MapReduce

应用场景

MapReduce支持下列场景：

• 搜索：网页爬取、倒排索引、PageRank。

• Web访问日志分析：

  • 分析和挖掘用户在Web上的访问、购物行为特征，实现个性化推荐。

  • 分析用户访问行为。

• 文本统计分析：

  • 热门小说的字数统计（WordCount）、词频TFIDF分析。

  • 学术论文、专利文献的引用分析和统计。

  • 维基百科数据分析。

• 海量数据挖掘：非结构化数据、时空数据和图像数据挖掘。

• 机器学习：监督学习、无监督学习和分类算法（例如决策树、SVM）。

• 自然语言处理：

  • 基于大数据的训练和预测。

  • 基于语料库构建单词同现矩阵，频繁项集数据挖掘、重复文档检测等。

• 广告推荐：用户单击（CTR）和购买行为（CVR）预测。

MapReduce流程说明

MapReduce处理数据过程主要分成Map和Reduce两个阶段。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。MapReduce处理数据的完整流程如下：

1. 输入数据：在正式执行Map前，需要对输入数据进行分片（即将输入数据切分为大小相等的数据块），将每片内的数据作为单个Map Worker的输入，以便多个Map Worker同时工作。

2. Map阶段：每个Map Worker读取数据后进行计算处理，并为每条输出数据指定一个Key，决定这条数据将会被发送给哪一个Reduce Worker。

   说明

   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。

3. Shuffle阶段：在进入Reduce阶段之前，MapReduce框架会将数据按照Key值排序，使得具有相同Key的数据彼此相邻。如果您指定了合并操作（Combiner），框架会调用Combiner，将具有相同Key的数据进行聚合。Combiner的逻辑可以由您自定义实现。与经典的MapReduce框架协议不同，在MaxCompute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）。

4. Reduce阶段：相同Key的数据会传送至同一个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，将变成一个值。

5. 输出结果数据。

下文将以WordCount为例，为您介绍MaxCompute MapReduce各个阶段的概念。

操作步骤

1. 输入数据：对文本进行分片，将每片内的数据作为单个Map Worker的输入。

2. Map阶段：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。

3. Shuffle>合并排序：在Shuffle阶段前期，首先对每个Map Worker的输出，按照Key值（即Word值）进行排序。排序后进行Combiner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。

4. Shuffle>分配Reduce：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。

5. Reduce阶段：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。

6. 输出结果数据。

使用限制

• MapReduce使用限制请参见使用限制汇总。

• 有关本地运行的MapReduce使用限制，请参见本地运行和分布式环境运行差异。

MR2模型产生背景

传统的MapReduce模型要求在经过每一轮MapReduce操作后，得到的数据结果必须存储到分布式文件系统中（例如，HDFS或MaxCompute数据表）。MapReduce模型通常由多个MapReduce作业组成，每个作业执行完成后都需要将数据写入磁盘，然而后续的Map任务很可能只需要读取一遍这些数据，为之后的Shuffle阶段做准备，这种情况就产生了冗余的磁盘IO操作。

MaxCompute的计算调度逻辑可以支持更复杂的编程模型， 针对上述情况，可以在Reduce后直接执行下一次的Reduce操作，而不需要中间插入一个Map操作。因此，MaxCompute提供了扩展的MapReduce模型，即可以支持Map后连接任意多个Reduce操作，例如Map>Reduce>Reduce。

与Hadoop Chain Mapper/Reducer对比

Hadoop Chain Mapper/Reducer也支持类似的串行化Map或Reduce操作，但和MaxCompute的扩展MapReduce（MR2）模型有本质的区别。

Chain Mapper/Reducer基于传统的MapReduce模型，仅可以在原有的Mapper或Reducer后增加一个或多个Mapper操作（不允许增加Reducer）。这样的优点是，您可以复用之前的Mapper业务逻辑，把一个Map或Reduce拆成多个Mapper阶段，同时本质上并没有改变底层的调度和I/O模型。