MapReduce海量數(shù)據(jù)并行處理ch.02

Ch.2.MapReduce簡介南京大學(xué)計算機科學(xué)與技術(shù)系主講人：黃宜華2011年春季學(xué)期MapReduce海量數(shù)據(jù)并行處理鳴謝：本課程得到Google公司(北京）中國大學(xué)合作部精品課程計劃資助Ch.2.

MapReduce簡介1.對付大數(shù)據(jù)處理-分而治之2.構(gòu)建抽象模型-Map和Reduce3.上升到構(gòu)架-自動并行化并隱藏低層細節(jié)4.MapReduce的主要設(shè)計思想和特征大規(guī)模數(shù)據(jù)處理時，MapReduce在三個層面上的基本構(gòu)思如何對付大數(shù)據(jù)處理：分而治之

對相互間不具有計算依賴關(guān)系的大數(shù)據(jù)，實現(xiàn)并行最自然的辦法就是采取分而治之的策略上升到抽象模型：Mapper與Reducer

MPI等并行計算方法缺少高層并行編程模型，為了克服這一缺陷，MapReduce借鑒了Lisp函數(shù)式語言中的思想，用Map和Reduce兩個函數(shù)提供了高層的并行編程抽象模型上升到構(gòu)架：統(tǒng)一構(gòu)架，為程序員隱藏系統(tǒng)層細節(jié)

MPI等并行計算方法缺少統(tǒng)一的計算框架支持，程序員需要考慮數(shù)據(jù)存儲、劃分、分發(fā)、結(jié)果收集、錯誤恢復(fù)等諸多細節(jié)；為此，MapReduce設(shè)計并提供了統(tǒng)一的計算框架，為程序員隱藏了絕大多數(shù)系統(tǒng)層面的處理細節(jié)什么樣的計算任務(wù)可進行并行化計算？

并行計算的第一個重要問題是如何劃分計算任務(wù)或者計算數(shù)據(jù)以便對劃分的子任務(wù)或數(shù)據(jù)塊同時進行計算。

但一些計算問題恰恰無法進行這樣的劃分！

Ninewomencannothaveababyinonemonth!例如：Fibonacci函數(shù):Fk+2=Fk+Fk+1

前后數(shù)據(jù)項之間存在很強的依賴關(guān)系！只能串行計算！

結(jié)論：不可分拆的計算任務(wù)或相互間有依賴關(guān)系的數(shù)據(jù)無法進行并行計算！1.如何對付大數(shù)據(jù)處理：分而治之大數(shù)據(jù)的并行化計算一個大數(shù)據(jù)若可以分為具有同樣計算過程的數(shù)據(jù)塊，并且這些數(shù)據(jù)塊之間不存在數(shù)據(jù)依賴關(guān)系，則提高處理速度的最好辦法就是并行計算例如：假設(shè)有一個巨大的2維數(shù)據(jù)需要處理(比如求每個元素的開立方)，其中對每個元素的處理是相同的,并且數(shù)據(jù)元素間不存在數(shù)據(jù)依賴關(guān)系,可以考慮不同的劃分方法將其劃分為子數(shù)組,由一組處理器并行處理

如何對付大數(shù)據(jù)處理：分而治之大數(shù)據(jù)的并行化計算

如何對付大數(shù)據(jù)處理：分而治之合并Master：負責(zé)劃分和分配任務(wù)Workder：負責(zé)數(shù)據(jù)塊計算大數(shù)據(jù)任務(wù)劃分和并行計算模型

如何對付大數(shù)據(jù)處理：分而治之大數(shù)據(jù)計算任務(wù)子任務(wù)子任務(wù)子任務(wù)子任務(wù)……任務(wù)劃分計算結(jié)果結(jié)果合并借鑒函數(shù)式設(shè)計語言Lisp的設(shè)計思想函數(shù)式程序設(shè)計(functionalprogramming)語言Lisp是一種列表處理語言(Listprocessing)，是一種應(yīng)用于人工智能處理的符號式語言，由MIT的人工智能專家、圖靈獎獲得者JohnMcCarthy于1958年設(shè)計發(fā)明。Lisp定義了可對列表元素進行整體處理的各種操作，如：

如：(add#(1234)#(4321))將產(chǎn)生結(jié)果：

#(5555)Lisp中也提供了類似于Map和Reduce的操作

如:(map‘vector#+#(12345)#(1011121314))

通過定義加法map運算將2個向量相加產(chǎn)生結(jié)果#(1113151719)

(reduce#’+#(1113151719))通過加法歸并產(chǎn)生累加結(jié)果75

2.構(gòu)建抽象模型：Map與ReduceMap:對一組數(shù)據(jù)元素進行某種重復(fù)式的處理Reduce:對Map的中間結(jié)果進行某種進一步的結(jié)果整理MPI中的數(shù)據(jù)規(guī)約操作ReduceMPI規(guī)約操作編程示例—計算積分(參見Ch.1)

for(i=myid;i<N;i=i+numprocs)/*根據(jù)節(jié)點數(shù)目將N個矩形分為圖示的多個顏色組*/

{/*每個節(jié)點計算一個顏色組的矩形面積并累加*/

x=a+i*dx+dx/2;/*以每個矩形的中心點x值計算矩形高度*/local+=x*x*dx;/*矩形面積=高度x寬度=y*dx*/}

MPI_Reduce(&local,&inte,1,MPI_DOUBLE,MPI_SUM,0,MPI_COMM_WORLD);

if(myid==0)/*規(guī)約所有節(jié)點上的累加和并送到主節(jié)點0*/

{/*主節(jié)點打印累加和*/

printf("Theintegalofx*xinregion[%d,%d]=%16.15f\n",a,b,inte);

}

MPI_Finalize();

}Theintegal

ofx*xinregion[0,10]=33.33345構(gòu)建抽象模型：Map與Reduce構(gòu)建抽象模型：Map與ReduceMPI中的數(shù)據(jù)規(guī)約操作Reduce

將一組進程的數(shù)據(jù)按照指定的操作方式規(guī)約到一起并傳送給一個進程

MPI_Reduce(sendbuf,recvbuf,count,datatype,op,root,comm)其中規(guī)約操作op可設(shè)為下表定義的操作之一：MPI_MAX 求最大值 MPI_MIN 求最小值MPI_SUM 求和 MPI_PROD 求積MPI_LAND 邏輯與 MPI_BAND 按位與MPI_LOR 邏輯或 MPI_BOR 按位或MPI_LXOR 邏輯異或 MPI_BXOR 按位異或MPI_MAXLOC最大值和位置 MPI_MINLOC 最小值和位置不足：僅能處理以上規(guī)定的規(guī)約操作，

不能實現(xiàn)靈活復(fù)雜的規(guī)約操作！構(gòu)建抽象模型：Map與Reduce

關(guān)系數(shù)據(jù)庫中的聚合函數(shù)

對一個查詢操作的結(jié)果列表中的字段表達式進行聚合操作

selectOrder_ID,Payment=SUM(Price*Quantity)groupbyOrder_ID

Sum() 計算表達式所有值之和 Avg() 計算表達式的平均值 Count(*) 計算某字段中所有值的個數(shù) Min() 計算表達式的最小值 Max() 計算表達式的最大值Order_IDItemPriceQuantity1電腦500021打印機400011硬盤80032電腦600012硬盤6002查詢結(jié)果：Orde_IDPayment

116400

(5000*2+4000*1+800*3)

27200(6000*1+600*2)數(shù)據(jù)庫中的這些聚合函數(shù)類似于對表格數(shù)據(jù)進行的Reduce操作典型的流式大數(shù)據(jù)問題的特征大量數(shù)據(jù)記錄/元素進行重復(fù)處理對每個數(shù)據(jù)記錄/元素作感興趣的處理、獲取感興趣的中間結(jié)果信息排序和整理中間結(jié)果以利后續(xù)處理收集整理中間結(jié)果產(chǎn)生最終結(jié)果輸出構(gòu)建抽象模型：Map與ReduceMapReduce關(guān)鍵思想：為大數(shù)據(jù)處理過程中的兩個主要處理操作

提供一種抽象機制MapReduce中的Map和Reduce操作的抽象描述

MapReduce借鑒了函數(shù)式程序設(shè)計語言Lisp中的思想，定義了如下的Map和Reduce兩個抽象的編程接口，由用戶去編程實現(xiàn):map:(k1;v1)

[(k2;v2)]輸入：鍵值對(k1;v1)表示的數(shù)據(jù)處理：文檔數(shù)據(jù)記錄(如文本文件中的行，或數(shù)據(jù)表格中的行)將以“鍵值對”形式傳入map函數(shù)；map函數(shù)將處理這些鍵值對，并以另一種鍵值對形式輸出處理的一組鍵值對中間結(jié)果[(k2;v2)]輸出：鍵值對[(k2;v2)]表示的一組中間數(shù)據(jù)構(gòu)建抽象模型：Map與ReduceMapReduce中的Map和Reduce操作的抽象描述

reduce:(k2;[v2])

[(k3;v3)]輸入：

由map輸出的一組鍵值對[(k2;v2)]將被進行合并處理將同樣主鍵下的不同數(shù)值合并到一個列表[v2]中，故reduce的輸入為(k2;[v2])處理：對傳入的中間結(jié)果列表數(shù)據(jù)進行某種整理或進一步的處理,并產(chǎn)生最終的某種形式的結(jié)果輸出[(k3;v3)]。輸出：最終輸出結(jié)果[(k3;v3)]Map和Reduce為程序員提供了一個清晰的操作接口抽象描述構(gòu)建抽象模型：Map與Reduce基于Map和Reduce的并行計算模型構(gòu)建抽象模型：Map與Reduce海量數(shù)據(jù)存儲……數(shù)據(jù)劃分MapMapMapMap初始kv鍵值對初始kv鍵值對初始kv鍵值對初始kv鍵值對中間結(jié)果(k1,val)(k2,val)(k3,val)(k1,val)(k3,val)(k2,val)(k3,val)(k1,val)(k2,val)(k3,val)Barrier：AggregationandShuffleReduceReduceReduce(k1,values)(k2,values)(k3,values)計算結(jié)果(K1,val)(K2,val)(K3,val)基于Map和Reduce的并行計算模型各個map函數(shù)對所劃分的數(shù)據(jù)并行處理，從不同的輸入數(shù)據(jù)產(chǎn)生不同的中間結(jié)果輸出各個reduce也各自并行計算，各自負責(zé)處理不同的中間結(jié)果數(shù)據(jù)集合進行reduce處理之前,必須等到所有的map函數(shù)做完，因此,在進入reduce前需要有一個同步障(barrier);這個階段也負責(zé)對map的中間結(jié)果數(shù)據(jù)進行收集整理(aggregation&shuffle)處理,以便reduce更有效地計算最終結(jié)果最終匯總所有reduce的輸出結(jié)果即可獲得最終結(jié)果構(gòu)建抽象模型：Map與Reduce基于MapReduce的處理過程示例--文檔詞頻統(tǒng)計：WordCount設(shè)有4組原始文本數(shù)據(jù)：Text1:theweatherisgoodText2:todayisgoodText3:goodweatherisgoodText4:today

hasgoodweather傳統(tǒng)的串行處理方式(Java)：

String[]text=newString[]{“helloworld”,“helloeveryone”,“sayhellotoeveryoneintheworld”｝;HashTableht=newHashTable();for(i=0;i<3;++i){StringTokenizerst=newStringTokenizer(text[i]);while(st.hasMoreTokens()){Stringword=st.nextToken();if(!ht.containsKey(word)){ht.put(word,newInteger(1));}else{intwc=((Integer)ht.get(word)).intValue()+1;//計數(shù)加1ht.put(word,newInteger(wc));}}}for(Iteratoritr=ht.KeySet().iterator();itr.hasNext();){Stringword=(String)itr.next();System.out.print(word+“:”+(Integer)ht.get(word)+“;”);}構(gòu)建抽象模型：Map與Reduce輸出：good:5;has:1;is:3;the:1;today:2;weather:3基于MapReduce的處理過程示例--文檔詞頻統(tǒng)計：WordCountMapReduce處理方式使用4個map節(jié)點：map節(jié)點1:

輸入：(text1,“theweatherisgood”)

輸出：(the,1),(weather,1),(is,1),(good,1)map節(jié)點2:

輸入：(text2,“todayisgood”)

輸出：(today,1),(is,1),(good,1)map節(jié)點3:

輸入：(text3,“goodweatherisgood”)

輸出：(good,1),(weather,1),(is,1),(good,1)map節(jié)點4:

輸入：(text3,“todayhasgoodweather”)

輸出：(today,1),(has,1),(good,1),(weather,1)構(gòu)建抽象模型：Map與Reduce基于MapReduce的處理過程示例--文檔詞頻統(tǒng)計：WordCountMapReduce處理方式使用3個reduce節(jié)點：reduce節(jié)點1:

輸入：(good,1),(good,1),(good,1),(good,1),(good,1)

輸出：(good,5)reduce節(jié)點2:

輸入：(has,1),(is,1),(is,1),(is,1),

輸出：(has,1),(is,3)reduce節(jié)點3:

輸入：(the,1),(today,1),(today,1)(weather,1),(weather,1),(weather,1)

輸出：(the,1),(today,2),(weather,3)構(gòu)建抽象模型：Map與Reduce輸出：good:5is:3has:1the:1today:2weather:3基于MapReduce的處理過程示例--文檔詞頻統(tǒng)計：WordCountMapReduce處理方式MapReduce偽代碼(實現(xiàn)Map和Reduce兩個函數(shù))：構(gòu)建抽象模型：Map與ReduceClassMappermethodmap(Stringinput_key,Stringinput_value):

//input_key:textdocumentname//input_value:documentcontents

foreachwordwininput_value:

EmitIntermediate(w,"1");ClassReducermethodreduce(Stringoutput_key,Iteratorintermediate_values):

//output_key:aword//output_values:alistofcounts

intresult=0;

foreachvinintermediate_values:result+=ParseInt(v);

Emit(AsString(result));如何提供統(tǒng)一的計算框架主要需求和目標：實現(xiàn)自動并行化計算為程序員隱藏系統(tǒng)層細節(jié)需要考慮的細節(jié)技術(shù)問題：如何管理和存儲數(shù)據(jù)？如何劃分數(shù)據(jù)？如何調(diào)度計算任務(wù)并分配map和reduce節(jié)點？如果節(jié)點間需要共享或交換數(shù)據(jù)怎么辦？如何考慮數(shù)據(jù)通信和同步？如何掌控節(jié)點的執(zhí)行完成情況？如何收集中間和最終的結(jié)果數(shù)據(jù)？節(jié)點失效如何處理？如何恢復(fù)數(shù)據(jù)？如何恢復(fù)計算任務(wù)？節(jié)點擴充后如何保證原有程序仍能正常運行并保證系統(tǒng)性能提升？問題：我們能把這些細節(jié)和復(fù)雜性交給系統(tǒng)去負責(zé)處理嗎？3.上升到構(gòu)架:自動并行化并隱藏底層細節(jié)如何提供統(tǒng)一的計算框架答案：MapReduce之前的并行計算方法都未能做到

但MapReduce做到了！MapReduce提供一個統(tǒng)一的計算框架，可完成：計算任務(wù)的劃分和調(diào)度數(shù)據(jù)的分布存儲和劃分處理數(shù)據(jù)與計算任務(wù)的同步結(jié)果數(shù)據(jù)的收集整理(sorting,combining,partitioning,…)系統(tǒng)通信、負載平衡、計算性能優(yōu)化處理處理系統(tǒng)節(jié)點出錯檢測和失效恢復(fù)上升到構(gòu)架：自動化并行并隱藏低層細節(jié)如何提供統(tǒng)一的計算框架MapReduce最大的亮點通過抽象模型和計算框架把需要做什么(whatneedtodo)與具體怎么做(howtodo)分開了，為程序員提供一個抽象和高層的編程接口和框架程序員僅需要關(guān)心其應(yīng)用層的具體計算問題，僅需編寫少量的處理應(yīng)用本身計算問題的程序代碼如何具體完成這個并行計算任務(wù)所相關(guān)的諸多系統(tǒng)層細節(jié)被隱藏起來,交給計算框架去處理：從分布代碼的執(zhí)行，到大到數(shù)千小到單個節(jié)點集群的自動調(diào)度使用上升到構(gòu)架：自動化并行并隱藏低層細節(jié)如何提供統(tǒng)一的計算框架MapReduce提供的主要功能*任務(wù)調(diào)度：提交的一個計算作業(yè)(job)將被劃分為很多個計算任務(wù)(tasks),任務(wù)調(diào)度功能主要負責(zé)為這些劃分后的計算任務(wù)分配和調(diào)度計算節(jié)點(map節(jié)點或reducer節(jié)點);同時負責(zé)監(jiān)控這些節(jié)點的執(zhí)行狀態(tài),并負責(zé)map節(jié)點執(zhí)行的同步控制(barrier);也負責(zé)進行一些計算性能優(yōu)化處理,如對最慢的計算任務(wù)采用多備份執(zhí)行、選最快完成者作為結(jié)果數(shù)據(jù)/代碼互定位：為了減少數(shù)據(jù)通信，一個基本原則是本地化數(shù)據(jù)處理(locality)，即一個計算節(jié)點盡可能處理其本地磁盤上所分布存儲的數(shù)據(jù)，這實現(xiàn)了代碼向數(shù)據(jù)的遷移；當無法進行這種本地化數(shù)據(jù)處理時，再尋找其它可用節(jié)點并將數(shù)據(jù)從網(wǎng)絡(luò)上傳送給該節(jié)點(數(shù)據(jù)向代碼遷移)，但將盡可能從數(shù)據(jù)所在的本地機架上尋找可用節(jié)點以減少通信延遲上升到構(gòu)架：自動化并行并隱藏低層細節(jié)*CitefromJimmyLin,University

ofMaryland,Data-IntensiveTextprocessingwithMapReduce如何提供統(tǒng)一的計算框架MapReduce提供的主要功能出錯處理：以低端商用服務(wù)器構(gòu)成的大規(guī)模MapReduce計算集群中,節(jié)點硬件(主機、磁盤、內(nèi)存等)出錯和軟件有bug是常態(tài)，因此,MapReducer需要能檢測并隔離出錯節(jié)點，并調(diào)度分配新的節(jié)點接管出錯節(jié)點的計算任務(wù)分布式數(shù)據(jù)存儲與文件管理：海量數(shù)據(jù)處理需要一個良好的分布數(shù)據(jù)存儲和文件管理系統(tǒng)支撐,該文件系統(tǒng)能夠把海量數(shù)據(jù)分布存儲在各個節(jié)點的本地磁盤上,但保持整個數(shù)據(jù)在邏輯上成為一個完整的數(shù)據(jù)文件；為了提供數(shù)據(jù)存儲容錯機制,該文件系統(tǒng)還要提供數(shù)據(jù)塊的多備份存儲管理能力Combiner和Partitioner:為了減少數(shù)據(jù)通信開銷,中間結(jié)果數(shù)據(jù)進入reduce節(jié)點前需要進行合并(combine)處理,把具有同樣主鍵的數(shù)據(jù)合并到一起避免重復(fù)傳送;一個reducer節(jié)點所處理的數(shù)據(jù)可能會來自多個map節(jié)點,因此,map節(jié)點輸出的中間結(jié)果需使用一定的策略進行適當?shù)膭澐?partitioner)處理，保證相關(guān)數(shù)據(jù)發(fā)送到同一個reducer節(jié)點上升到構(gòu)架：自動化并行并隱藏低層細節(jié)Barrier(good,1)(good,1)(good,2)(good,1)PartitionerPartitionerPartitionerPartitioner(is,1)(is,1)(is,1)(has,1)(weather,1)(weather,1)(weather,1)(the,1)(today,1)(today,1)基于Map和Reduce的并行計算模型構(gòu)建抽象模型：Map與Reduce海量數(shù)據(jù)存儲計算結(jié)果……數(shù)據(jù)劃分Map初始kv鍵值對初始kv鍵值對初始kv鍵值對初始kv鍵值對MapMapMap中間結(jié)果(the,1)(weather,1)(is,1)(good,1)CombinerCombinerCombinerCombiner(the,1)(weather,1)(is,1)(good,1)(today,1)(is,1)(good,1)(good,1)(weather,1)(is,1)(good,1)(today,1)(has,1)(good,1)(weather,1)(today,1)(is,1)(good,1)(good,2)(weather,1)(is,1)(today,1)(has,1)(good,1)(weather,1)ReduceReduceReduce(good,5)(is,3)(has,1)(weather,3)(the,1)(today,2)Combiner和Partitioner4.MapReduce的主要設(shè)計思想與特點*

向“外”橫向擴展，而非向“上”縱向擴展

Scale“out",not“up”

即MapReduce集群的構(gòu)筑選用價格便宜、易于擴展的大量低端商用服務(wù)器，而非價格昂貴、不易擴展的高端服務(wù)器（SMP）低端服務(wù)器市場與高容量DesktopPC有重疊的市場，因此，由于相互間價格的競爭、可互換的部件、和規(guī)模經(jīng)濟效應(yīng)，使得低端服務(wù)器保持較低的價格基于TPC-C在2007年低的性能評估結(jié)果,一個低端服務(wù)器平臺與高端的共享存儲器結(jié)構(gòu)的服務(wù)器平臺相比,其性價比大約要高4倍;如果把外存價格除外,低端服務(wù)器性價比大約提高12倍對于大規(guī)模數(shù)據(jù)處理，由于有大量數(shù)據(jù)存儲需要，顯而易見，基于低端服務(wù)器的集群遠比基于高端服務(wù)器的集群優(yōu)越，這就是為什么MapReduce并行計算集群會基于低端服務(wù)器實現(xiàn)*CitefromJimmyLin,University

ofMaryland,Data-IntensiveTextprocessingwithMapReduceMapReduce的主要設(shè)計思想與特點

失效被認為是常態(tài)

AssumefailuresarecommonMapReduce集群中使用大量的低端服務(wù)器(Google目前在全球共使用百萬臺以上的服務(wù)器節(jié)點),因此，節(jié)點硬件失效和軟件出錯是常態(tài)，因而：一個良好設(shè)計、具有容錯性的并行計算系統(tǒng)不能因為節(jié)點失效而影響計算服務(wù)的質(zhì)量，任何節(jié)點失效都不應(yīng)當導(dǎo)致結(jié)果的不一致或不確定性；任何一個節(jié)點失效時，其它節(jié)點要能夠無縫接管失效節(jié)點的計算任務(wù)；當失效節(jié)點恢復(fù)后應(yīng)能自動無縫加入集群，而不需要管理員人工進行系統(tǒng)配置MapReduce并行計算軟件框架使用了多種有效的機制，如節(jié)點自動重啟技術(shù)，使集群和計算框架具有對付節(jié)點失效的健壯性，能有效處理失效節(jié)點的檢測和恢復(fù)。

把處理向數(shù)據(jù)遷移

Movingprocessingtothedata傳統(tǒng)高性能計算系統(tǒng)通常有很多處理器節(jié)點與一些外存儲器節(jié)點相連，如用區(qū)域存儲網(wǎng)絡(luò)(SAN,StorageAreaNetwork)連接的磁盤陣列，因此，大規(guī)模數(shù)據(jù)處理時外存文件數(shù)據(jù)I/O訪問會成為一個制約系統(tǒng)性能的瓶頸。為了減少大規(guī)模數(shù)據(jù)并行計算系統(tǒng)中的數(shù)據(jù)通信開銷，代之以把數(shù)據(jù)傳送到處理節(jié)點(數(shù)據(jù)向處理器或代碼遷移)，應(yīng)當考慮將處理向數(shù)據(jù)靠攏和遷移。MapReduce采用了數(shù)據(jù)/代碼互定位的技術(shù)方法，計算節(jié)點將首先將盡量負責(zé)計算其本地存儲的數(shù)據(jù),以發(fā)揮數(shù)據(jù)本地化特點(locality),僅當節(jié)點無法處理本地數(shù)據(jù)時，再采用就近原則尋找其它可用計算節(jié)點，并把數(shù)據(jù)傳送到該可用計算節(jié)點。MapReduce的主要設(shè)計思想與特點

順序處理數(shù)據(jù)、避免隨機訪問數(shù)據(jù)

Processdatasequentiallyandavoidrandomaccess大規(guī)模數(shù)據(jù)處理的特點決定了大量的數(shù)據(jù)記錄不可能存放在內(nèi)存、而只可能放在外存中進行處理。磁盤的順序訪問和隨即訪問在性能上有巨大的差異

例：100億(1010)個數(shù)據(jù)記錄(每記錄100B,共計1TB)的數(shù)據(jù)庫

更新1%的記錄(一定是隨機訪問)需要1個月時間；

而順序訪問并重寫所有數(shù)據(jù)記錄僅需1天時間！MapReduce設(shè)計為面向大數(shù)據(jù)集批處理的并行計算系統(tǒng)，所有計算都被組織成很長的流式操作，以便能利用分布在集群中大量節(jié)點上磁盤集合的高傳輸帶寬。MapReduce的主要設(shè)計思想與特點

為應(yīng)用開發(fā)者隱藏系統(tǒng)層細節(jié)

Hidesystem-leveldetailsfromtheapplicationdeveloper軟件工程實踐指南中，專業(yè)程序員認為之所以寫程序困難，是因為程序員需要記住太多的編程細節(jié)(從變量