一、什么是MapReduce
首先，将这个单词分解为Map、Reduce。
- Map阶段：在这个阶段，输入数据集被分割成小块，并由多个Map任务处理。每个Map任务将输入数据映射为一系列(key, value)对，并生成中间结果。
- Reduce阶段：在这个阶段，中间结果被重新分组和排序，以便相同key的中间结果被传递到同一个Reduce任务。每个Reduce任务将具有相同key的中间结果合并、计算，并生成最终的输出。
举个例子，在一个很长的字符串中统计某个字符出现的次数。
from collections import defaultdict def mapper(word): return word, 1 def reducer(key_value_pair): key, values = key_value_pair return key, sum(values) def map_reduce_function(input_list, mapper, reducer): ''' - input_list: 字符列表 - mapper: 映射函数，将输入列表中的每个元素映射到一个键值对 - reducer: 聚合函数，将映射结果中的每个键值对聚合到一个键值对 - return: 聚合结果 ''' map_results = map(mapper, input_list) shuffler = defaultdict(list) for key, value in map_results: shuffler[key].append(value) return map(reducer, shuffler.items()) if __name__ == "__main__": words = "python best language".split(" ") result = list(map_reduce_function(words, mapper, reducer)) print(result)
输出结果为
[('python', 1), ('best', 1), ('language', 1)]
但是这里并没有体现出MapReduce的特点。只是展示了MapReduce的运行原理。
二、基于多线程实现MapReduce
from collections import defaultdict import threading class MapReduceThread(threading.Thread): def __init__(self, input_list, mapper, shuffler): super(MapReduceThread, self).__init__() self.input_list = input_list self.mapper = mapper self.shuffler = shuffler def run(self): map_results = map(self.mapper, self.input_list) for key, value in map_results: self.shuffler[key].append(value) def reducer(key_value_pair): key, values = key_value_pair return key, sum(values) def mapper(word): return word, 1 def map_reduce_function(input_list, num_threads): shuffler = defaultdict(list) threads = [] chunk_size = len(input_list) // num_threads for i in range(0, len(input_list), chunk_size): chunk = input_list[i:i+chunk_size] thread = MapReduceThread(chunk, mapper, shuffler) thread.start() threads.append(thread) for thread in threads: thread.join() return map(reducer, shuffler.items()) if __name__ == "__main__": words = "python is the best language for programming and python is easy to learn".split(" ") result = list(map_reduce_function(words, num_threads=4)) for i in result: print(i)
这里的本质一模一样，将字符串分割为四份，并且分发这四个字符串到不同的线程执行，最后将执行结果归约。只不过由于Python的GIL机制，导致Python中的线程是并发执行的，而不能实现并行，所以在python中使用线程来实现MapReduce是不合理的。（GIL机制：抢占式线程，不能在同一时间运行多个线程）。
三、基于多进程实现MapReduce
由于Python中GIL机制的存在，无法实现真正的并行。这里有两种解决方案，一种是使用其他语言，例如C语言，这里我们不考虑；另一种就是利用多核，CPU的多任务处理能力。
from collections import defaultdict import multiprocessing def mapper(chunk): word_count = defaultdict(int) for word in chunk.split(): word_count[word] += 1 return word_count def reducer(word_counts): result = defaultdict(int) for word_count in word_counts: for word, count in word_count.items(): result[word] += count return result def chunks(lst, n): for i in range(0, len(lst), n): yield lst[i:i + n] def map_reduce_function(text, num_processes): chunk_size = (len(text) + num_processes - 1) // num_processes chunks_list = list(chunks(text, chunk_size)) with multiprocessing.Pool(processes=num_processes) as pool: word_counts = pool.map(mapper, chunks_list) result = reducer(word_counts) return result if __name__ == "__main__": text = "python is the best language for programming and python is easy to learn" num_processes = 4 result = map_reduce_function(text, num_processes) for i in result: print(i, result[i])
这里使用多进程来实现MapReduce，这里就是真正意义上的并行，依然是将数据切分，采用并行处理这些数据，这样才可以体现出MapReduce的高效特点。但是在这个例子中可能看不出来很大的差异，因为数据量太小。在实际应用中，如果数据集太小，是不适用的，可能无法带来任何收益，甚至产生更大的开销导致性能的下降。
四、在100GB的文件中检索数据
这里依然使用MapReduce的思想，但是有两个问题
- 文件太大，读取速度慢
解决方法：使用分块读取，但是在分区时不宜过小。因为在创建分区时会被序列化到进程，在进程中又需要将其解开，这样反复的序列化和反序列化会占用大量时间。不宜过大，因为这样创建的进程会变少，可能无法充分利用CPU的多核能力。
- 文件太大，内存消耗特别大
解决方法：使用生成器和迭代器，但需获取。例如分块为8块，生成器会一次读取一块的内容并且返回对应的迭代器，以此类推，这样就避免了读取内存过大的问题。
from datetime import datetime import multiprocessing def chunked_file_reader(file_path:str, chunk_size:int): """ 生成器函数：分块读取文件内容 - file_path: 文件路径 - chunk_size: 块大小,默认为1MB """ with open(file_path, 'r', encoding='utf-8') as file: while True: chunk = file.read(chunk_size) if not chunk: break yield chunk def search_in_chunk(chunk:str, keyword:str): """在文件块中搜索关键字 - chunk: 文件块 - keyword: 要搜索的关键字 """ lines = chunk.split('\n') for line in lines: if keyword in line: print(f"找到了:", line) def search_in_file(file_path:str, keyword:str, chunk_size=1024*1024): """在文件中搜索关键字 file_path: 文件路径 keyword: 要搜索的关键字 chunk_size: 文件块大小,为1MB """ with multiprocessing.Pool() as pool: for chunk in chunked_file_reader(file_path, chunk_size): pool.apply_async(search_in_chunk, args=(chunk, keyword)) if __name__ == "__main__": start = datetime.now() file_path = "file.txt" keyword = "张三" search_in_file(file_path, keyword) end = datetime.now() print(f"搜索完成，耗时 {end - start}")
最后程序运行时间为两分钟左右。
作者：changwan
