作”(Combiner)，框架会调用Combiner，将具有相同Key的数据进行聚合。Combiner的逻辑可以由用户自定义实现。与经典的MapReduce框架协议不同，在ODPS中，Combiner的输入、输出的参数必须与Reduce保持一致。这部分的处理通常也叫做”洗牌”(Shuffle)。
接下来进入Reduce阶段。相同的Key的数据会到达同一个Reduce Worker。同一个Reduce Worker会接收来自多个Map Worker的数据。每个Reduce Worker会对Key相同的多个数据进行Reduce操作。最后，一个Key的多条数据经过Reduce的作用后，将变成了一个值。

备注:

上文仅是对MapReduce框架做简单介绍，更多相关信息请查阅其他资料。

下面将以WordCount为例，解释ODPS MapReduce各个阶段的概念。假设存在一个文本a.txt，文本内每行是一个数字，我们要统计每个数字出现的次数。文本内的数字称为Word，数字出现的次数称为Count。如果ODPS Mapreduce完成这一功能，需要经历下图描述的几个步骤：

首先对文本进行分片，将每片内的数据作为单个Map Worker的输入；

Map处理输入，每获取一个数字，将数字的Count设置为1，并将此<Word, Count>对输出，此时以Word作为输出数据的Key；
在Shuffle阶段前期，首先对每个Map Worker的输出，按照Key值，即Word值排序。排序后进行Combine操作，即将Key值(Word值)相同的Count累加，构成一个新的<Word, Count>对。此过程被称为合并排序；
在Shuffle阶段后期，数据被发送到Reduce端。Reduce Worker收到数据后依赖Key值再次对数据排序；
每个Reduce Worker对数据进行处理时，采用与Combiner相同的逻辑，将Key值(Word值)相同的Count累加，得到输出结果；

备注：

由于 MaxCompute 的所有数据都被存放在表中，因此MaxCompute MapReduce的输入、输出只能是表，不允许用户自定义输出格式，不提供类似文件系统的接口。

最后更新：2016-10-18 11:46:39