本文为您介绍MaxCompute支持的MapReduce编程接口及使用限制。

MaxCompute提供三个版本的MapReduce编程接口,如下所示:
  • MaxCompute MapReduce、MaxCompute的原生接口,执行速度更快,开发更便捷,不暴露文件系统。
  • MR2(扩展MapReduce):对MaxCompute MapReduce的扩展,支持更复杂的作业调度逻辑。MapReduce的实现方式与MaxCompute原生接口一致。
  • Hadoop兼容版本:高度兼容Hadoop MapReduce ,与MaxCompute原生MapReduce,MR2不兼容。
以上三个版本在基本概念作业提交输入与输出资源使用等方面基本一致,不同的是Java SDK彼此不同。本文仅对MapReduce的基本原理做简单介绍,更多详情请参见Hadoop Map/Reduce教程
说明 您还不能通过MapReduce读写外部表中的数据。

应用场景

MapReduce被大量应用到各种商业场景中:
  • 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:
    • 莫言小说的WordCount、词频TFIDF分析。
    • 学术论文、专利文献的引用分析和统计。
    • 维基百科数据分析等。
  • 海量数据挖掘:非结构化数据、时空数据、图像数据的挖掘。
  • 机器学习:监督学习、无监督学习、分类算法如决策树、SVM等。
  • 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:用户点击(CTR)和购买行为(CVR)预测。

处理流程

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。处理流程如下所示:
  1. 在正式执行Map前,需要将输入数据进行分片。所谓分片,就是将输入数据切分为大小相等的数据块,每一块作为单个Map Worker的输入被处理,以便于多个Map Worker同时工作。
  2. 分片完毕后,多个Map Worker便可同时工作。每个Map Worker在读入各自的数据后,进行计算处理,最终输出给Reduce。Map Worker在输出数据时,需要为每一条输出数据指定一个Key,这个Key值决定了这条数据将会被发送给哪一个Reduce Worker。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. 在进入Reduce阶段之前,MapReduce框架会对数据按照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. 接下来进入Reduce阶段。相同Key的数据会到达同一个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。
说明 上文仅是对MapReduce框架做简单介绍,更多详情请查阅功能介绍

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

假设存在一个文本a.txt,文本内每行是一个数字,您要统计每个数字出现的次数。文本内的数字称为Word,数字出现的次数称为Count。如果MaxCompute MapReduce完成这一功能,需要经历以下流程,如下图所示:

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。
说明 由于MaxCompute的所有数据都被存放在表中,因此MaxCompute MapReduce的输入、输出只能是表,不允许您自定义输出格式,不提供类似文件系统的接口。

使用限制

MapReduce使用限制汇总

有关本地运行的MapReduce使用限制,您还可以参考本地运行和分布式环境运行差异