對于MapReduce相信大家并不陌生，它是大數據Hadoop家族中最重要的成員之一，是一個運行在Hadoop平臺上的分布式計算框架，對于大數據這塊，大家總是覺得高深莫測，淺嘗輒止，今天我們就通俗易懂的給大家講講，讓大家真正的感受到MapReduce是什么？如何使用？在哪些場景下用？

我們先來一個簡單的Case，冬天來了，是吃火鍋的季節了，你買了肥牛、蘑菇、白菜、香菜、豆腐、鴨血、小蔥，一個個的處理干凈，裝在盤子里，火鍋底料一放，菜一下，香噴噴的火鍋就出來了。在這個吃火鍋的場景中，我們可以抽象一下，它包含兩部分：洗干凈菜，煮菜，換做MapReduce的語言，每洗干凈一個菜就是一個Map操作，將白菜Map一下，香菜Map一下，每煮一次火鍋就是一個Reduce操作。這意味著每煮一次火鍋就需要把洗干凈的菜都放進來，也就是把所有Map操作的菜都處理一下。

MapReduce還是一個分布式計算框架，所謂分布式就是可以多個操作并行。你煮的火鍋實在太好吃了，在民意要求下，你開啟了火鍋店，做大做強又開啟了火鍋分店，這時候你需要多個人去洗菜，一個人負責洗白菜、一個人負責切肥牛、一個人負責切豆腐，當所有的人都處理完了之后，就有了處理好的白菜、肥牛、豆腐，這些都是基于Map白菜、Map肥牛、Map豆腐的操作下進行的，Reduce操作是基于Key來進行，Key就是洗干凈的白菜、肥牛、豆腐，Reduce之后就是一桌又一桌的火鍋。

總結一下，MapReduce是包含兩部分，即Map操作、Reduce操作，Map操作就是映射操作，它接受一個輸入，產生一個中間鍵值對的輸出，MapReduce框架會把Map函數中參數的中間鍵值對里相同的鍵值傳給Reduce函數。Reduce操作就是化簡，它接受一個鍵值，將這組值合并產生更小的值。

今年的雙十一開始了，老板交給你一個任務，統計下所有牛仔褲最受歡迎的top3。如果是小電商平臺，那很簡單，寫個程序獲取所有的牛仔褲，遍歷一下每條牛仔褲被購買的次數，再做一個排序，就知道最受歡迎的牛仔褲了。但是當我是一個中型電商平臺時，遍歷就會比較慢了，這時候可以寫一個多線程的程序，在多核機器上去運行就行。當我是一個大型電商平臺，比如淘寶、京東、拼多多，我們就可以把計算每個牛仔褲被買次數的作業分給多臺機器去計算，把總的銷售數據分成N份，每臺計算機計算1份，最后匯總起來倒序排即可。上述三種算法，其實我們也可以使用MapReduce來完成噢。

在MapReduce中，Map函數和Reduce函數都是由我們自己定義的，在統計牛仔褲的銷量top3場景中，我們定義map函數獲取每款牛仔褲，Reduce函數統計每款牛仔褲被購買的次數。在下圖中，Map函數接受的key是所有商品，值是取牛仔褲，每遇到一個牛仔褲就產生一個中間鍵值對<jeans,1>，不同牛仔褲是不同的鍵值對，比如bluejeans，yellowjeans。Map函數將鍵值相同的鍵值對都傳遞給reduce，reduce將每個鍵值對的value進行累加，最后獲取到每條牛仔褲被購買的次數，存儲在底層的分布式文件系統HDFS中，業務層可以通過接口獲取數據，展現最熱銷的top3牛仔褲。

通過實例我們明白了MapReduce是個什么東東，我們可以再結合Google論文中的工作原理流程圖來進行最后的梳理。

在流程圖中上層業務通過UserProgram連接MapReduce庫，將輸入文件分成M份，即圖中的spilt0、spilt1、spilt2、spilt3、spilt4...，在使用master節點給worker節點分配Map作業，我們有M份文件就分配M個worker，被分配了Map作業的worker讀取對應的數據，生成中間鍵值對，存儲在內存和磁盤中，Reduce函數也會根據作業數進行分區，如果有M個作業，就分成M個區，由Master節點把分區作業從磁盤中傳遞給到ReduceWorker節點，Reduceworker節點獲取到所有的中間鍵值對之后，進行排序處理，獲取每個相同中間鍵值對的值。當所有的Map作業和Reduce作業都執行完了之后，master節點喚醒userprogram獲取數據。

通過老板安排的簡簡單單的獲取最熱銷牛仔褲的任務，我們從原理到實踐講解了MapReduce的使用。MapReduce它比較適合大型網站的數據統計、在海量數據中獲取某些有特征的數據，但是不太適合實時計算，從它的輸入都是靜態數據，計算過程，存儲是在HDFS都可以看到執行任務相對耗時比較長。我們結合自己業務情況，使用在最合適的場景即可。