大数据之MapReduce

Hadoop MapReduce 是一个分布式计算框架，用于编写批处理应用程序。编写好的程序可以提交到Hadoop 集群上用于并行处理大规模的数据集。

MapReduce 作业通过将输入的数据集拆分为独立的块，这些块由 map 以并行的方式处理，框架对 map 的输出进行排序，然后输入到 reduce 中。MapReduce 框架专门用于 键值对处理，它将作业的输入视为一组 对，并生成一组 对作为输出

以词频统计为例进行说明，MapReduce 处理的流程如下：

1.input： 读取文本文件

2.splitting：将文件按照行进行拆分，得到K1行数，V1表示对应的内容

3.mapping：并行将每一行按照空格进行拆分，得到List,K2代表单词，V2代表单词出现的次数。

4.shuffling：由于 Mapping 操作可能是在不同的机器上并行处理的，所以需要通过 shuffling 将相同 key 值的数据分发到同一个节点上去合并，这样才能统计出最终的结果，此时得到 K2 为每一个单词，List(V2) 为可迭代集合，V2 就是 Mapping 中的 V2；

5.reducing：统计单词出现的总次数，所以计算结果，最终输出。

MapReduce 编程模型中splitting和shuffing操作都是由框架实现的，需要我们自己编程实现的是mappering和reducing，这也是MapReduce这个称呼的来源。