2.3.2　MapReduce编程实例

MapReduce能够解决的问题有一个共同特点：任务可以被分解为多个子问题，且这些子问题相对独立，彼此之间不会有牵制，待并行处理完这些子问题后，任务便被解决。在实际应用中，这类问题非常庞大，谷歌在论文中提到了MapReduce的一些典型应用，包括分布式grep、URL访问频率统计、Web连接图反转、倒排索引构建、分布式排序等，这些均是比较简单的应用。下面介绍一些比较复杂的应用。

（1）Top K问题

在搜索引擎领域中，常常需要统计最近最热门的K个查询词，这就是典型的“Top K”问题，也就是从海量查询中统计出现频率最高的前K个。该问题可分解成两个MapReduce作业，分别完成统计词频和找出词频最高的前K个查询词的功能。这两个作业存在依赖关系，第二个作业需要依赖前一个作业的输出结果。第一个作业是典型的WordCount问题。对于第二个作业，首先map()函数中输出前K个频率最高的词，然后由reduce()函数汇总每个Map任务得到的前K个查询词，并输出频率最高的前K个查询词。

（2）K-means聚类

K-means是一种基于距离的聚类算法。它采用距离作为相似性的评价指标，认为两个对象的距离越近，其相似度就越大。该算法解决的问题可抽象成：给定正整数K和N个对象，如何将这些数据点划分为K个聚类？

该问题采用MapReduce计算的思路如下：首先随机选择K个对象作为初始中心点，然后不断迭代计算，直到满足终止条件（达到迭代次数上限或者数据点到中心点距离的平方和最小）。在第I轮迭代中，map()函数计算每个对象到中心点的距离，选择距每个对象（object）最近的中心点（center_point），并输出＜center_point, object＞对。reduce()函数计算每个聚类中对象的距离均值，并将这K个均值作为下一轮初始中心点。

（3）贝叶斯分类

贝叶斯分类是一种利用概率统计知识进行分类的统计学分类方法。该方法包括两个步骤：训练样本和分类。其实现由多个MapReduce作业完成，具体如图2-3所示。其中，训练样本可由三个MapReduce作业实现：第一个作业（ExtractJob）抽取文档特征，该作业只需要Map即可完成；第二个作业（ClassPriorJob）计算类别的先验概率，即统计每个类别中文档的数目，并计算类别概率；第三个作业（ConditionalProbilityJob）计算单词的条件概率，即统计＜label, word＞在所有文档中出现的次数并计算单词的条件概率。后两个作业的具体实现类似于WordCount。分类过程由一个作业（PredictJob）完成。该作业的map()函数计算每个待分类文档属于每个类别的概率，reduce()函数找出每个文档概率最高的类别，并输出＜docid, label＞（编号为docid的文档属于类别label）。

图　2-3　朴素贝叶斯分类算法在MapReduce上实现

前面介绍的是MapReduce可以解决的一些问题。为了便于读者更深刻地理解MapReduce，下面介绍MapReduce不能解决或者难以解决的一些问题。

1）Fibonacci数值计算。Fibonacci数值计算时，下一个结果需要依赖于前面的计算结果，也就是说，无法将该问题划分成若干个互不相干的子问题，因而不能用MapReduce解决。

2）层次聚类法。层次聚类法是应用最广泛的聚类算法之一。层次聚类法采用迭代控制策略，使聚类逐步优化。它按照一定的相似性（一般是距离）判断标准，合并最相似的部分或者分割最不相似的部分。按采用“自顶向下”和“自底向上”两种方式，可将其分为分解型层次聚类法和聚结型层次聚类法两种。以分解型层次聚类算法为例，其主要思想是，开始时，将每个对象归为一类，然后不断迭代，直到所有对象合并成一个大类（或者达到某个终止条件）；在每轮迭代时，需计算两两对象间的距离，并合并距离最近的两个对象为一类。该算法需要计算两两对象间的距离，也就是说每个对象和其他对象均有关联，因而该问题不能被分解成若干个子问题，进而不能用MapReduce解决。