搞架构的人，Google的架构论文是必看的，但似乎人人都不愿意去啃英文论文。故把自己的读书笔记，加入自己的思索，分享给人人。

《MapReduce到底解决什么问题？》做了简介，这是第二篇，Google MapReduce优化启示（中）。

什么是MapReduce？

MapReduce这个编程模子解决什么问题？

Google MapReduce是Google产出的一个编程模子，同时Google也给出架构实现。它能够解决“能用分治法解决的问题”。

同时，前文以“统计大量文档中单词泛起的个数”为例，例举了若何“先分再合”的撰写map与reduce来解决实际问题。
画外音，强烈建议回首一下前情提要：
《MapReduce到底解决什么问题？》。

MapReduce的焦点思绪是：

  • 并行
  • 先分再合

下图简述了MR盘算“词频统计”的历程。

从左到右四个部门，分别是：

  • 输入文件
  • 分：M个并行的map盘算实例
  • 合：R个并行的reduce盘算实例
  • 输出效果

先看最后一步，reduce输出最终效果。


可以看到，R个reduce实例并发举行处置，直接输出最后的计数效果。
实例1输出：(a, 256)(able, 128)(emacs, 1)
实例2输出：(f*ck, 32768) (coding, 65535)
实例3输出：(vim,65535)(x, 16)(zero, 258)
画外音：这就是总效果，可以看到vim比emacs受欢迎许多。

需要明白的是，由于这是营业盘算的最终效果，一个单词的计数不会泛起在两个实例里。即：若是(a, 256)泛起在了实例1的输出里，就一定不会泛起在其他实例的输出里。
画外音：否则的话，还需要合并，就不是最终效果了。

再看中心步骤，map到reduce的历程。


可以看到，M个map实例的输出，会作为R个reduce实例的输入。

潜在问题一：每个map都有可能输出(a, 1)，而最终效果(a, 256)必须由一个reduce输出，那若何保证每个map输出的同一个key，落到同一个reduce上去呢？
这就是“分区函数”的作用。

什么是分区函数？

分区函数，是使用MapReduce的用户需所实现的，决议map输出的每一个key应当落到哪个reduce上的函数。
画外音：若是用户没有实现，会使用默认分区函数。

以词频统计的应用为例，分区函数可能是：
(1) 以[a-g]开头的key落到第一个reduce实例；
(2) 以[h-n]开头的key落到第二个reduce实例；
(3) 以[o-z]开头的key落到第三个reduce实例；
画外音：有点像数据库水平切分的“局限法”。

分区函数实现要点是什么？

为了保证每一个reduce实例都能够差不多时间竣事事情义务，分区函数的实现要点是：只管负载平衡。
画外音：即数据平均分摊。

,

Allbet

www.allbetgame.us欢迎进入欧博亚洲（Allbet Game），Allbet是欧博亚洲的官方网站。欧博亚洲开放Allbet注册、Allbe代理、Allbet电脑客户端、Allbet手机版下载等业务。

,

上述词频统计的分区函数，就不是负载平衡的，有些reduce实例处置的单词多，有些reduce处置的单词少，这样就可能泛起，所有reduce实例都处置竣事，最后守候一个长尾reduce的情形。

对于词频统计，负载更为平衡的分区函数为：
hash(key) % 3
画外音：有点像数据库水平切分的“哈希法”。

潜在问题二：每个map都有可能输出多个(a, 1)，这样无形中增大了网络带宽资源，以及reduce的盘算资源，有没有设施举行优化呢？
这就是“合并函数”的作用。

什么是合并函数？

有时，map发生的中心key的重复数据比重很大，可以提供给用户一个自定义函数，在一个map实例完成事情后，内陆就做一次合并，这样网络传输与reduce盘算资源都能节约许多。

合并函数在每个map义务竣事前都市执行一次，一般来说，合并函数与reduce函数是一样的，区别是：

  • 合并函数执行map实例内陆数据合并
  • reduce函数执行最终的合并，会网络多个map实例的数据

对于词频统计应用，合并函数可以将：
一个map实例的多个(a, 1)合并成一个(a, $count)输出。

最后看第一个个步骤，输入文件到map的历程。


潜在问题三：若何确定文件到map的输入呢？
随意即可，只要负载平衡，平均切分输入文件巨细就行，不用管分到哪个map实例。
画外音：无论分到谁人map都能正确处置。

结论

Google MapReduce实行了一系列的优化。

  • 分区函数：保证差别map输出的相同key，落到同一个reduce里
  • 合并函数：在map竣事时，对相同key的多个输出做内陆合并，节约总体资源
  • 输入文件到map若何切分：随意，切分平均就行

希望人人对MapReduce的优化思绪有一个领会，思绪比结论更主要。

下章，讲Google MapReduce的工程架构实现。

架构师之路-分享可落地的技术文章

相关推荐：
《GFS架构启示》
《Google MapReduce到底解决什么问题？》