Hadoop中的map/reduce(分布式计算模型)
Mapper:对输入的列表中的每一个元素执行一个函数,生成一个列表结果。(运算前后列表的元素数量不变)
Reduce:对输入的列表的所有元素执行一个函数操作,并将中间结果作为参数继续执行函数。
map把(k1,v1)变成(k2,v2),shuffle把(k2,v2)变成(k2,list(v2)),reduce把(k2,list(v2))变成(k3,v3)。
(k1,v1)来自于输入,是已知的,shuffle过程由程序自动完成,(k3,v3)也是我们知道的,所以程序员要实现
的是(k2,v2)。就是说我们知道输入的数据的格式及内容,也知道输出的格式,但是输出内容是由程序计算
出来的,可以当做是已知的。
总的来说就是处理输入,产生输出。先把大数据map(分解),再逐一reduce(化简),形成最终结果。
MapReduce在MongoDB中主要用于批量处理数据和集合操作,类似于RDBMS的group操作(分组统计)。
用this访问当前文档,map中必须有emit函数,才能把map结果传给reduce。
emit(key,value),key是分组的依据,value是你想要的东西。(也就是要统计的数据)
如果map结果数据还是很大,可以再切分,然后分别执行reduce函数,所以reduce一定是可以反复利用。
Map和Reduce函数用Js编写,语法遵循js标准。
以下是MongoDB官方的一个例子,就是统计一个标签系统中每个标签出现的次数。
> db.things.insert( { _id : 1, tags : ['dog', 'cat'] } ); > db.things.insert( { _id : 2, tags : ['cat'] } ); > db.things.insert( { _id : 3, tags : ['mouse', 'cat', 'dog'] } ); > db.things.insert( { _id : 4, tags : [] } ); > // map function > map = function(){ ... this.tags.forEach( ... function(z){//emit会遍历集合中的记录 ... emit( z , { count : 1 } ); //emit可以理解为调用reduce方法,这里参数为1[即累加1操作](统计) ... } ... ); ...}; > // reduce function > reduce = function( key , values ){ ... var total = 0; ... for ( var i=0; i<values.length; i++ ) ... total += values[i].count; ... return { count : total }; ...}; //这个不属于官方例子,忽略掉 > f= function( key , rvalue ){ //key 就是分组的依据 //rvalue 就是reduce的结果 如value的一个实例 {count:6} if("cat"==key){ rvalue.msg="this is cat tag ." } return rvalue; ...}; db.things.mapReduce(map,reduce,{out:'tmp'}) { "result" : "tmp", "timeMillis" : 316, "counts" : { "input" : 4, "emit" : 6, "output" : 3 }, "ok" : 1, } > db.tmp.find() { "_id" : "cat", "value" : { "count" : 3 } } { "_id" : "dog", "value" : { "count" : 2 } } // _id就是key , value就是处理后的返回值 { "_id" : "mouse", "value" : { "count" : 1 } }
MapReduce函数的参数列表如下:
db.runCommand( { mapreduce : <collection>, map : <mapfunction>, reduce : <reducefunction> [, query : <query filter object>] [, sort : <sort the query. useful for optimization>] [, limit : <number of objects to return from collection>] [, out : <output-collection name>] [, keeptemp: <true|false>] [, finalize : <finalizefunction>] [, scope : <object where fields go into javascript global scope >] [, verbose : true] } ); 或者这么写: db.collection.mapReduce( <map>, <reduce>, { <out>, <query>, <sort>, <limit>, <keytemp>, <finalize>, <scope>, <jsMode>, <verbose> } ) •mapreduce:指定要进行mapreduce处理的collection •map:map函数 •reduce:reduce函数 •out:输出结果的collection的名字,不指定会默认创建一个随机名字的collection(如果使用了out选项,就不必指定keeptemp:true了,因为已经隐含在其中了) •query:对目标集合进行过滤(query,limit,sort可以随意组合) •sort:和limit结合的sort排序参数(也是在发往map函数前给文档排序),可以优化分组机制 •limit:发往map函数的文档数量的上限(要是没有limit,单独使用sort的用处不大) •keytemp:是否保存临时结果,如果想在连接关闭后仍然保留这个集合,就要指定keeptemp为true,如果你用的是MongoDB的mongo客户端连接,那必须exit后才会删除。如果是脚本执行,脚本退出或调用close会自动删除结果collection •finalize:处理结果的最后函数 •scope:向map、reduce、finalize导入外部变量。 •verbose:是否显示详细的信息
MapReduce函数返回的文档结果如下:
{ result : <collection_name>, timeMillis : <job_time>, counts : { input : <number of objects scanned>, emit : <number of times emit was called>, output : <number of items in output collection> } , ok : <1_if_ok>, [, err : <errmsg_if_error>] } •result:储存结果的collection的名字,这是个临时集合,MapReduce的连接关闭后自动就被删除了。 •timeMillis:执行花费的时间,毫秒为单位 •input:满足条件被发送到map函数的文档个数 •emit:在map函数中emit被调用的次数,也就是所有集合中的数据总量 •ouput:结果集合中的文档个数(count对调试非常有帮助) •ok:是否成功,成功为1 •err:如果失败,这里可以有失败原因,不过从经验上来看,原因比较模糊,作用不大