数极客首页

生活中的大数据技术:Map-Reduce的直观解释

映射-归约(Map-Reduce)是谷歌多年前推出的建立海量数据索引的方法,有人说它是里程碑性的技术。而理解“映射-归约”,又是理解更时髦的Hadoop和Spark等大数据技术的基础。一位作管理的朋友说,虽看过一些大数据相关文章,但对“映射-归约”的体验很不踏实,最先在网上,也曾在云里, 而今却在雾中;鼓励我写一篇科普文章,以便能让非计算机专业朋友了解梗概。

其实,在谷歌之前,人们就不知不觉地用了映射-归约技术,如机场分发登机牌,银行取号排队,流水作业阅卷,不过,要说清楚“映射向何方,归约在何处”,还有一点挑战,Let me try。

1 搜索引擎有多快

本文将三次用到飞机航班相关的实例,在百度(或谷歌)查询栏中输入”CA1209”,不到一秒钟,百度给出200个结果,分成20多页呈现,其中前几页是比较靠谱的,为后面叙述方便,不妨把这200个结果页面记为p1,p2,…,p200。 ?

2 为什么快?养兵千日的倒排索引

搜索网站服务器中有这样一个索引,类似于规范的科技书籍之书末索引,其特点是一关键字对多个标号(或页码),又称为倒排表,其中航班“CA1209”这一项关键字,对应了百度列出的200条信息p1,p2,…,p200.

百度在回答查询时,一秒钟送出这些现成的p1,p2,…..,p200。不过是小菜一碟的用兵一时。

而这个倒排索引是由若干万台电脑(或CPU)以365×24方式,夜以继日做出来的结果,真是养兵千日。

关键字
包含关键字的页面队列
……
航班CA1209
P1,p2,…..,p200
…….
…….

3 大数据环境下,倒排索引有多难

设某搜索引擎每天新增1亿篇网文,考虑到网文中有些太平凡的字词(停用词,Stop Word)不适合做关键字,如 “的”、“地”、“得”、“不但”、“而且”,等等,每个网页平均有效关键字按100估算,要做完一天新增网页的倒排表,用笨方法,需要读扫描1亿网页,写处理100亿词汇,然后记录下所有如下的对子:

<关键字,所在页面>

再加以整理,去重、合并、压缩,这需要用多少个CPU小时!需要多大的空间!

谷歌在创业之初,提出了一个从海量文档中做倒排索引的聪明方法–Map-Reduce(映射-归约),正是它,协调若干万台电脑,并行计算,完成了倒排表的构建与维护,使谷歌在求多求快的竞争中立于不败之地。

下面用机场办理登机牌的例子来说明。

4 机场登机牌分发中的映射-归约

乘客在首都机场办理登机手续时,会经过三次映射(三次映射的复合还是映射)和一次归约。

4.1 第一次映射,分而治之,进入首都机场候机大厅,乘客会看到如下的液晶屏:

这屏信息,提示乘客按航班分流,例如航班CA1209是在K0—K14号的15个值机台办理登机牌;分而治之,缩小了数据规模,这是古代政治家治理国家的经典策略,也是如今处理大数据朴素方法。

4.2 第二次映射,把乘客分到值机台

下图展示了首都机场K0–K14值机台办理登机牌的情况。为保护隐私,故意把图片做了模糊化处理。

右边是乘客队列(相当于第3段例子中的每天新增的1亿个网页)。在中间,一位机场人员把乘客分成组(例如15人一组),一次进入一组,分到15个值机柜台,引导加上乘客趋短避长的心态,保证了各个小队列长度大致平衡。

4.3 第三次映射,把乘客映射到《航班,座号》

柜台处理包括验看证件,发放登机牌,把乘客分到了航班上,并给托运行李挂上航班标签。

设在多个值机台的并行工作下,证件号为 1,3,5的乘客,分到了航班 CA1209,而证件号为 2,4,6的乘客,分到了航班 3U8882,于是,得到了下列《乘客,航班号,座号》三元组:

《1,CA1209,1排A》, ?《3,CA1209,2排B》, 《3,CA1209,3排C》,

《2,3U8882,5排A》, 《4,3U8882,7排B》, ?《6,3U8882,2排C》,

至此,并行地完成了这6位乘客的第三次映射 。

4.4 ?归约成为倒排表

把上述映射的结果按航班合并、约简,成为便于使用的如下形式,即倒排表:

关键字乘客证件号及其座号 队列
…………
航班CA12091(1排A),3(2排B),5(3排C)……
航班3U88822(5排A),4(7排B),6(2排C)……
…………

这一步骤,把同一航班的乘客归到一起,例如,1,3,5出现在倒排表中CA1208这一行右边,对乘客而言,是归类,对信息而言,是约简, 把这一动作称为归约(reduce),是再合适不过了。

登机牌在该航班起飞前半小时将停办,对应倒排表停止变化,把乘客按某指标(通常关注重要程度)排序,被分发到该航班和机场、保险公司等相关部门。

此外,用多个 单关键字的倒排索引作交集,可以得到多关键字的倒排索引。

4.5 倒排表帮助改善服务 ?上述倒排索引能帮助机组人员知道登机人数与座位,改善服务,例如能叫出头等舱客户和金卡客户的姓名、且服务到座位,就显得格外温馨和谐。

如有突发事件发生,作为“处突”依据,例如,马航官方能在突发事件后很快查出MH370的乘客信息。

综上所述,办理登机牌的全过程可以表达为下列经典的Map-Reduce图,这个图大致反映了并行地映射-归约的流向,但未表达4.3节描述的归约细节,用于科普,勉强够了。

从乘客组映射到值机台再映射到《航班,座号》, s s s s ?从《乘客,航班,座号》归约到(航班 ,乘客1,乘客2,…)

现在的互联网搜索引擎,倒排表中机理大致如上,但数量增大若干个数量级,相当于在上图中的乘客组有几千万, ?值机台(CPU)有100万, 而航班(倒排索引项)是几万-几十万。

需要说明,这只是为了说明‘映射-归约”机制而编的例子,真实的机场工作机制要复杂得多。

5 ?安检时的映射-归约,

在首都机场,可以看到,在安检时,还有一次Map-Reduce过程, 源源不断的乘客乘坐扶梯下到安检大厅,

Map: 一位安检人员指引乘客,分流到个安检口;

Reduce:安检后,分成若干类:大部分归约为PASS 类,部分乘客有不合适行李,要做处理,自弃,留存,安检人员会对应机票,身份证作相应记录,….

6 流水作业方式阅卷中的映射归约

真实的高考涉及若干政策问题,比较复杂;只有一个评阅人的阅卷有没有并行,不适合做映射-归约的用例。下面考虑一个学院中某一课程的期末考试试卷处理,为公平和高效,阅卷普遍采用流水作业方式,一位阅卷人评阅一组题,然后总计分数;要求给出如下的分数段倒排表:

分数段学号队列
90-100S1,S2,…
80-89?…
70-79?…
60-69?…
50-59?…
0-49?…

映射阶段:把答卷片组分给承担任务的阅卷人,(就像把乘客组分到值机台)

归约预处理阶段:阅卷人阅承担的片段,汇总片段所得总分;(就像值机台把乘客分到航班,并发登机牌)

归约后处理阶段:与登机牌处理的不同点,在归约算法中适当地方,增加一道汇总试卷总分,并且归约到分数段。写入倒排表。

这个例子仅仅是为了说明,在人们熟悉的流水阅卷过程中,包含了Map-Reduce的深刻机理;?在这个意义上可以说,大数据技术也是源于生活,服务于生活的。

7 小样启发思考,映射-归约技术要点

上面的例子在思路上还真是Map-Reduce(不仅仅是比喻),虽然还只是“小样”,但事不同而理同。能启发我们的思考。

大数据中的映射-归约有下列要点:

1. 目标:完成某一类计算,典型实例之一是生成某个关键字上的倒排索引;

2. 对象:PB级的数据,例如来自云、来自分布式文件系统的文档。

3. 并行处理,多个(几百—几十万个,甚至更多)处理单元(电脑,CPU,人员);

4 ?有序:在机场,车站,当客户增加,仅仅增加服务台来做归约(Reduce),常常不够有序,增加一个映射(Map)机制,把被处理对象分配到处理单元,是不可少的环节。春运中人们更体会到这一条。

5 多层映射,多层归约 ;在首都机场我们看到了映射有三层,第一次映射到值机台分区,分而治之;第二次次到值机台,第三次映射到《乘客,航班号,座号》三元组;根据实际情况,归约也可以是多层次的。

这里也要强调,小样和真实还有差距,量变超过了一定阈值,会引发质变,这一点在实践中必须注意。

还有两个例子,根据经验,做为练习题效果更好,

习题1 ?大型会议接送VIP客人

大型会议中VIP客人(特邀报告人, 著名学者等)较多。接送小组把航班火车信息收集工作落实到人,一人包几位VIP,然后把接送任务分发给接送车辆司机,请画出映射-归约图。

提示:对比登记牌例子,接送小组相当于中的值机台,而接送车辆相当于航班。

习题2 ?大型会议报告分会安排
大型会议有众多论文,按内容分类,需要在不同时间地点的不同分会报告,请画出映射-归约图。
提示 s ?提示:对比登记牌例子,内容类别相当于值机台,分会相当于航班。

作者:唐常杰,四川大学,计算机学院,教授

发表评论

评论已关闭。

相关文章