海量数据处理方法总结syz.doc

海量数据处理方法总结大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 腾讯 这样的一些涉及到海量数据的公司经常会问到。 1.Bloom filter2.Hashing3.bit-map4.堆5.双层桶划分6.数据库索引7.倒排索引(Inverted index) 8.外排序9.trie树10.分布式处理 mapreduce1.Bloom filter 适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集 基本原理及要点： 对 于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这 个过程并不保证查找的结果是100%正确的。同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。 还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。当hash函数个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况 下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证bit数组里至少一半为0，则m应 该=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。 举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。这样k大概是8个。 注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter内存上通常都是节省的。 扩展： Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。 问题实例：给你A,B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。如果是三个乃至n个文件呢？ 我们来计算下内存的占用，4G=232大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个bit。 现在可用的是340亿，相差并不多，这样可能会使出错率上升些。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。 从哈希存储到Bloom Filter先解释一下什么是哈希函数。哈希函数简单来说就是一种映射，它可取值的范围（定义域）通常很大，但值域相对较小。哈希函数所作的工作就是将一个很大定义域内的值映射到一个相对较小的值域内。传统的哈希存储假设要哈希的集合为S，它有n个元素。传统的哈希方法是，将哈希区域组织成h（h n）个格子的列表，每一个格子都能存储S中的一个元素。存储时将S中的每一个元素映射到0, 1, , h-1的范围内，然后以这个值为索引将此元素存储到对应的格子内。由于哈希函数将一个大集合映射到一个小集合中，所以存在将大集合中的多个元素映射到同一位置的情况，这就是所谓的碰撞（Collision）。当碰撞发生时，有多种策略可供选择，比如用链表将映射到同一位置的元素串起来，或者在碰撞发生时再进行哈希映射直到找到空位为止等等。传统的哈希方法不会发生错误，而且存储的元素还可以复原。如果哈希函数选择得当，碰撞出现的情况比较少，那么查找某一个元素也很快。但是，如果你哈希某个集 合只是为了判断某个元素是否在这个集合中，那么你会发现好像存储整个集合有点浪费。按传统的哈希方法判断某个元素是否属于集合时，会把这个元素和它映射位 置上的元素进行匹配，如果完全匹配则说明属于集合，如果不匹配则不属于。在绝大部分查找都不能匹配的情况下（这常常是实际中的情况），我们会发现匹配的过 程经常用不到整个元素，因为元素的一部分就可以判断不匹配了。基于“部分信息就能判断不匹配”这个思路，Burton Bloom（Bloom Filter的发明者）提出了一种改进的方法。改进的哈希存储在这种改进的方法中，哈希区域和前面一样仍然被组织成格子的列表。但这次并不直接将集合元素存在格子里，而是将每一个元素编码然后将编码存在格子里。假设每个集合元素要占b位，编码后要占c（c T0时，子段的counter位置用offset数组记录。由于子段包含loglogN个counter，且每一个offset可以用3loglogN位表示，因此offset数组的长度最多为loglogN 3loglogN 3(loglogN)2 T。这一层的所有的offset数组长度加起来也不过O(N)。现在就剩了T T0的情况，这时SBF也不继续分了，而是将所有这类情况存储在一个全局查询表里。关于这个查询表，这里就不多做介绍了，有兴趣的可以去读一下原始论文。总之，在不考虑增删操作的情况下，SBF的counter存储所要达到的目标就是只使用O(N) + O(m)位，构建时间为O(m)。通过上面构建的复杂的索引结构，这个目标是达到了。下一节我们来看增删操作如何在这样的结构上实现。上一节中，我们介绍到SBF将所有counter排成一个位串，counter之间完全不留空隙，然后通过建立索引结构来访问counter。现在我们来扩展这个结构，使之能支持增加和删除操作。 删除操作相对来说比较好处理，因为它不会导致存储空间的增加。但是也不能坐视不管，因为大量的删除操作会导致本该释放的空间仍然被占用。SBF采取的策略是，单个删除操作只影响相关的counter，整个存储结构并不更新，但经过一系列连续的删除操作后，整个存储结构会被重建。增加操作稍微麻烦点，因为它意味着原来分配的存储空间不再够用。SBF采取的应对策略有点像我们平时排工作计划时留buffer的做法。我们在安排工作时，如果一件事估计需要10天才能做完，我们写计划时不会写成刚好10天，因为事态的发展有太多动态变化的因素。我们会在计划里给自己留一点buffer，将10天的工作写成12天。SBF处理增加操作时也采取相似的策略，它给原本只需要N位的基本位串增加m（ 0，m为counter个数）位的buffer，以应对将来可能出现的增加操作。SBF将这m位buffer插入到m个counter之间，每1/个counter增加1位buffer。当某个counter需要更多位数时，它就找离自己最近的buffer位。如果找到的buffer位就在自己的尾部，就直接用掉它；如果隔了一个或几个counter，它就将隔的这几个counter往后“推”，然后使用腾出来的buffer位。最后，counter移动之后，别忘了索引结构也需要更新。到此为止，SBF的基本结构就介绍完毕。回顾一下，SBF是一种扩展版的counting bloom filter（CBF），它不仅支持membership query，还支持元素在multi-set中的出现频率查询。实际上，前者只是后者的一种特例，membership query无非是元素出现频率为1的查询。元素出现频率用k（哈希函数个数）个counter中的最小值来近似表示。这种近似使得一个元素对应的k个counter中，最小的那个比其它的更有价值。基于这个考虑，论文作者又对SBF的构建过程进行了优化，并给出了两种优化算法。下一次我们就来讨论SBF的优化。在membership query上，由于SBF和CBF都沿用bloom filter的基本结构，因此很难在membership query上提高查询效率。但在查询元素出现频率（大于1的情况）时，由于SBF采用counter中的最小值来近似表示元素的出现频率，使得各个counter的重要性有所差别，因此CBF将counter一视同仁的做法就有提高的空间。先来看第一种优化算法Minimal Increase。这种算法的思想比较简单，从它的名字大家也能猜出个大概。它的基本思想是：既然在查询元素出现频率时我们只关心counter的最小值，那在增加元素时我们就只增加最小值。如果有多个counter都是最小值，把它们都增加；如果连续加入r个相同的元素，就把最小值（一个或多个counter）加r，其它counter的值或者维持不变，或者设为最小值加r，看哪一个比较大。这种算法是一种聪明的偷工减料：原来增加一个元素时要增加k（哈希函数个数）个counter，现在只需要增加最小值。而counter的增加次数一旦减少，就意味着hashing时碰撞的次数减少，因此查询元素出现频率时出错的可能性也就随之降低。经论文作者证明，Minimal Increase使查询错误率降低了k倍。当然，偷工减料不可能只有好处。Minimal Increase最大的弊端就是不支持删除操作。很明显，由于增加元素时增加的counter不确定，因此删除元素时也无从下手。如果将k个counter都减少，就会造成false negative的出现（查询结果表明集合不包含某元素而实际上包含）。由于这个严重的弊端，Minimal Increase的应用前景被大打折扣。下面我们来看一种既支持增删操作又降低查询错误率的算法Recurring Minimum。这种算法的基本思想是：发现有可能出错的情况，然后将它们单独处理。先解释一下什么是recurring minimum。SBF中如果一个元素对应的k个counter中有一个以上都维持最小值，就称它有recurring minimum（RM）。我们发现没有RM（即single minimum）的元素出现查询错误的概率很高，而有RM的元素错误概率很低。因此这种算法将没有RM的元素单独处理，在主SBF之外又增加了一个辅助的SBF，专门用来存储这类元素。由于这类元素所占比例不会太大，因此辅SBF可以只分配较小的空间，比如主SBF的一半大小。采用Recurring Minimum增加元素x时，先将x在主SBF对应的k个counter的值增加，然后再判断这k个counter有没有recurring minimum。如果有，就当什么事都没有发生，直接继续；如果没有，就意味着x出错的概率很大，这时我们将x存储在辅SBF上，counter的值设为x在主SBF对应counter的最小值。删除元素和上面的操作类似，由于主SBF没有受算法的影响，所以不会出现false negative。在查询一个元素时，先看它在主SBF中有没有recurring minimum。如果有，就返回counter的最小值；否则检查辅SBF中的counter最小值，如果大于0就返回这个值，否则返回主SBF的值。由于有recurring minimum的情况本来出错概率就很小，而没有recurring minimum的情况又单独处理，也大大降低了出错概率，所以整个算法的错误率得以降低。Recurring Minimum算法的错误率虽然不及Minimum Increase，但比原来的错误率要好很多，可以说是用更多的空间换取了错误率的大幅降低。Dynamic Count FilterSpectral bloom filter（SBF）在counting bloom filter（CBF）的基础上提出了元素出现频率查询的概念，将CBF的应用扩展到了multi-set的领域。但是，SBF为解决动态counter的存储问题，引入了复杂的索引结构，这让每个counter的访问变得复杂而耗时。有没有一种解决方案既支持元素出现频率查询，结构又相对比较简单呢？Dynamic count filter（DCF）尝试回答了这个问题。要支持元素出现频率查询，就需要解决变化范围可能很大的counter的存储问题。DCF和SBF的不同之处，也就是counter的存储结构。DCF使用两个数组来存储所有的counter，它们的长度都为m（即bloom filter的位数组长度）。第一个数组是一个基本的CBF（即下图中的CBFV，counting bloom filter vector），counter的长度固定，为x = log(M/n)，其中M是集合中所有元素的个数，n为集合中不同元素的个数。第二个数组用来处理counter的溢出（即下图中的OFV，overflow vector），数组每一项的长度并不固定，根据counter的溢出情况动态调整。假设OFj是OFV中某一项的值，那么OFV中每一项的长度y = floor(log(max(OFj) + 1，即最大值决定了每项长度。上图中最右一列是counter的值，从图中我们可以清楚地看出OFV和CBFV的作用。比如第5个counter的值是1026，二进制为10000000010。我们把这个二进制位串分成两段100和00000010，分别就对应着OFV和CBFV中的值。图中我们也可以看出x + y就等于counter的最大值的二进制位数。在查询一个counter时，DCF要求两次内存访问。假设想查询位置为j的counter的值，我们先读出CBFV和OFV的值，分别为Cj和OFj，那么counter的值就可以表示为Vj = (2x OFj Cj)。在集合增加元素时，如果OFV的最大值从2x 1增加到2x，OFV就需要给每一项增加1位，否则就会溢出。每次OFV大小改变的时候都需要重建。重建是一件开销很大的工作，必须重新创建一个OFV数组，然后把旧OFV数组的值拷贝到新建的OFV数组中，最后把旧OFV数组的空间释放掉。如果说增加时的overflow必须重建的话，那么集合元素减少时的underflow则有更多选择。当OFV的最大值从2x减少到2x 1时，我们可以选择马上重建OFV，也可以采用一些策略延迟OFV的重建，以避免一些临时性的减少导致OFV反复重建。从上面的介绍可以看出，DCF中最大的那个counter决定了整个结构所占的空间。因此，在counter的值普遍不大的情况下，DCF由于不用维护复杂的索引结构，所以占用空间比SBF要少。如果将counter的值逐渐增大，SBF在空间占用上的优势就会越来越明显。在counter存取时间上，DCF占有绝对的优势，只比CBF多访问了一次内存。在不同的实际应用场合中对比SBF和DCF，论文作者发现DCF整体占用的空间以及执行时间都比SBF少了一半还多。最后，我们给出一个将CBF、SBF和DCF定性比较的表格：2.Hashing 适用范围：快速查找，删除的基本数据结构，通常需要总数据量可以放入内存 基本原理及要点： hash函数选择，针对字符串，整数，排列，具体相应的hash方法。 碰撞处理，一种是open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法，opened addressing。 扩展： d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing。2-left hashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2。在存储一个新的key时，同 时用两个哈希函数进行计算，得出两个地址h1key和h2key。这时需要检查T1中的h1key位置和T2中的h2key位置，哪一个 位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置。如果两边一样多，比如两个位置都为空或者都存储了一个key，就把新key 存储在左边的T1子表中，2-left也由此而来。在查找一个key时，必须进行两次hash，同时查找两个位置。 问题实例： 1).海量日志数据，提取出某日访问百度次数最多的那个IP。 IP的数目还是有限的，最多232个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。 3.bit-map 适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下 基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码。建立一个足够大的bit数组当作hash表，以bit数组的下标来表示一个整数，以bit位中的0或1来表示这个整数是否在这个数组中存在，原来每个整数需要4byte空间变为1bit，空间压缩率为32倍。注意：由于操作系统和编程语言本身的限制,有可能内存足够,但无法分配一块连续大内存的情况,这样的话可以申请多块稍微小一点的内存,然后用链表或其他的方式连接起来使用扩展：bloom filter可以看做是对bit-map的扩展 问题实例： 1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。 8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。 一般解题思路:1、将数据导入到内存中2、将数据进行排序（比如插入排序、快速排序）3、将排序好的数据存入文件难题:一个整数为4个字节即使使用数组也需要900,000,000 * 4byte = 3.4G内存。对于32位系统，访问2G以上的内存非常困难，而且一般设备也没有这么多的物理内存将数据完全导入到内存中的做法不现实其他解决办法:1、导入数据库运算2、分段排序运算3、使用bit位运算解决方案一:数据库排序将文本文件导入到数据库，让数据库进行索引排序操作后提取数据到文件优点：操作简单缺点：运算速度慢，而且需要数据库设备。解决方案二:分段排序操作方式：规定一个内存大小，比如200M，200M可以记录52428800条记录，我们可以每次提取5000万条记录到文件进行排序，要装满9位整数需要20次，所以一共要进行20次排序，需要对文件进行20次读操作缺点： 编码复杂，速度也慢(至少20次搜索)关键步骤：先将整个9位整数进行分段，亿条数据进行分成20段，每段5000万条在文件中依次搜索05000万，500000011亿将排序的结果存入文件解决方案三:bit位操作思考下面的问题:一个最大的9位整数为999999999这9亿条数据是不重复的可不可以把这些数据组成一个队列或数组，让它有0999999999(10亿个)元素数组下标表示数值，节点中用0表示这个数没有，1表示有这个数判断0或1只用一个bit存储就够了声明一个可以包含9位整数的bit数组(10亿)，一共需要10亿/8=120M内存把内存中的数据全部初始化为0读取文件中的数据，并将数据放入内存。比如读到一个数据为341245909这个数据，那就先在内存中找到341245909这个bit，并将bit值置为1遍历整个bit数组，将bit为1的数组下标存入文件关键代码检查是某一个char里面(first)的第second位中存储的数据是否为1bool CompareBit (unsigned char first, int second) const static int mark_buf = 0x1, 0x2, 0x4, 0x8, 0x10, 0x20, 0x40, 0x80; if (second 8) return false; return (first & mark_bufsecond) = mark_bufsecond;将某一个char(Desc)中的第source位置为1bool WriteToBit (unsigned char *Desc, int source) const static int mark_buf = 0x1, 0x2, 0x4, 0x8, 0x10, 0x20, 0x40, 0x80; if (source 8) return false; Desc0 |= mark_bufsource; return true;2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。 将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。 位图法存数据在8K字节的内存空间内，如何存unsigned short类型数据？一般做法：定义一个数组：unsigned short arrNormal4096;这样做，最多只能存4K个unsigned short数据。利用位图法：定义一个数组：unsigned char arrBit8192;这样做，能存8K*8=64K个unsigned short数据。 1.写数据元素：计算待写入数据在arrBit存放的字节位置和位位置（字节08191，位07）比如写1234，字节序：1234/8 = 154; 位序：1234 & 0b111 = 2，那么1234放在arrBit的下标154字节处，把该字节的2号位（07）置为1 字节位置：int nBytePos = 1234/8 = 154;位位置： int nBitPos = 1234 & 7 = 2;/把数组的154字节的2位置为1unsigned short val = 1nBitPos;arrBitnBytePos = arrBitnBytePos | val; /写入1234得到arrBit154=0b00000100此时再写入1236，字节位置：int nBytePos = 1236/8 = 154;位位置： int nBitPos = 1236 & 7 = 4/ /把数组的154字节的4位置为1val = 1nBitPos;arrBitnBytePos = arrBitnBytePos | val; /再写入1236得到arrBit154=0b000101002.读数据元素：按位读取arrBit，取得位为1的字节位置和位位置。元素值为8* nBytePos + nBitPosfor (i=0; i8192; i+) for (j=0; j8; j+) if (arrBiti & (1j) cout arrBit: i j 8*i+j endl; 会输出：arrBit:154 2 1234arrBit:154 4 12363.删除元素：计算待删除元素的字节位置和位位置：arrBitnBytePos &= (1 nBitPos);比如删除1234：arrBit154 &= (12);位图法的缺点：1.可读性差2.位图存储的元素个数虽然比一般做法多，但是存储的元素大小受限于存储空间的大小。位图存储性质：存储的元素个数等于元素的最大值。比如，1K字节内存，能存储8K个值大小上限为8K的元素。（元素值上限为8K，这个局限性很大！）比如，要存储值为65535的数，就必须要65535/8=8K字节的内存。要就导致了位图法根本不适合存unsigned int类型的数（大约需要232/8=5亿字节的内存）。3.位图对有符号类型数据的存储，需要2位来表示一个有符号元素。这会让位图能存储的元素个数，元素值大小上限减半。比如8K字节内存空间存储short类型数据只能存8K*4=32K个，元素值大小范围为-32K32K。4.堆 适用范围：海量数据前n大，并且n比较小，堆可以放入内存 基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元 素。这样最后得到的n个元素就是最小的n个。适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。 扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。 问题实例： 1)100w个数中找最大的前100个数。 用一个100个元素大小的最小堆即可。 5.双层桶划分 适用范围：第k大，中位数，不重复或重复的数字 基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。 扩展： 问题实例： 1).2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。 有点像鸽巢原理，整数个数为232,也就是，我们可以将这232个数，划分为28个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁盘空间，就可以很方便的解决。 2).5亿个int找它们的中位数。 这个例子比上面那个更明显。首先我们将int划分为216个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。 实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成224个区域，然后确定区域的第几 大数，在将该区域分成220个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有220，就可以直接利用direct addr table进行统计了。 6.数据库索引 适用范围：大数据量的增删改查 基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。 扩展： 问题实例： 7.倒排索引(Inverted index) 适用范围：搜索引擎，关键字查询 基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。 以英文为例，下面是要被索引的文本： T0 = it is what it is T1 = what is it T2 = it is a banana 我们就能得到下面的反向文件索引： a: 2 banana: 2 is: 0, 1, 2 it: 0, 1, 2 what: 0, 1 检索的条件what, is 和 it 将对应集合的交集。 正向索引开发出来用来存储每个文档的单词的列表。正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。在正向索引 中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很 容易看到这个反向的关系。 扩展： 问题实例：文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。 8.外排序 适用范围：大数据的排序，去重 基本原理及要点：外排序的归并方法，置换选择 败者树原理，最优归并树 扩展： 问题实例： 1).有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16个字节，内存限制大小是1M。返回频数最高的100个词。 这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。内存可以当输入缓冲区使用。 9.trie树 适用范围：数据量大，重复多，但是数据种类小可以放入内存 基本原理及要点：实现方式，节点孩子的表示方式 扩展：压缩实现。 问题实例： 1).有10个文件，每个文件1G， 每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。要你按照query的频度排序 。 解法一：根据数据稀疏程度算法会有不同，通用方法是用Hash把文件重排，让相同query一定会在同一个文件，同时进行计数，然后归并，用最小堆来统计频度最大的。解法二：用与简单Bloom Filter稍有不同的CBF（Counting Bloom Filter）或者更进一步的SBF（Spectral Bloom Filter）解法三：MapReduce，几分钟可以在hadoop集群上搞定。2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。请问怎么设计和实现？ 3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。 10.分布式处理 mapreduce 适用范围：数据量大，但是数据种类小可以放入内存 基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。 扩展： 问题实例： 1).The canonical example application of MapReduce is a process to count the appearances of each different word in a set of documents: void map(String name, String document): / name: document name / document: document contents for each word w in document: EmitIntermediate(w, 1); void reduce(String word, Iterator partialCounts): / key: a word / values: a list of aggregated partial counts int result = 0; for each v in partialCounts: result += ParseInt(v); Emit(result); Here, each document is split in words, and each word is counted initially with a 1 value by the Map function, using the word as the result key. The framework puts together all the pairs with the same key and fee