这些年，云计算、大数据的发展如火如荼，从早期的以MapReduce为代表的基于文件系统的离线数据计算，到以Spark为代表的内存计算，以及以Storm为代表的实时计算，还有图计算等等。只要数据规模到了一定的程度，都需要依赖分布式计算来实时或者离线做出决策。虽然本人并未从事相关工作，但是了解一下还是好的。
MapReduce这个词一度是分布式计算的代名词，至少代表了离线计算这一大类大数据编程范式。当提到这个词，可能是指google的论文，或者hadoop的mr实现，也或者是这种编程范式。在本文中，除非特别说明，都是指Google 2004年的论文《MapReduce: Simplified Data Processing on Large Clusters》，这篇论文非常通俗易懂，也没有复杂的概念和算法，值得一读。
在论文中，MapReduce既是一种分布式编程模型（programming model）；又是该模型的运行时环境，该环境是为这种编程模型所量身定做的。
MapReduce is a programming model and an associated implementation for processing and generating large data sets.
MapReduce编程模型
前面说MapReduce论文比较容易读懂，原因就是MapReduce的思想很简单。MapReduce分为两个阶段：Map, Reduce。 Map就是把问题划分成独立的组成部分，每一个Map（计算过程）处理独立的一部分数据，分而治之，逐个击破； Reduce就是对Map的结果做一个聚合。
程序员学习每一门语言都是从Hello World开始，分布式计算也有“Hello World”， 那就是WordCount。WordCount就是统计一段文本中每个单词的出现次数，具体计算过程就是先把文本分成M份数据，通过M个并行的map function计算出每一份数据中每个单词的次数，生成结果是一个<key, value>对，key是单词，value是该单词的数量；而reduce function将所有map function的结果按照key进行聚合（相加），结果就是整个文本中每个单词的数目。
我觉得下面这个图更加形象（来源见水印）：
在论文中提到，MapReduce来自函数式编程（如Lisp）的两个算子：map、reduce。函数式编程是与面向对象编程并列的一种编程范式，函数式编程中，函数是一等公民，且支持高阶函数，即以函数作为另一个函数的参数。即使是面向对象的编程语言，也提供函数式编程机制，比如C++中的std::for_each，而对于笔者比较熟悉的Python，也有两个同名、同含义的函数map reduce。下面是python代码
>>> lst = [1, 2, 3, 5, 6]
>>> new_lst = map(lambda e: 2 * e, lst)
>>> new_lst
[2, 4, 6, 10, 12]
>>>
>>> reduced = reduce(lambda total, e : total + e, lst, 0)
>>> reduced
17
指的一提的是，函数式编程的无状态特性，即函数的运行结果只依赖于输入，且不会对外界的环境产生引用，只有输入相同，输出就是确定的，这个特性非常重要，因为在MapReduce编程模型中，会有同一份数据的重复计算，后面会提到。
还有，从对map过程的介绍不难理解，MapReduce只适合线性可并行的计算任务，子任务之间不能有依赖关系，只有这样的计算任务，才能进行拆分，然后通过map并行计算，最终通过reduce进行结果的叠加。主要满足这个条件，都适合用mapreduce模型来计算，如论文中提到的：
- word counting：统计文本中每个单词的数量
- distributed grep：分布式grep
- Count of URL Access Frequency：统计每个url的访问频率
- Reverse Web-Link Graph: 引用关系图
- Inverted Index: 倒排索引
不管是WordCount问题，还是上面“做菜”的例子，大家一看都很简单，完全可以串行执行。但是当数据量到了TB、PB级别，用单台计算机的话得计算到猴年马月，分布式就是要解决单台计算机无法完成的计算任务，每台计算机算一点（map过程），然后将结果汇总起来（reduce过程），这就是分布式计算。
MapReduce运行时环境
前面提到，尽管MapReduce编程模型简单直观，但是由于数据量巨大的问题，必须要使用大量机器进行分布式计算，而分布式本事又是一个复杂且困难的问题。因此，运行时环境（框架）的作用就在于将程序员从分布式的繁枝缛节中解放出来，程序员只需关注本质的问题：数据的计算问题，而不用关心数据是在哪台机器上计算的、怎么计算的。而且由于MapReduce编程模型的普适性，只要将运行环境与计算公式隔离开，就可以复用运行环境，大大提高生产力。
运行时环境是提供给需要进行大量数据计算的程序员使用的，后文统称使用运行时环境的程序员为运行时环境的用户
以Google实现的MapReduce·运行环境为例，运行时环境负责输出数据的拆分、将计算任务在一组节点（计算机）上调度执行、处理节点的故障、以及节点之间的RPC通信。用户只需要提供两个最基本的算子，map function，reduce function即可。
The run-time system takes care of the details of partitioning the input data, scheduling the program‘s execution across a set of machines, handling machine failures, and managing the required inter-machine communication.This allows programmers without any experience with parallel and distributed systems to easily utilize the resources of a large distributed system.
下面是mapreduce框架
框架中有两类节点（也可以说是进程），Master和Worker，当用户提交一个计算作业（Job）的时候，会启动Job唯一对应的Master进程，Master进程负责整个Job的调度，包括分配worker的角色（map或者reduce）、worker计算的数据，以及向用户返回结果等等。而Worker负责的具体计算称之为task，在MapReduce框架下，worker按照计算的阶段又分为map worker和reduce worker，worker在master获取计算任务，然后在文件系统读取数据进行运算，并将结果写入到临时文件或者持久化文件系统。
一个Job的流程是这样的
- MapReduce将待运算的数据分为M份，每一份的大小为16M或者64M（这个跟默认使用的分布式文件系统GFS有关），每一份数据称之为一个split
- 启动M个map worker，读取相应的split，然后调用用户的Map function，对数据进行运算
- map worker周期性将计算结果（称之为中间结果）写入到R份本地文件中的其中一份，R是reduce worker的数量，具体写入哪一个临时文件 规则由Partitioning function指定
- 当一个map worker计算任务完成的时候，将R份中间结果的位置通知master，master通知对应的reduce worker
- reduce worker根据中间结果的位置，通过rpc从map worker上获取与自己对应的中间结果，进行计算，并将计算结果写入到持久化分布式文件系统，
- 当所有map reduce worker的计算任务结束之后，通知用户计算结果
当然，一个mapreduce的结果并不一定直接给用户，很有可能是一个链式（chain）计算，即将一个mapreduce的输出当做另一个mapreduce的输入
MapReduce优缺点
google MapReduce以及hadoop的开源实现mapreduce（简称hadoop mr1）都是十余年前的产物，虽然已经不能满足现在的很多运算需求，但是还是有很多很好的设计值得学习借鉴。
data locality，即计算离需要的数据存储越近越好，以尽量避免网络传输
fault tolerance，分布式系统中，节点故障是常态，运行环境需要对用户透明地监控、处理故障。由于mapreduce编程模型的线性无状态特性，对于某一个worker的故障，只需将计算任务给其他worker负责就行
backup task，按照木桶定律，即一只水桶能装多少水取决于它最短的那块木板，在mapreduce中，运行最为缓慢的worker会成为整个Job的短板。运行环境需要监控到异常缓慢的worker，主动将其上的task重新调度到其他worker上，以便在合理的时间结束整个Job，提高系统的吞吐。
partitioning function & combiner function，这是用户可以提供的另外两个算子，实时上也是非常有用的。map worker的中间结果，通过partitioning function分发到R（R为reducer的数目）位本地文件，默认为“hash(key) mod R”。而Combiner function是对每一个map worker的结果先进行一次合并（partial merge），然后再写入本地文件，以减少数据传输，较少reduce worker的计算任务。
local execution：本地执行，会提供一个最小化的本地运行环境，以便用户调试、分析自己的代码。这个功能笔者神深有感触，多年前实习的时候使用MapReduce进行数据分析，由于需要排队且自己的优先级比较低，所以一个Job要等个一天才有结果，如果因为一个拼写错误就要重新跑的话简直要崩溃。这个时候就可以先在本地环境用少量数据进行调试，验证。
在google 论文中，也有不足或者没有考虑到的点。
第一：master是单点，故障恢复依赖于周期性的checkpoint，不保证可靠性，因此发生故障的时候会通知用户，用户自行决定是否重新计算。
第二：没有提到作业（Job）的调度策略，运行时环境肯定是有大量的Job并发的，因此多样且高效的调度策略是非常重要的，比如按优先级、按群组
第三：并没有提到资源（CPU、内存、网络）的调度，或者说并不区分作业调度与资源调度。
第四：没有提到资源隔离与安全性，大量Job并发的时候，如何保证单个Job不占用过多的资源，如何保证用户的程序对系统而言是安全的，在论文中并没有提及
第五：计算数据来源于文件系统，效率不是很高，不过本来就是用于离线任务，这个也不是什么大问题
yarn & fuxi
上一章节的最后提到了mapreduce的一些缺陷，包括master单点，资源调度与任务调度职责不明确，只使用与离线数据处理等。随着大数据分析的蓬勃发展，就需要更加多样性的分布式编程范式，比如实时数据处理、内存计算、图计算等等。编程范式的多样化对运行时环境提出了更大的挑战，即运行时环境需要更通用，以支持不同的编程模型，而不是像mapreduce框架那样只支持mapreduce这种编程范式。不同的编程范式，或者说不同的计算任务，对资源（如CPU、内存）的需求是不同的，因此需要优秀的调度策略，在满足应用的特殊需求的情况下，最大化利用资源，同时也需要做好任务之间的隔离，避免相互影响。
在这种需求背景下，就产生了hadoop 2.0 ，主要就是分布式资源调度器Yarn，国内的话比较出名的就是阿里的fuxi系统。二者在架构上非常类似，下面做简单介绍。
需要注意的是，yarn只是hadoop2.0的资源调度器，只负责资源的调度。由于资源调度与任务相互隔离，因此yarn支持更多的分布式计算模型，包括MapReduce，Spark，Storm等。
Yarn的架构如下：
在Yarn中，有以下组件
ResourceManager：资源管理器，接收用户的请求，负载应用（application)的调度管理，启动应用对应的ApplicationMaseter，并为每一个应用分配所需的资源
NodeManager：框架agent，在每一个计算机节点上都有一个，用于本机上的Container，监控机器的资源使用情况，并向ResourceManager汇报
ApplicationMaseter（图中所有为App Mstr），每一个应用都有自己唯一的ApplicationMaseter，用于管理应用的生命周期，向ResourceMananger申请资源，监控任务对应的container
Containner：具体任务task的计算单元，是一组资源的抽象，可用于以后实现资源的隔离
其中，ResourceManager包含两个重要的组件，scheduler和ApplicationManager。scheduler负责为各种应用分配资源，支持各种调度算法，如 CapacityScheduler、 FairScheduler。ApplicationManager负责接收用于的请求，启动应用对应的ApplicationMaseter。
阿里fuxi的架构与Yarn非常类似，如图所示
可以看到：
fuxi master对应Resourcemanager
tubo对应NodeManager
AppMaster对应ApplitionMast
AppWorker对应Container
关于阿里的fuxi分布式调度，在阿里云大学和课堂在线都有视频课程，包含了许多细节，如详细的资源调度流程，各种调度策略，容错机制，应用的隔离等，值得看一看。
references
MapReduce: Simplified Data Processing on Large Clusters