详解MapReduce的模式、算法和用例


MapReduce常用组件介绍

HadoopMapReduce jobs可以切分成一系列运行于分布式集群中的map和reduce任务,每个任务只运行全部数据的一个指定的子集,以此达到整个集群的负载平衡。Map任务通常为加载,解析,转换,过滤数据,每个reduce处理map输出的一个子集。Reduce任务会去map任务端copy中间数据来完成分组,聚合。

MapReduce 的输入是hdfs上存储的一系列文件集。每个map任务被分为以下阶段:record reader,mapper,combiner,partitioner。Map任务的输出叫中间数据,包括keys和values,发送到reduce端。Reduce任务分为以下阶段:shuffle,sort,reduce,output format。运行map任务的节点会尽量选择数据所在节点。Combiner 是一个map阶段分组数据,可选的,局部reducer。它根据用户提供的方法在一个mapper范围内根据中间键去聚合值。Partitioner会获取从mapper(或combiner)来的键值对,并分割成分片,每个reducer一个分片。默认用哈希值,典型使用md5sum。然后partitioner根据reduce的个数执行取余运算:key.hashCode() % (number of reducers)。这样能随机均匀的根据key分发数据到reduce,同时保证不同mapper的相同key分到同一个reduce。Partitioner也可以自定义,使用更高级的样式,例如排序。然而,更改partitioner很少用。Partitioner的每个map的数据会写到本地磁盘,并等待对应的reducer检测,拿走数据。
       Reduce任务开始于shuffle和sort阶段。这一阶段获取partitioner的输出文件,并下载到reduce运行的本地机器。这些分片数据会根据key合并,排序成一个大的数据文件。排序的目的是让相同的key相邻,方便在reduce阶段值得迭代处理。
这一阶段不能自定义,由框架自动处理。需要做的只是key的选择和可以自定义用于分组的比较器。


基本MapReduce模式

计数与求和

问题陈述: 有许多文档,每个文档都有一些字段组成。需要计算出每个字段在所有文档中的出现次数或者这些字段的其他什么统计值。例如,给定一个log文件,其中的每条记录都包含一个响应时间,需要计算出平均响应时间。

解决方案: Mapper每遇到指定词就把频数记1,Reducer遍历这些词的集合然后把他们的频数累加求和。

class Mapper

    method Map(docid id, doc d)

        for all term t in doc d do

              Emit(term t, count 1)

class Reducer

    method Reduce(term t, counts [c1, c2,...])

         sum = 0

         for all count c in [c1,c2,...] do

               sum = sum + c

               Emit(term t, count sum)

这种方法的缺点显而易见,Mapper提交了太多无意义的计数。它完全可以通过先对每个文档中的词进行计数从而减少传递给Reducer的数据量:

class Mapper

   method Map(docid id, doc d)

      H = new AssociativeArray

      for all term t in doc d do

           H{t} = H{t} + 1

      for all term t in H do

         Emit(term t, count H{t})

如果要累计计数的不只是单个文档中的内容,还包括了一个Mapper节点处理的所有文档,那就要用到Combiner了:

class Mapper

   method Map(docid id, doc d)

      for all term t in doc d do

         Emit(term t, count 1)

class Combiner

   method Combine(term t, [c1, c2,...])

      sum = 0

       for all count c in [c1, c2,...] do

           sum = sum + c

      Emit(term t, count sum)

 class Reducer

   method Reduce(term t, counts [c1, c2,...])

      sum = 0

      for all count c in [c1, c2,...] do

           sum = sum + c

      Emit(term t, count sum)

应用1:Log分析,数据查询,整理归类

问题陈述:有一系列条目,每个条目都有几个属性,要把具有同一属性值的条目都保存在一个文件里,或者把条目按照属性值分组, 最典型的应用是倒排索引。

  解决方案:在 Mapper 中以每个条目的所需属性值作为key,其本身作为值传递给Reducer。Reducer取得按照属性值分组的条目,然后可以处理或者保存。如果是在构建倒排索引,那么 每个条目相当于一个词而属性值就是词所在的文档ID。

应用2:倒排索引,ETL,过滤(文本查找),解析和校验

       问题陈述:假设有很多条记录,需要从其中找出满足某个条件的所有记录,或者将每条记录转换成另外一种形式(转换操作相对于各条记录独立,即对一条记录的操作与其他记录无关)。像文本解析、特定值抽取、格式转换等都属于后一种用例。

  解决方案:在Mapper 里逐条进行操作,输出需要的值或转换后的形式。

  应用3:日志分析,数据查询,ETL,数据校验,分布式任务执行

  问题陈述:大型计算可以分解为多个部分分别进行然后合并各个计算的结果以获得最终结果。

  解决方案: 将数据切分成多份作为每个 Mapper的输入,每个Mapper处理一份数据,执行同样的运算,产生结果,Reducer把多个Mapper的结果组合成一个。

  案例研究: 数字通信系统模拟,像 WiMAX 这样的数字通信模拟软件通过系统模型来传输大量的随机数据,然后计算传输中的错误几率。 每个Mapper 处理样本1/N 的数据,计算出这部分数据的错误率,然后在Reducer 里计算平均错误率。

  应用4:工程模拟,数字分析,性能测试,排序

  问题陈述:有许多条记录,需要按照某种规则将所有记录排序或是按照顺序来处理记录。

解决方案:Mappers将待排序的属性值为键,整条记录为值输出。 不过实际应用中的排序要更加巧妙一点, 这就是它之所以被称为MapReduce核心的原因(“核心”是说排序?因为证明Hadoop计算能力的实验是大数据排序?还是说Hadoop的处理过程中对key排序的环节?)。在实践中,常用组合键来实现二次排序和分组。(MapReduce最初只能够对键排序,但是也可以利用Hadoop的特性来实现按值排序。)

按照BigTable的概念,使用MapReduce来对最初数据而非中间数据排序,也即保持数据的有序状态更有好处,必须注意这一点。换句话说,在数据插入时排序一次要比在每次查询数据的时候排序更高效。

  应用5:ETL,数据分析,非基本MapReduce 模式,迭代消息传递 (图处理)

  问题陈述:假设一个实体网络,实体之间存在着关系。需要按照与它比邻的其他实体的属性计算出一个状态。这个状态可以表现为它和其它节点之间的距离,存在特定属性的邻接点的迹象,邻域密度特征等等。

解决方案:网络存储为系列节点的结合,每个节点包含有其所有邻接点ID的列表。按照这个概念,MapReduce迭代进行,每次迭代中每个节点都发消息给它的邻接点。邻接点根据接收到的信息更新自己的状态。当满足了某些条件的时候迭代停止,如达到了最大迭代次数(网络半径)或两次连续的迭代几乎没有状态改变。从技术上来看,Mapper以每个邻接点的ID为键发出信息,所有的信息都会按照接受节点分组,reducer就能够重算各节点的状态然后更新那些状态改变了的节点。下面展示了这个算法:

class Mapper

  method Map(id n, object N)

     Emit(id n, object N)

     for all id m in N.OutgoingRelations do

        Emit(id m, message getMessage(N))

class Reducer

  method Reduce(id m, [s1, s2,...])

     M = null

     messages = []

     for all s in [s1, s2,...] do

         if IsObject(s) then

             M = s

         else               // s is amessage

             messages.add(s)

     M.State = calculateState(messages)

     Emit(id m, item M)

一个节点的状态可以迅速的沿着网络传全网,那些被感染了的节点又去感染它们的邻居,整个过程就像下面的图示一样:


案例研究:沿分类树的有效性传递

  问题陈述:这个问题来自于真实的电子商务应用。将各种货物分类,这些类别可以组成一个树形结构,比较大的分类(像男人、女人、儿童)可以再分出小分类(像男裤或女装),直到不能再分为止(像男式蓝色牛仔裤)。这些不能再分的基层类别可以是有效(这个类别包含有货品)或者已无效的(没有属于这个分类的货品)。如果一个分类至少含有一个有效的子分类那么认为这个分类也是有效的。我们需要在已知一些基层分类有效的情况下找出分类树上所有有效的分类。

  解决方案:这个问题可以用上一节提到的框架来解决。我们在下面定义了名为 getMessage和calculateState 的方法:

class N

   State in {True = 2, False = 1, null = 0},

   initialized 1 or 2 for end-of-line categories, 0 otherwise

      method getMessage(object N)

          return N.State

      method calculateState(state s, data [d1,d2,...])

          return max( [d1, d2,...] )

案例研究:广度优先搜索

  问题陈述:需要计算出一个图结构中某一个节点到其它所有节点的距离。

  解决方案: Source源节点给所有邻接点发出值为0的信号,邻接点把收到的信号再转发给自己的邻接点,每转发一次就对信号值加1:

class N

   State is distance,

   initialized 0 for source node, INFINITY for all other nodes

methodgetMessage(N)

          return N.State + 1

methodcalculateState(state s, data [d1, d2,...])

          min( [d1, d2,...] )

案例研究:网页排名和 Mapper端数据聚合

  这个算法由Google提出,使用权威的PageRank算法,通过连接到一个网页的其他网页来计算网页的相关性。真实算法是相当复杂的,但是核心思想是权重可以传播,也即通过一个节点的各联接节点的权重的均值来计算节点自身的权重。

class N

     State is PageRank

       methodgetMessage(object N)

         return N.State /N.OutgoingRelations.size()

     method calculateState(state s, data [d1,d2,...])

          return ( sum([d1, d2,...]) )

要指出的是上面用一个数值来作为评分实际上是一种简化,在实际情况下,我们需要在Mapper端来进行聚合计算得出这个值。下面的代码片段展示了这个改变后的逻辑(针对于PageRank 算法):

class Mapper

   method Initialize

      H = new AssociativeArray

   method Map(id n, object N)

      p = N.PageRank  /N.OutgoingRelations.size()

      Emit(id n, object N)

      for all id m in N.OutgoingRelations do

         H{m} = H{m} + p

   method Close

      for all id n in H do

         Emit(id n, value H{n})

class Reducer

   method Reduce(id m, [s1, s2,...])

      M = null

      p = 0

      for all s in [s1, s2,...] do

           if IsObject(s) then

              M = s

           else

              p = p + s

      M.PageRank = p

      Emit(id m, item M)

应用6:图分析,网页索引,值去重(对唯一项计数)

  问题陈述: 记录包含值域F和值域G,要分别统计相同G值的记录中不同的F值的数目(相当于按照G分组)这个问题可以推而广之应用于分面搜索(某些电子商务网站称之为NarrowSearch)

 Record 1: F=1, G={a, b}

 Record 2: F=2, G={a, d, e}

 Record 3: F=1, G={b}

 Record 4: F=3, G={a, b}

 Result:

 a -> 3 // F=1, F=2, F=3

 b -> 2 // F=1, F=3

 d -> 1 // F=2

 e -> 1 // F=2

解决方案 I:第一种方法是分两个阶段来解决这个问题。第一阶段在Mapper中使用F和G组成一个复合值对,然后在Reducer中输出每个值对,目的是为了保证F值的唯一性。在第二阶段,再将值对按照G值来分组计算每组中的条目数。

第一阶段:

class Mapper

   method Map(null, record [value f, categories [g1, g2,...]])

     for all category g in [g1, g2,...]

       Emit(record [g, f], count 1)

class Reducer

   method Reduce(record [g, f], counts [n1, n2, ...])

     Emit(record [g, f], null )

第二阶段:

class Mapper

   method Map(record [f, g], null)

     Emit(value g, count 1)

class Reducer

   method Reduce(value g, counts [n1, n2,...])

     Emit(value g, sum( [n1, n2,...] ) )

解决方案 II:第二种方法只需要一次MapReduce即可实现,但扩展性不强。算法很简单-Mapper输出值和分类,在Reducer里为每个值对应的分类去重然后给每个所属的分类计数加1,最后再在Reducer结束后将所有计数加和。这种方法适用于只有有限个分类,而且拥有相同F值的记录不是很多的情况。例如网络日志处理和用户分类,用户的总数很多,但是每个用户的事件是有限的,以此分类得到的类别也是有限的。值得一提的是在这种模式下可以在数据传输到Reducer之前使用Combiner来去除分类的重复值。

class Mapper

methodMap(null, record [value f, categories [g1, g2,...] )

forall category g in [g1, g2,...]

Emit(valuef, category g)

class Reducer

methodInitialize

H= new AssociativeArray : category -> count

methodReduce(value f, categories [g1, g2,...])

[g1',g2',..] = ExcludeDuplicates( [g1, g2,..] )

forall category g in [g1', g2',...]

H{g}= H{g} + 1

methodClose

forall category g in H do

Emit(categoryg, count H{g})

应用7:日志分析,用户计数,互相关

  问题陈述:有多个各由若干项构成的组,计算项两两共同出现于一个组中的次数。假如项数是N,那么应该计算N*N。这种情况常见于文本分析(条目是单词而元组是句子),市场分析(购买了此物的客户还可能购买什么)。如果N*N小到可以容纳于一台机器的内存,实现起来就比较简单了。

  配对法:第一种方法是在Mapper中给所有条目配对,然后在Reducer中将同一条目对的计数加和。但这种做法也有缺点:使用combiners 带来的的好处有限,因为很可能所有项对都是唯一的,不能有效利用内存

class Mapper

methodMap(null, items [i1, i2,...] )

for allitem i in [i1, i2,...]

forall item j in [i1, i2,...]

Emit(pair[i j], count 1)

class Reducer

methodReduce(pair [i j], counts [c1, c2,...])

s= sum([c1, c2,...])

Emit(pair[ij], count s)

第二种方法是将数据按照pair中的第一项来分组,并维护一个关联数组,数组中存储的是所有关联项的计数。Thesecond approach is to group data by the first item in pair and maintain anassociative array (“stripe”) where counters for all adjacent items areaccumulated. Reducer receives all stripes for leading item i, merges them, andemits the same result as in the Pairs approach.(中间结果的键数量相对较少,因此减少了排序消耗。可以有效利用combiners。可在内存中执行,不过如果没有正确执行的话也会带来问题,实现起来比较复杂。)

一般来说, “stripes” 比“pairs” 更快

class Mapper

methodMap(null, items [i1, i2,...] )

forall item i in [i1, i2,...]

H= new AssociativeArray : item -> counter

forall item j in [i1, i2,...]

H{j}= H{j} + 1

Emit(itemi, stripe H)

class Reducer

methodReduce(item i, stripes [H1, H2,...])

H= new AssociativeArray : item -> counter

H= merge-sum( [H1, H2,...] )

forall item j in H.keys()

Emit(pair[i j], H{j})

应用8:文本分析,市场分析,References:LinJ. Dyer C. Hirst G. Data Intensive Processing MapReduce,用MapReduce表达关系模式。

在这部分我们会讨论一下怎么使用MapReduce来进行主要的关系操作(筛选(Selection)

class Mapper

methodMap(rowkey key, tuple t)

ift satisfies the predicate

Emit(tuplet, null)

投影(Projection):投影只比筛选稍微复杂一点,在这种情况下我们可以用Reducer来消除可能的重复值。

class Mapper

methodMap(rowkey key, tuple t)

tupleg = project(t) // extract required fields to tuple g

Emit(tupleg, null)

class Reducer

methodReduce(tuple t, array n) // n is an array of nulls

Emit(tuplet, null)

合并(Union):两个数据集中的所有记录都送入Mapper,在Reducer里消重。

class Mapper

methodMap(rowkey key, tuple t)

Emit(tuplet, null)

class Reducer

methodReduce(tuple t, array n) // n is an array of one or two nulls

(tuplet, null)

交集(Intersection):将两个数据集中需要做交叉的记录输入Mapper,Reducer输出出现了两次的记录。因为每条记录都有一个主键,在每个数据集中只会出现一次,所以这样做是可行的

class Mapper

methodMap(rowkey key, tuple t)

Emit(tuplet, null)

class Reducer

methodReduce(tuple t, array n) // n is an array of one or two nulls

ifn.size() = 2

Emit(tuplet, null)

差异(Difference):假设有两个数据集R和S,我们要找出R与S的差异。Mapper将所有的元组做上标记,表明他们来自于R还是S,Reducer只输出那些存在于R中而不在S中的记录。

class Mapper

methodMap(rowkey key, tuple t)

Emit(tuplet, string t.SetName) // t.SetName is either 'R' or 'S'

class Reducer

methodReduce(tuple t, array n) // array n can be ['R'], ['S'], ['R' 'S'], or ['S','R']

ifn.size() = 1 and n[1] = 'R'

Emit(tuplet, null)

分组聚合(GroupByand Aggregation):分组聚合可以在如下的一个MapReduce中完成。Mapper抽取数据并将之分组聚合,Reducer中对收到的数据再次聚合。典型的聚合应用比如求和与最值可以以流的方式进行计算,因而不需要同时保有所有的值。但是另外一些情景就必须要两阶段MapReduce,前面提到过的惟一值模式就是一个这种类型的例子。

class Mapper

method Map(null,tuple [value GroupBy, value AggregateBy, value ...])

Emit(valueGroupBy, value AggregateBy)

class Reducer

methodReduce(value GroupBy, [v1, v2,...])

Emit(valueGroupBy, aggregate( [v1, v2,...] ) ) // aggregate() : sum(), max(),...

连接(Joining):MapperReduce框架可以很好地处理连接,不过在面对不同的数据量和处理效率要求的时候还是有一些技巧。

       分配后连接(Reduce端连接,排序-合并连接):这个算法按照键K来连接数据集R和L。Mapper遍历R和L中的所有元组,以K为键输出每一个标记了来自于R还是L的元组,Reducer把同一个K的数据分装入两个容器(R和L),然后嵌套循环遍历两个容器中的数据以得到交集,最后输出的每一条结果都包含了R中的数据、L中的数据和K。这种方法有以下缺点:Mapper要输出所有的数据,即使一些key只会在一个集合中出现;Reducer要在内存中保有一个key的所有数据,如果数据量打过了内存,那么就要缓存到硬盘上,这就增加了硬盘IO的消耗。尽管如此,再分配连接方式仍然是最通用的方法,特别是其他优化技术都不适用的时候。

class Mapper

methodMap(null, tuple [join_key k, value v1, value v2,...])

Emit(join_keyk, tagged_tuple [set_name tag, values [v1, v2, ...] ] )

class Reducer

methodReduce(join_key k, tagged_tuples [t1, t2,...])

H= new AssociativeArray : set_name -> values

forall tagged_tuple t in [t1, t2,...] // separate values into 2 arrays

H{t.tag}.add(t.values)

forall values r in H{'R'} // produce a cross-join of the two arrays

forall values l in H{'L'}

Emit(null,[k r l] )

复制链接Replicated Join (Mapper端连接,Hash 连接):在实际应用中,将一个小数据集和一个大数据集连接是很常见的(如用户与日志记录)。假定要连接两个集合R和L,其中R相对较小,这样,可以把R分发给所有的Mapper,每个Mapper都可以载入它并以连接键来索引其中的数据,最常用和有效的索引技术就是哈希表。之后,Mapper遍历L,并将其与存储在哈希表中的R中的相应记录连接,。这种方法非常高效,因为不需要对L中的数据排序,也不需要通过网络传送L中的数据,但是R必须足够小到能够分发给所有的Mapper。

class Mapper

methodInitialize

H= new AssociativeArray : join_key -> tuple from R

R= loadR()

forall [ join_key k, tuple [r1, r2,...] ] in R

H{k}= H{k}.append( [r1, r2,...] )

methodMap(join_key k, tuple l)

forall tuple r in H{k}

Emit(null,tuple [k r l] ) 


关注微信公众号

注意!

本站转载的文章为个人学习借鉴使用,本站对版权不负任何法律责任。如果侵犯了您的隐私权益,请联系我们删除。



 
粤ICP备14056181号  © 2014-2020 ITdaan.com