hadoop是做大数据的分布式存储与计算，“存储”相对较简单；复杂的是“计算”，即MapReduce。因为这里的“计算”是分布式的，理解起来和原来我们课程中的思路不一样。

    我在一篇帖子中讲了下Map、Reduce到底是什么。零基础的学员，看了后应该有个感性的认识。

    今天稍微深入的讲一下MapReduce计算的核心内容。所谓核心内容，是因为理解了它，就可以理解如何写MapReduce算法。如果不理解，你只能看懂书上是这么写的，不明白为什么，自己也不会写！今天我就是来答疑解惑的。

    不废话，看下文：

         
   
    这张图(神啊，请原谅我拙劣的画图水平吧)就是MapReduce算法的整个流程，包括五个阶段，按照从上到下的顺序依次执行，数据也是按照这个方向传递。我下面一步步讲述。

    既然谈到算法，那么就有输入和输出。输入作为流程的开始，输出作为流程的结束。第一阶段就是输入，第五阶段就是输出部分。以下只看第二、三、四阶段的内容。

    第二阶段，是我们要写的一个类，就是自定义的Mapper类，这个类继承自框架的某个包路径下的Mapper类，我们要做的是覆盖里面的mapper方法。关键之处就是要覆盖的这个mapper方法。这个方法的参数负责接收输入数据，即图中的k1和v1(分别什么含义不要深究)；返回值表示输出，即图中的k2和v2(分别什么含义不要深究)。说到这里，只需要知道，负责输入的是k1、v1，负责输出的是k2、v2。那么，我们覆盖mapper方法时，要写的代码就是如何把k1、v1转换为k2、v2。你就简单的理解成我们平时写的有形参、返回值的方法。如果能听懂我说的这些，那我就讲清楚了。关于k1、v1、k2、v2不需要了解含义，只知道负责输入和输出就可以了，理解以下内容时也是一样。

    第三阶段，是shuffer过程，“过程”指的是很多代码很多代码在执行。那么，shuffle过程到底干了什么哪？现在简单的讲，shuffle会把阶段二中输出进行一些列处理，再送到阶段三，成为阶段三的输入。理解到这里就够了。这个过程是分布式的，是框架内部做的，我们程序员没有办法干涉！

    第四阶段，是我们要写的一个类，就是自定义的Reducer类，这个类继承自框架的某个包路径下的Reducer类，我们要做的是覆盖里面的reduce方法。关键之处就是要覆盖的这个reduce方法。这个方法的参数k2、list(v2)负责接收shuffle处理的结果，返回值是k3、v3。我们要做的是自己写代码如何把k2、list(v2)转化成k3、v3。

    看到这里，大家注意到没有，第三阶段中shuffle过程接收到的是k2、v2，输出的却是k2、list(v2)，也就是把具有相同k2的所有v2进行了一次合并，放到了一个list中。这就是shuffle过程的归并逻辑，也就是框架自己带的功能。目前不要去研究shuffle过程，理解到这里就足够了。

    第四阶段的k3、v3其实就是输出的内容了，也就是计算的结果。

    通过上面的讲解，大家可以看到，程序员要做的事情就是覆盖了map方法和reduce方法。通过覆盖这两个方法，把阶段一的输入变成了阶段五的输出。换句话说，通过覆盖这两个方法， 把k1、v2(来自于输入)变成了k3、v3(走到了输出部分)。继续跟着我的思路走，输入的内容肯定是我们已知的文件，我们知道什么格式、什么内容；输出的文件是什么格式也知道，只是不知道输出的具体内容是什么而已，对吧！换句话说，即k1、v1、k3、v3是已知的，我们程序员要做的是实现k2、v2。说到这里，有同学想：知道输入和输出，求中间过程，写一个方法不就行了吗？为什么要写map、reduce两个方法？？？这就是框架的精华所在、精髓所在！！！写这个框架的人肯定比我们聪明，我们的这个想法他肯定想到了，为什么框架是现在的样子，有什么好处，怎么运用，这都是要在课堂中讲解的。

    对于零基础的同学，只需要能看懂我画的这个流程，知道MapReduce大概这个样子就行了，这就是这篇帖子的目的。不要去深究里面的细节，毕竟咱们都是零基础。

    来，同学们，告诉我，能看明白吗？如果不明白，请跟帖，我会一一解答！

顶下           老师这么晚还在

张文彬 发表于 2013-4-29 00:32
顶下           老师这么晚还在

这一周一直在想如何写一篇关于MapReduce核心的适合零基础同学的帖子，今天突然灵感来了，呵呵

好吧，露个脸，潜水太久~~

基本明白，不深究，占个楼说说我的理解

输入数据
------>实现对传入数据一次封装，并输出（覆盖一个方法来实现）
------->shuffle负责整理数据并输出（过程一定很有意思、分布式我喜欢，归并从字面上还算好理解点）
----->把shuffle输出的结果再包装
----->输出

Mapper应该是对输入的列表元素进行迭代，写代码去处理元素（不知道是不是加标记、分类好方便下一步shuffle进行整理）
reduce不太理解怎么处理  shuffle 传出的 list(v2)

其实我还想问的是，hadoop处理的一般是什么信息？对信息有没有分类然后用相应的处理方式？非关系型数据库有什么东西能替代关系型数据库中映射，高效处理数据之间的关系？问的问题太宽泛了，我有空百度吧，老师教教怎么搜就行啦

吴老师辛苦了，这么晚还在普及知识

老师幸苦了{:soso_e129:}

老师太敬业了。希望能在云丝看到您啊。

曹睿翔 发表于 2013-4-29 01:02
基本明白，不深究，占个楼说说我的理解

输入数据

对过程、mapper、reducer的理解基本都是到位的，非常棒！！！

hadoop适合处理大量的历史数据，就是不会再次修改的数据。它本质上是一种数据处理的算法，RDBMS也在借鉴类似的做法，hadoop也在借鉴RDBMS中的特点，二者以后走的会越来越近。

你说的“分类”，我没怎么理解，不敢妄下定论。hadoop中的常见算法，包括单词计数、去重、表连接等。

入学前建议学习javaSE的东西，这是贯穿整个职业生涯的东西。hadoop只是后期的一个框架，javaSE基础夯实了，hadoop学习起来很快！

HM刘俊 发表于 2013-4-29 01:53
老师太敬业了。希望能在云丝看到您啊。

快2点了，还没有休息，比我敬业。咱们都要注意身体啊！程序员可以多玩玩羽毛球，对颈椎有好处

吴超老师 发表于 2013-4-29 05:43
快2点了，还没有休息，比我敬业。咱们都要注意身体啊！程序员可以多玩玩羽毛球，对颈椎有好处 ...

为什么要写map、reduce两个方法？？？
留了个坑啊。

刘文飞 发表于 2013-4-29 06:12
为什么要写map、reduce两个方法？？？
留了个坑啊。

关于map、reduce方法的普适性含义，可以看http://bbs.itheima.com/thread-44280-1-1.html。关于在hadoop中是什么含义，就是本帖的目的。“为什么写、如何写”要讲明白的话，需要先讲hadoop框架，讲到底层的api等，对新人普及知识而言是不合适的。

MapReduce我是计划讲2天时间，约12个小时。这个坑只能留着，论坛中肯定是填不平的。如果你深入研究过，咱们可以单独沟通，比如电话、邮件，在帖子中还是不谈细节吧。

老师要注意休息啊，喜欢这样的帖子，虽然我不是报的云，但是对hadoop比较感兴趣。以后有机会一定好后学习学习。
老师辛苦了

基本明白：
咱们做的就是去覆盖第二阶段mapper和和第四阶段的ruducer的函数，这两个函数的接受值分别是k1,v1  k2,list(v2); 输出值分别为k2,v2  k3,v3.

吴超老师 发表于 2013-4-29 05:43
快2点了，还没有休息，比我敬业。咱们都要注意身体啊！程序员可以多玩玩羽毛球，对颈椎有好处 ...

谢谢老师的建议。是啊，身体是革命的本钱，呵呵。

张超 发表于 2013-4-29 08:51
基本明白：
咱们做的就是去覆盖第二阶段mapper和和第四阶段的ruducer的函数，这两个函数的接受值分别是k1,v ...

完全正确

可否这样理解：
你给我数据，我帮你进行相应的处理，得到的是你想要的数据，至于我怎么做的，你不比清楚；对数据的处理分为两个方面
一个是程序员做的：也就是mapper和reduce方法的覆盖，还有一部分是框架内部进行处理的，就好比是struts2的表单封装一样；
疑问：分布式？我只知道点对点，或者说对等，每一台电脑即是客户机也是服务器。。。但是分布式是个什么概念就不晓得了。。。

追问；hadoop是在linux下开发，那这个linux是ubuntu还是red hat；
有没有什么特定的限制。或者说您用的是哪一种系统写hadoop。。。。

Miss小强 发表于 2013-4-29 18:19
追问；hadoop是在linux下开发，那这个linux是ubuntu还是red hat；
有没有什么特定的限制。或者说您用的是哪 ...

都可以。教学用red hat

Miss小强 发表于 2013-4-29 18:16
可否这样理解：
你给我数据，我帮你进行相应的处理，得到的是你想要的数据，至于我怎么做的，你不比清楚； ...

理解完全正确！

对等也是分布式啊

吴超老师 发表于 2013-4-29 20:15
理解完全正确！

对等也是分布式啊

好吧，我先把SSH，和linux学好来再说，到时候就跟着您混了，希望在云四的教室碰到您。。。