0基础学习PyFlink——模拟Hadoop流程-CSDN博客

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

学习大数据还是绕不开始祖级别的技术hadoop。我们不用了解其太多只要理解其大体流程然后用python代码模拟主要流程来熟悉其思想。
还是以单词统计为例如果使用hadoop流程实现则如下图。
在这里插入图片描述

为什么要搞这么复杂呢
顾名思义“大数据”意味着庞大的数据量需要计算。提升计算效率的方法无非如下

更高效的算法
更高频率的处理器
更多的可并行执行的流程
更多的处理器

“更多的可并行执行的流程”意味着不同计算流程之间数据不存在前后依赖这个也是GPU计算的基础。在这个前提下我们又有足够多的处理器则可以提升计算的并行度大大缩短计算的时间。
沿着这个思路我们该怎么做呢

切分原始数据到符合计算的最小单元。
组合最小计算单元为可并行处理的数据单元。
执行并行计算。

以上图所表达的数据为例。
我们有一个一维数组元素分别是“A C B”,"A E B"和“E C D”。
在这里插入图片描述
我们可以把它分成三个独立的数组

这三个独立的数组可以再切分这个切分可以并行执行因为每组的切分和其他组没有任何关系。
[
[A,C,B]
[A,E,B]
[E,C,D]
]

作为一种通用的框架需要协调好内部数据之间传输的格式。MapReduce正如其名选择了Map结构来存储中间数据。如下图切分后的字母为KeyValue是1可以是个随意值。
在这里插入图片描述
如上图Map操作包括了Splitting和Mapping它们将原始数据处理成若干个最小计算单元且这个单元是内部通用结构map。
Mapping完的结构不适合高效的并行计算因为数据存在关联关系。比如我们计算A的个数则需要同时依赖第一组和第二组数据没办法最大并行优化。
为了增加后续计算的可并行性Reduce操作将这些最小计算单元归类Shuffling&Sorting 。这个归类的过程的输入是一个个map输出还是map。再次呼应了MapReduce的名字。
在这里插入图片描述
现在每组数据可以被独立分配到一个处理器上去计算了因为它不依赖任何其他数据。比如计算A的个数我们只要让一个处理器关注第一条数据其他条数据根本不用关心。
最后的Reducing再将上述数据并行计算它的输入和输出还是map再次呼应MapReduce的名称。
在这里插入图片描述

基于上面的拆解我们使用python实现逻辑如下。需要注意的是在流程中我们传递的都是dict结构map即key value对。

input = [
    "A C B",
    "A E B",
    "E C D",
]

def split_map_shuffle_reduce(input):
    # splitting
    wordsSplitMap = {}
    for (i, line) in zip(range(len(input)), input):
        wordsSplitMap[i] = line.split()
    # {0: ['A', 'C', 'B'], 1: ['A', 'E', 'B'], 2: ['E', 'C', 'D']}
        
    # mapping
    words = {}
    for (i, wordsOneline) in zip(range(len(wordsSplitMap.values())), wordsSplitMap.values()):
        words[i] = map(lambda word: (word,1), wordsOneline)
    # {0: {'A': 1'C': 1, 'B': 1}, 1: {'A': 1'E': 1, 'B': 1}, 2: {'E': 1'C': 1, 'D': 1}}
        
    # shuffling
    shuffle_sort_words = {}
    for wordmap in words.values():
        for word in wordmap:
            shuffle_sort_words.setdefault(word[0], []).append(word[1])
    # {'A': [1, 1], 'C': [1, 1], 'B': [1, 1], 'E': [1, 1], 'D': [1]}
        
    # reducing
    wordCount = {}
    for word, count in shuffle_sort_words.items():
        wordCount.update({word: sum(count)})
    # {'A': 2, 'C': 2, 'B': 2, 'E': 2, 'D': 1}
    
    return wordCount

output = split_map_shuffle_reduce(input)
print(output)