值去重 (對唯一項計數)
問題陳述: 記錄包含值域F和值域 G,要分別統計相同G值的記錄中不同的F值的數目 (相當于按照 G分組)。
這個問題可以推而廣之應用于分面搜索(某些電子商務網站稱之為Narrow Search)
Record 1: F=1, G={a, b}
Record 2: F=2, G={a, d, e}
Record 3: F=1, G={b}
Record 4: F=3, G={a, b}
Result:
a -》 3 // F=1, F=2, F=3
b -》 2 // F=1, F=3
d -》 1 // F=2
e -》 1 // F=2
解決方案 I:
第一種方法是分兩個階段來解決這個問題。第一階段在Mapper中使用F和G組成一個復合值對,然后在Reducer中輸出每個值對,目的是為了保證F值的唯一性。在第二階段,再將值對按照G值來分組計算每組中的條目數。
第一階段:
class Mapper
method Map(null, record [value f, categories [g1, g2,。..]])
for all category g in [g1, g2,。..]
Emit(record [g, f], count 1)
class Reducer
method Reduce(record [g, f], counts [n1, n2, 。..])
Emit(record [g, f], null )
第二階段:
class Mapper
method Map(record [f, g], null)
Emit(value g, count 1)
class Reducer
method Reduce(value g, counts [n1, n2,。..])
Emit(value g, sum( [n1, n2,。..] ) )
解決方案 II:
第二種方法只需要一次MapReduce 即可實現,但擴展性不強。算法很簡單-Mapper 輸出值和分類,在Reducer里為每個值對應的分類去重然后給每個所屬的分類計數加1,最后再在Reducer結束后將所有計數加和。這種方法適用于只有有限個分類,而且擁有相同F值的記錄不是很多的情況。例如網絡日志處理和用戶分類,用戶的總數很多,但是每個用戶的事件是有限的,以此分類得到的類別也是有限的。值得一提的是在這種模式下可以在數據傳輸到Reducer之前使用Combiner來去除分類的重復值。
class Mapper
method Map(null, record [value f, categories [g1, g2,。..] )
for all category g in [g1, g2,。..]
Emit(value f, category g)
class Reducer
method Initialize
H = new AssociativeArray : category -》 count
method Reduce(value f, categories [g1, g2,。..])
[g1‘, g2’,。.] = ExcludeDuplicates( [g1, g2,。.] )
for all category g in [g1‘, g2’,。..]
H{g} = H{g} + 1
method Close
for all category g in H do
Emit(category g, count H{g})
應用:
日志分析,用戶計數
互相關
問題陳述:有多個各由若干項構成的組,計算項兩兩共同出現于一個組中的次數。假如項數是N,那么應該計算N*N。
這種情況常見于文本分析(條目是單詞而元組是句子),市場分析(購買了此物的客戶還可能購買什么)。如果N*N小到可以容納于一臺機器的內存,實現起來就比較簡單了。
配對法
第一種方法是在Mapper中給所有條目配對,然后在Reducer中將同一條目對的計數加和。但這種做法也有缺點:
· 使用 combiners 帶來的的好處有限,因為很可能所有項對都是唯一的
· 不能有效利用內存
class Mapper
method Map(null, items [i1, i2,。..] )
for all item i in [i1, i2,。..]
for all item j in [i1, i2,。..]
Emit(pair [i j], count 1)
class Reducer
method Reduce(pair [i j], counts [c1, c2,。..])
s = sum([c1, c2,。..])
Emit(pair[i j], count s)
Stripes Approach(條方法?不知道這個名字怎么理解)
第二種方法是將數據按照pair中的第一項來分組,并維護一個關聯數組,數組中存儲的是所有關聯項的計數。The second approach is to group data by the first item in pair and maintain an associative array (“stripe”) where counters for all adjacent items are accumulated. Reducer receives all stripes for leading item i, merges them, and emits the same result as in the Pairs approach.
· 中間結果的鍵數量相對較少,因此減少了排序消耗。
· 可以有效利用 combiners。
· 可在內存中執行,不過如果沒有正確執行的話也會帶來問題。
· 實現起來比較復雜。
· 一般來說, “stripes” 比 “pairs” 更快
class Mapper
method Map(null, items [i1, i2,。..] )
for all item i in [i1, i2,。..]
H = new AssociativeArray : item -》 counter
for all item j in [i1, i2,。..]
H{j} = H{j} + 1
Emit(item i, stripe H)
class Reducer
method Reduce(item i, stripes [H1, H2,。..])
H = new AssociativeArray : item -》 counter
H = merge-sum( [H1, H2,。..] )
for all item j in H.keys()
Emit(pair [i j], H{j})
應用:
文本分析,市場分析
References:
1. Lin J. Dyer C. Hirst G. Data Intensive Processing MapReduce
用MapReduce 表達關系模式
在這部分我們會討論一下怎么使用MapReduce來進行主要的關系操作。
篩選(Selection)
class Mapper
method Map(rowkey key, tuple t)
if t satisfies the predicate
Emit(tuple t, null)
投影(Projection)
投影只比篩選稍微復雜一點,在這種情況下我們可以用Reducer來消除可能的重復值
class Mapper
method Map(rowkey key, tuple t)
tuple g = project(t) // extract required fields to tuple g
Emit(tuple g, null)
class Reducer
method Reduce(tuple t, array n) // n is an array of nulls
Emit(tuple t, null)
合并(Union)
兩個數據集中的所有記錄都送入Mapper,在Reducer里消重。
class Mapper
method Map(rowkey key, tuple t)
Emit(tuple t, null)
class Reducer
method Reduce(tuple t, array n) // n is an array of one or two nulls
Emit(tuple t, null)
交集(Intersection)
將兩個數據集中需要做交叉的記錄輸入Mapper,Reducer 輸出出現了兩次的記錄。因為每條記錄都有一個主鍵,在每個數據集中只會出現一次,所以這樣做是可行的。
差異(Difference)
假設有兩個數據集R和S,我們要找出R與S的差異。Mapper將所有的元組做上標記,表明他們來自于R還是S,Reducer只輸出那些存在于R中而不在S中的記錄。
class Mapper
method Map(rowkey key, tuple t)
Emit(tuple t, string t.SetName) // t.SetName is either ‘R’ or ‘S’
class Reducer
method Reduce(tuple t, array n) // array n can be [‘R’], [‘S’], [‘R’ ‘S’], or [‘S’, ‘R’]
if n.size() = 1 and n[1] = ‘R’
Emit(tuple t, null)
分組聚合(GroupBy and Aggregation)
分組聚合可以在如下的一個MapReduce中完成。Mapper抽取數據并將之分組聚合,Reducer 中對收到的數據再次聚合。典型的聚合應用比如求和與最值可以以流的方式進行計算,因而不需要同時保有所有的值。但是另外一些情景就必須要兩階段MapReduce,前面提到過的惟一值模式就是一個這種類型的例子。
連接(Joining)
MapperReduce框架可以很好地處理連接,不過在面對不同的數據量和處理效率要求的時候還是有一些技巧。在這部分我們會介紹一些基本方法,在后面的參考文檔中還列出了一些關于這方面的專題文章。
分配后連接 (Reduce端連接,排序-合并連接)
這個算法按照鍵K來連接數據集R和L。Mapper 遍歷R和L中的所有元組,以K為鍵輸出每一個標記了來自于R還是L的元組,Reducer把同一個K的數據分裝入兩個容器(R和L),然后嵌套循環遍歷兩個容器中的數據以得到交集,最后輸出的每一條結果都包含了R中的數據、L中的數據和K。這種方法有以下缺點:
· Mapper要輸出所有的數據,即使一些key只會在一個集合中出現。
· Reducer 要在內存中保有一個key的所有數據,如果數據量打過了內存,那么就要緩存到硬盤上,這就增加了硬盤IO的消耗。
盡管如此,再分配連接方式仍然是最通用的方法,特別是其他優化技術都不適用的時候。
class Mapper
method Map(null, tuple [join_key k, value v1, value v2,。..])
Emit(join_key k, tagged_tuple [set_name tag, values [v1, v2, 。..] ] )
class Reducer
method Reduce(join_key k, tagged_tuples [t1, t2,。..])
H = new AssociativeArray : set_name -》 values
for all tagged_tuple t in [t1, t2,。..] // separate values into 2 arrays
H{t.tag}.add(t.values)
for all values r in H{‘R’} // produce a cross-join of the two arrays
for all values l in H{‘L’}
Emit(null, [k r l] )
復制鏈接Replicated Join (Mapper端連接, Hash 連接)
在實際應用中,將一個小數據集和一個大數據集連接是很常見的(如用戶與日志記錄)。假定要連接兩個集合R和L,其中R相對較小,這樣,可以把R分發給所有的Mapper,每個Mapper都可以載入它并以連接鍵來索引其中的數據,最常用和有效的索引技術就是哈希表。之后,Mapper遍歷L,并將其與存儲在哈希表中的R中的相應記錄連接,。這種方法非常高效,因為不需要對L中的數據排序,也不需要通過網絡傳送L中的數據,但是R必須足夠小到能夠分發給所有的Mapper。
class Mapper
method Initialize
H = new AssociativeArray : join_key -》 tuple from R
R = loadR()
for all [ join_key k, tuple [r1, r2,。..] ] in R
H{k} = H{k}.append( [r1, r2,。..] )
method Map(join_key k, tuple l)
for all tuple r in H{k}
Emit(null, tuple [k r l] )
評論
查看更多