什么是MapReduce

分布式离线的计算框架，是一个分布式运算程序的编程框架，是用户开发基于hadoop的数据分析应用的核心框架，mapreduce的核心功能是将用户编写的业务逻辑代码和自带的默认组件整合成一个完整的分布式运算程序，并发运行在一个hadoop集群上。

hdfs–解决的是海量数据的存储问题。

mapreduce—解决的是海量数据的计算以及索引问题。

为什么说，MapReduce系统架构，颠覆了互联网分层架构的本质？

下图是一个典型的，互联网分层架构：

• 客户端层：典型调用方是浏览器browser或者手机App
• 站点应用层：实现核心业务逻辑，从下游获取数据，对上游返回html或者json
• 服务层：业务服务，数据服务，基础服务，对上游提供友好的RPC接口
• 数据缓存层：缓存加速访问存储
• 数据固化层：数据库固化数据存储

同一个层次的内部，例如端上的APP，以及web-server，也都会进行MVC分层：

• view层：展现
• control层：逻辑
• model层：数据

工程师骨子里，都潜移默化的实施着分层架构设计。

互联网分层架构的本质究竟是什么呢？

如果我们仔细思考会发现，不管是跨进程的分层架构，还是进程内的MVC分层，都是一个“数据移动”，然后“被处理”和“被呈现”的过程。

如上图所示：

数据处理和呈现，需要CPU计算，而CPU是固定不动的：

• db/service/web-server都部署在固定的集群上
• 端上，不管是browser还是APP，也有固定的CPU处理

而数据是移动的：

• 跨进程的：数据从数据库和缓存里，转移到service层，到web-server层，到client层
• 同进程的：数据从model层，转移到control层，转移到view层

归根结底一句话：互联网分层架构，是一个CPU固定，数据移动的架构。

MapReduce的架构，是不是也遵循这个架构特点呢？

假如MapReduce也使用类似的的分层架构模式：

提前部署服务：

• map服务层：接收输入数据，产出“分”的数据，集群部署M=1W个实例
• reduce服务层：接受“合”的数据，产出最终数据，集群部署R=1W个实例

当用户提交作业时：

(1) 把数据数据传输给map服务集群；

(2) map服务集群产出结果后，把数据传输给reduce服务集群；

(3) reduce服务集群把结果传输给用户；

存在什么问题？

将有大量的时间浪费在大量数据的网络传输上。

画外音：输入给map，map给reduce，reduce给用户。

会发现，“固定CPU，移动数据”的架构并不适合。

google MapReduce工程架构是如何思考这一个问题的呢？

问了减少数据量的传输：

(1) 输入数据，被分割为M块后，master会尽量将执行map函数的worker实例，启动在输入数据所在的服务器上；

画外音：不需要网络传输了。

(2) map函数的worker实例输出的的结果，会被分区函数划分成R块，写到worker实例所在的本地磁盘；

画外音：不需要网络传输了。

(3) reduce函数，由于有M个输入数据源（M个map的输出都有一部分数据可能对应到一个reduce的输入数据），所以，master会尽量将执行reduce函数的worker实例，启动在离这些输入数据源尽可能“近”的服务器上；

画外音：目的也是最小化网络传输；

服务器之间的“近”，可以用内网IP地址的相似度衡量。

所以，对于MapReduce系统架构，“固定数据，移动CPU”更为合理。

这是为什么呢？

互联网在线业务的特点是：

• 总数据量大
• 吞吐量比较大，同时发起的请求多
• 每个请求，处理的数据相对比较小
• 用户对处理时延比较敏感

这类业务，使用“固定CPU，移动数据”的分层架构是合理的。

MapReduce离线业务的特点是：

• 吞吐量比较小，同时发起的任务比较少
• 每个任务，处理的数据量非常大
• 用户对处理时延容忍性大

这类业务，使用“固定数据，移动CPU”的分层架构是合理的。

总结：

任何脱离业务的架构设计，都是耍流氓。