很多初学者，对大数据的概念都是模糊不清的，大数据是什么，能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解。
何时使用MapReduce
MapReduce特别适合涉及大量数据的问题。它通过将工作分成更小的块，然后可以被多个系统处理。由于MapReduce将一个问题分片并行工作，与传统系统相比，解决方案会更快。
大概有如下场景会应用到MapReduce：
1 计数和统计
2 整理
3 过滤
4 排序
Apache Hadoop
开发MapReduce解决方案，推荐使用Hadoop，它已经是事实上的标准，同时也是开源免费的软件。
另外在Amazon，Google和Microsoft等云提供商租用或搭建Hadoop集群。
还有其他多个优点：
可扩展：可以轻松清加新的处理节点，而无需更改一行代码
成本效益：不需要任何专门和奇特的硬件，因为软件在正常的硬件都运行正常
灵活：无模式。可以处理任何数据结构 ，甚至可以组合多个数据源，而不会有很多问题。
容错：如果有节点出现问题，其它节点可以接收它的工作，整个集群继续处理。
另外，Hadoop容器还是支持一种称为“流”的应用程序，它为用户提供了选择用于开发映射器和还原器脚本语言的自由度。
本文中我们将使用PHP做为主开发语言。
Hadoop安装
Apache Hadoop的安装配置超出了本文范围。您可以根据自己的平台，在线轻松找到很多文章。为了保持简单，我们只讨论大数据相关的事。
映射器（Mapper）
映射器的任务是将输入转换成一系列的键值对。比如在字计数器的情况下，输入是一系列的行。我们按单词将它们分开，把它们变成键值对（如key:word,value:1）,看起来像这样：
the 1
water 1
on 1
on 1
water 1
on 1
... 1
然后，这些对然后被发送到reducer以进行下一步骤。
reducer
reducer的任务是检索（排序）对，迭代并转换为所需输出。 在单词计数器的例子中，取单词数（值），并将它们相加得到一个单词（键）及其最终计数。如下：
water 2
the 1
on 3
mapping和reducing的整个过程看起来有点像这样，请看下列之图表：
使用PHP做单词计数器
我们将从MapReduce世界的“Hello World”的例子开始，那就是一个简单的单词计数器的实现。 我们将需要一些数据来处理。我们用已经公开的书Moby Dick来做实验。
执行以下命令下载这本书：
wget http://www.baidu.com/cache ... 1.txt
在HDFS（Hadoop分布式文件系统）中创建一个工作目录
hadoop dfs -mkdir wordcount
我们的PHP代码从mapper开始
#!/usr/bin/php<?php // iterate through lines while($line = fgets(STDIN)){ // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split the line in words $words = preg_split('/\s/', $line, -1, PREG_SPLIT_NO_EMPTY); // iterate through words foreach( $words as $key ) { // print word (key) to standard output // the output will be used in the // reduce (reducer.php) step // word (key) tab-delimited wordcount (1) printf(\"%s\t%d\n\", $key, 1); } }?>
下面是 reducer 代码。
#!/usr/bin/php<?php $last_key = NULL; $running_total = 0; // iterate through lines while($line = fgets(STDIN)) { // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split line into key and count list($key,$count) = explode(\"\t\", $line); // this if else structure works because // hadoop sorts the mapper output by it keys // before sending it to the reducer // if the last key retrieved is the same // as the current key that have been received if ($last_key === $key) { // increase running total of the key $running_total += $count; } else { if ($last_key != NULL) // output previous key and its running total printf(\"%s\t%d\n\", $last_key, $running_total); // reset last key and running total // by assigning the new key and its value $last_key = $key; $running_total = $count; } }?>
你可以通过使用某些命令和管道的组合来在本地轻松测试脚本。
head -n1000 pg2701.txt | ./mapper.php | sort | ./reducer.php
我们在Apache Hadoop集群上运行它：
hadoop jar /usr/hadoop/2.5.1/libexec/lib/hadoop-streaming-2.5.1.jar \ -mapper \"./mapper.php\" -reducer \"./reducer.php\" -input \"hello/mobydick.txt\" -output \"hello/result\"
输出将存储在文件夹hello / result中，可以通过执行以下命令查看
hdfs dfs -cat hello/result/part-00000
计算年均黄金价格
下一个例子是一个更实际的例子，虽然数据集相对较小，但是相同的逻辑可以很容易地应用于具有数百个数据点的集合上。 我们将尝试计算过去五十年的黄金年平均价格。
我们下载数据集：
wget https://raw.githubusercontent. ... a.csv
在HDFS（Hadoop分布式文件系统）中创建一个工作目录
hadoop dfs -mkdir goldprice
将已下载的数据集复制到HDFS
hadoop dfs -copyFromLocal ./data.csv goldprice/data.csv
我的reducer看起来像这样
#!/usr/bin/php<?php // iterate through lines while($line = fgets(STDIN)){ // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // regular expression to capture year and gold value preg_match(\"/^(.?)\-(?:.),(.)$/\", $line, $matches); if ($matches) { // key: year, value: gold price printf(\"%s\t%.3f\n\", $matches[1], $matches[2]); } }?>
reducer也略有修改，因为我们需要计算项目数量和平均值。
#!/usr/bin/php<?php $last_key = NULL; $running_total = 0; $running_average = 0; $number_of_items = 0; // iterate through lines while($line = fgets(STDIN)) { // remove leading and trailing $line = ltrim($line); $line = rtrim($line); // split line into key and count list($key,$count) = explode(\"\t\", $line); // if the last key retrieved is the same // as the current key that have been received if ($last_key === $key) { // increase number of items $number_of_items++; // increase running total of the key $running_total += $count; // (re)calculate average for that key $running_average = $running_total / $number_of_items; } else { if ($last_key != NULL) // output previous key and its running average printf(\"%s\t%.4f\n\", $last_key, $running_average); // reset key, running total, running average // and number of items $last_key = $key; $number_of_items = 1; $running_total = $count; $running_average = $count; } } if ($last_key != NULL) // output previous key and its running average printf(\"%s\t%.3f\n\", $last_key, $running_average);?>
像单词统计样例一样，我们也可以在本地测试
head -n1000 data.csv | ./mapper.php | sort | ./reducer.php
最终在hadoop集群上运行它
hadoop jar /usr/hadoop/2.5.1/libexec/lib/hadoop-streaming-2.5.1.jar \ -mapper \"./mapper.php\" -reducer \"./reducer.php\" -input \"goldprice/data.csv\" -output \"goldprice/result\"
查看平均值
hdfs dfs -cat goldprice/result/part-00000
小奖励：生成图表
我们经常会将结果转换成图表。 对于这个演示，我将使用gnuplot，你可以使用其它任何有趣的东西。
首先在本地返回结果：
hdfs dfs -get goldprice/result/part-00000 gold.dat
创建一个gnu plot配置文件（gold.plot）并复制以下内容
# Gnuplot script file for generating gold pricesset terminal pngset output \"chart.jpg\"set style data linesset nokeyset gridset title \"Gold prices\"set xlabel \"Year\"set ylabel \"Price\"plot \"gold.dat\"
生成图表：
gnuplot gold.plot
这会生成一个名为chart.jpg的文件。
