大数据是使用工具和技术处理大量和复杂数据集合的术语。能够处理大量数据的技术称为 MapReduce 。

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   ... 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  ... 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 ./ dat a.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 prices
set terminal png
set output "chart.jpg"
set style data lines
set nokey
set grid
set 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。