云計(jì)算背后的秘密（1）-MapReduce
【引言】之前我寫(xiě)過(guò)一些關(guān)于云計(jì)算誤區(qū)的文章，雖然這些文章并不是非常技術(shù)，但是也非常希望它們能幫助大家理解云計(jì)算這一新浪潮。最近，我將云計(jì)算背后的一些核心技術(shù)介紹給讀者，由于云計(jì)算的核心技術(shù)是我最熟悉和最擅長(zhǎng)，而且宣傳這些技術(shù)也是我寫(xiě)《剖析云計(jì)算》一書(shū)和建立PeopleYun.com站點(diǎn)的初衷，這就是“云計(jì)算背后的秘密”這個(gè)系列的由來(lái)。
在這個(gè)新系列中將介紹多種云計(jì)算所涉及到的核心技術(shù)，包括分布式處理、分布式數(shù)據(jù)庫(kù)、分布式鎖、分布式文件系統(tǒng)、多租戶(hù)架構(gòu)和虛擬化等，而且將會(huì)介紹這些技術(shù)相關(guān)的產(chǎn)品和用例，以幫助大家進(jìn)一步理解這些技術(shù)。預(yù)計(jì)每周會(huì)更新一篇，總長(zhǎng)度會(huì)在10篇左右，希望大家能喜歡，而本文則是這個(gè)系列的第一篇。
在Google數(shù)據(jù)中心會(huì)有大規(guī)模數(shù)據(jù)需要處理，比如被網(wǎng)絡(luò)爬蟲(chóng)（Web Crawler）抓取的大量網(wǎng)頁(yè)等。由于這些數(shù)據(jù)很多都是PB級(jí)別，導(dǎo)致處理工作不得不盡可能的并行化，而Google為了解決這個(gè)問(wèn)題，引入了MapReduce這個(gè)分布式處理框架。
技術(shù)概覽
MapReduce本身源自于函數(shù)式語(yǔ)言，主要通過(guò)"Map（映射）"和"Reduce（化簡(jiǎn)）"這兩個(gè)步驟來(lái)并行處理大規(guī)模的數(shù)據(jù)集。首先，Map會(huì)先對(duì)由很多獨(dú)立元素組成的邏輯列表中的每一個(gè)元素進(jìn)行指定的操作，且原始列表不會(huì)被更改，會(huì)創(chuàng)建多個(gè)新的列表來(lái)保存Map的處理結(jié)果。也就意味著，Map操作是高度并行的。當(dāng)Map工作完成之后，系統(tǒng)會(huì)接著對(duì)新生成的多個(gè)列表進(jìn)行清理（Shuffle）和排序，之后，會(huì)這些新創(chuàng)建的列表進(jìn)行Reduce操作，也就是對(duì)一個(gè)列表中的元素根據(jù)Key值進(jìn)行適當(dāng)?shù)暮喜ⅰＯ聢D為MapReduce的運(yùn)行機(jī)制：
圖1. MapReduce的運(yùn)行機(jī)制
接下來(lái)，將根據(jù)上圖來(lái)舉一個(gè)MapReduce的例子來(lái)幫助大家理解：比如，通過(guò)搜索引擎的爬蟲(chóng)（Spider）將海量的Web頁(yè)面從互聯(lián)網(wǎng)中抓取到本地的分布式文件系統(tǒng)中，然后索引系統(tǒng)將會(huì)對(duì)存儲(chǔ)在這個(gè)分布式文件系統(tǒng)中海量的Web頁(yè)面進(jìn)行平行的Map處理，生成多個(gè)Key為URL，Value為html頁(yè)面的鍵值對(duì)（Key-Value Map），接著，系統(tǒng)會(huì)對(duì)這些剛生成的鍵值對(duì)進(jìn)行Shuffle（清理），之后，系統(tǒng)會(huì)通過(guò)Reduce操作來(lái)根據(jù)相同的key值（也就是URL）合并這些鍵值對(duì)。
優(yōu)劣點(diǎn)
談到MapReduce的優(yōu)點(diǎn)，主要有兩個(gè)方面：其一，通過(guò)MapReduce這個(gè)分布式處理框架，不僅能用于處理大規(guī)模數(shù)據(jù)，而且能將很多繁瑣的細(xì)節(jié)隱藏起來(lái)，比如，自動(dòng)并行化、負(fù)載均衡和災(zāi)備管理等，這樣將極大地簡(jiǎn)化程序員的開(kāi)發(fā)工作；其二，MapReduce的伸縮性非常好，也就是說(shuō)，每增加一臺(tái)服務(wù)器，其就能將差不多的計(jì)算能力接入到集群中，而過(guò)去的大多數(shù)分布式處理框架，在伸縮性方面都與MapReduce相差甚遠(yuǎn)。而 MapReduce最大的不足則在于，其不適應(yīng)實(shí)時(shí)應(yīng)用的需求，所以在Google最新的實(shí)時(shí)性很強(qiáng)的Caffeine搜索引擎中，MapReduce的主導(dǎo)地位已經(jīng)被可用于實(shí)時(shí)處理Percolator系統(tǒng)所代替，其具體細(xì)節(jié)，將在本系列接下來(lái)的文章中進(jìn)行介紹。
相關(guān)產(chǎn)品
除了Google內(nèi)部使用的MapReduce之外，還有，由Lucene之父Doug Cutting領(lǐng)銜的Yahoo團(tuán)隊(duì)開(kāi)發(fā)，Apache管理的MapReduce的開(kāi)源版本Hadoop，而且一經(jīng)推出，就受到業(yè)界極大的歡迎，并且衍生出HDFS、ZooKeeper、Hbase、Hive和Pig等系列產(chǎn)品。
實(shí)際用例
在實(shí)際的工作環(huán)境中，MapReduce這套分布式處理框架常用于分布式grep、分布式排序、Web訪(fǎng)問(wèn)日志分析、反向索引構(gòu)建、文檔聚類(lèi)、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析、基于統(tǒng)計(jì)的機(jī)器翻譯和生成整個(gè)搜索引擎的索引等大規(guī)模數(shù)據(jù)處理工作，并且已經(jīng)在很多國(guó)內(nèi)知名的互聯(lián)網(wǎng)公司內(nèi)部得到極大地應(yīng)用，比如百度和淘寶。
最后，如果大家對(duì)MapReduce感興趣的話(huà)，可以到Hadoop的官方站點(diǎn)上下載并試用。
【編輯推薦】
