共计 1443 个字符，预计需要花费 4 分钟才能阅读完成。
虽然 Google 的 MapReduce 论文很老了（十多年），但只要还没看，就值得一看。
概要
MapReduce 是一种重视容错性的分布式并行计算模式，它把分布式并行计算分为 map 和 reduce 两个阶段：
map: 把输入数据集切分成很多份（1 份可包含很多 records），传给 map 函数做转换处理（每次处理 1 条 record，得出 1 条结果），结果集被输出到文件
reduce: 读取 map 的结果集，传给 reduce 函数做归约处理（每次处理 1 条 record，更新一条共享的结果），结果集被输出到文件
每台机器是一个 node。map 和 reduce 都可以在很多 worker node 上运行。1 个任务 = 1 个函数 + 1 组输入数据，任务被分配到 worker node 上运行。有一个中央的调度器，叫做 master node，来进行全局调度，给 worker node 分配任务。
示意图就不贴了，到处可见的 WordCount 例子也不写了，别人写过的我一般不写。请参考网络资料。
参考好了吗？继续吧！
优化
论文指出它是为大量廉价机器组成的环境而设计的，环境特点是：机器特别多，机器性能参差不齐，有的机器会突然坏掉。论文的很多优化都是在解决这种环境所特有的问题，这在当时是开创性的，因为一般的分布式并行技术都还在研究一组性能均等的高性能机器，不能容忍某台机器变慢或故障。现在工业界都是用 MapReduce 的方式在搞，因为多数企业的环境都是论文里说的这种。
Google 推出 MapReduce 论文时已经考虑周密了，给出了很多优化点：Map 阶段:
一开始先把输入数据集切分成 M 片，每片一般 16~64MB
map 完成时通知 master，master 记录所有 map 的完成情况和文件位置
map tasks 要切得小而多，建议远大于机器数，容易负载均衡（3 个 task 分给 2 个 node，均衡度肯定不如 13 个 task 分给 2 个 node）
map tasks 尽量分配到靠近数据的 node，以节省带宽
用 combine 函数做本地预合并，以减小 map 的输出结果集
Reduce 阶段：
reducer 从 mapper node 下载输入文件
reduce 先写临时文件，完成时用原子的文件重命名操作
reduce 用 lazy iterator 读取输入，以节省内存
全阶段：
map 输出到本地文件，reduce 输出到全局文件
map 和 reduce 都可有多个副本同时重复执行，谁快就用谁的结果（即使有个副本突然变慢，也有别的副本在跑）
总有一些落后进程，增加百分之几的备用资源，就能加速扫除长尾，节省百分之几十的时间
调度器尽量把任务分配给空闲的 worker，因此速度快的 worker 自然会处理更多 tasks
遇到错误的 record，写标记到 master，再有 task 遇到时跳过它
注释：这种“总有一些落后进程”的现象叫做尾部延迟放大 (tail delay amplification)，分布式数据库执行查询的 scatter/gatter 模式也有此问题。Google 的解法相当于 task rebalance，来个比喻：让先进员工帮助落后员工完成积压的任务，以保证全团队的项目按时完成。我们要知道，“计算易移动，数据难移动”，我们总是倾向于把计算移动到另一处，而不是把数据移过去。MapReduce 就是移动了计算，并且把计算尽可能移动到数据附近。task rebalance 只移动计算，无需移动数据，所以才管用。而分布式数据库在执行查询时，把计算分发到 data node 上，如果有的 data node 反应慢，就没有办法，因为数据不好移。
