上节介绍过大数据里面（以spark为例）最为基础典型的操作：map方法，map方法直白的理解就是一个分布式接受处理函数的方法，形式如map(fun)，map方法本身不做处理，没有map方法，里面的函数fun就是一个单机的处理函数，有了map，相当于就把这个函数复制到多台机器上，每台机器同时运行fun函数，这就是分布式处理。
今天简单介绍与map相对应的reduce函数。大数据里面，我们经常听到mapreduce操作，就是map+reduce到reduce，map分布式处理，reduce分布式聚合。分布式的数据处理完以后的结果还是分布式的，我们知道，分布式的东西通常是独立的，那么如何把不同机器上独立的东西聚合起来形成我们想要的结果呢，就需要用到聚合操作reduce。举个例子，一个大文件1T，分布式存储在100台机器上，现在要统计文件里面字母a的个数，怎么办，大数据的处理逻辑就是，先对每台机器上的部分文件，统计a的个数，使用到map，这是处理阶段。那么100台机器就有100个不同的子结果，最后需要把这100个结果汇总起来才是这个大文件中a的个数吧，这个时候就需要reduce汇总阶段。
以上节中简单的例子为例，假设有一个分布式的test.txt文件如下：
a;b;c
d;e;f
a;w;e
z;a;c
要统计里面a的个数怎么办（注意我们假设的文件是分布式的，非常大，你没有办法一下子读入内存然后遍历统计，只能分布式处理统计），首先我们先分布式统计每个机器上的子文件中a个数，在spark里面，以python为例，简单的代码如下：
from pyspark import SparkContext
def fun(x):
s = x.split(";")
num = 0
for i in s:
if i == "a":
num += 1
return num
if __name__ == "__main__":
sc = SparkContext(appName="wordsCount")
lines = sc.textFile('test.txt')
lines_0 = lines.map(fun)
res_0 = lines_0.collect()
for t in res_0:
print(t)
sc.stop()
先进行spilt切分，在进行判断每一行中a的个数。对map函数不懂的可以看上一篇。这样得到的结果就是：
1
0
1
1
之后进行reduce操作。首先我们需要明确的是，map函数我们知道，里面接受的是处理函数fun，也可以不是函数，直接表达式也可以，fun函数接受的是一个参数，这个参数就是分布式数据中的每一个单元（比如上面的就是一行数据）。那么reduce呢？也是类似的，也可以写成fun函数形式，只不过巨大的不同就是，reduce函数里面接受的两个参数，输出是一个参数，想想为什么是这样？我们说reduce是聚合操作，什么是聚合，1+2变成3这种是聚合，我们想要聚合分布式数据，当然是把两个合并成一个，合并起来的东西再和另外的一个合并，一直合并完吧。整个逻辑大致如此，下面看看带reduce的例子：
from pyspark import SparkContext
def fun(x):
s = x.split(";")
num = 0
for i in s:
if i == "a":
num += 1
return num
def fun_reduce(x,y):
return x+y
if __name__ == "__main__":
sc = SparkContext(appName="wordsCount")
lines = sc.textFile('test.txt')
lines_0 = lines.map(fun)
res = lines_0.reduce(fun_reduce)
print(res)
sc.stop()
程序可以看到，首先我们进行map操作后可以得到test.txt里面每一行中包含a的个数，得到的结果lines_0也是分布式的数据，然后我们对lines_0进行reduce操作，把里面两两数据相加，相当于对lines_0求和一样，最后得到我们想要的分布式文件test.txt中a的统计个数了。注意的是，reduce后的结果res不再是分布式数据了，而是一个普通的值了，想想为什么，因为它没理由是一个分布式数据。
下节开始介绍spark里面的数据结构以及相关的操作。
关注公号AInewworld，第一时间获取精彩内容
