文档

MapReduce

更新时间:

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

MaxCompute提供个两版本的MapReduce编程接口:

  • MaxCompute MapReduce:MaxCompute的原生接口,执行速度快、开发快捷、不暴露文件系统。

  • MaxCompute扩展MapReduce(MR2):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。

以上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,仅各版本的Java SDK有所不同。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

您无法通过MapReduce读写外部表中的数据。

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:对文本进行分片,将每片内的数据作为单个Map Worker的输入。分片完毕后,多个Map Worker便可以同时工作。

    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. Map阶段: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. Reduce阶段:进入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。

说明

上文仅是对MapReduce框架的简单介绍,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,图示如下。

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