MapReduce 模式、算法和用例

随着 Hadoop 和大数据应用的爆发式增长，很多人正在寻找将他们已有的实现转为 MapReduce 方式的方法。不幸的是，除了《应用 MapReduce 进行数据密集的文本处理》和《Mahout in Action》几本有名书籍之外，很少有关设计 MapReduce 实现的出版物。在新文章“MapReduce 模式、算法和用例”中，Ilya Katsov 提供了一个系统化的综述，阐述了能够应用 MapReduce 框架解决的问题。

文章开始描述了一个非常简单的、作为通用的并行计算框架的 MapReduce 应用，这个框架适用于很多要求大量节点进行的计算和数据密集型计算，包括物理和工程仿真，数值分析，性能测试等等。接下来是一组算法，通常用于日志分析、ETL 和数据查询，包括计数及求和，数据整理（基于特定函数），过滤，解析，验证和排序。

第二大部分是关于 MapReduce 模式，Katsov 讨论了包括多关系形 MapReduce 模式，通常用于数据仓库应用程序。这些模式在 Hive 和 Pig 实现中广泛使用，并包括基于推断 / 函数的数据选择，数据预测、数据联合、差分、交集和分组等聚集计算。另一个讨论是关于实现数据关联和包含等算法，例如 repartition join 和重复联合。

更进一步，这篇文章讨论了更为复杂的 MapReduce 处理算法，包括图处理、搜索算法（广度优先搜索）、page rank 数据集合算法，这些算法应用于图分析、web 索引和通用搜索应用。文章也涵盖了常见的、需要互相关计算的文本分析和市场分析的用例。这部分包含了”pairs“和”stripes”设计模式和它们的相对优劣。

最后，Katsov 给出了一个在机器学习领域实现更复杂 MapReduce 的很好的参考书目。

文中描述的大多数算法都有伪代码描述及它们的适用性，优势、劣势和一些真实的用例。

如今很多人仍面临应用 Hadoop 和 MapReduce 解决业务问题的困扰。有些人仍然认为 MapReduce 是“搜索业务问题领域的技术手段”。这篇文章是填补 MapReduce 算法、用例和设计模式空缺的重要一步。它展示了 MapReduce 强大的力量，而不仅仅是用那个声名狼藉的“词语计数”例子，并显示了 MapReduce 可以解决众多实际问题的方式。