MIT 6.824

• Users specify a map function that processes a key/value pair to generate a set of intermediate key/value pairs, and a reduce function that merges all intermediate values associated with the same intermediate key.

  • Map接受用户输入然后产生一系列的键值对。key1, key2, key3, key2

  • MapReduce库将Map产生的键值对根据Key进行分组，然后传给Reduce。key1:1, key2:1, key3:1, key2:1

  • Reduce接受键值对，然后产生一个更小的键值对。key1:1, key2:2, key3:1

• MapReduce启发自Lisp的map和reduce。在Haskell中的对应示例为：

  Prelude> map (+1) [1..10]
  [2,3,4,5,6,7,8,9,10,11]
  Prelude> foldl (+) 0 [1..10]
  55
  Prelude>
  

• 试图通过MapReduce这个库让没有分布式开发经验的程序员也能利用分布式集群的 性能。MapReduce这个库需要提程序员解决的问题包括但不限于：

  • 分拆输入数据

  • 任务调度和数据分发

  • 管理机器间通信

  • 容错性

  • 负载均衡

  • etc…

• 流程概览

1. MapReduce先把数据分拆成16-64M之间的大小，然后fork自身，成为worker和master

2. master将会分配任务给worker们

3. 被分配执行map任务的程序读取被切割的文件块。调用用户的map函数，将其产生的
键值对存在内存里

4. 内存中的键值对会被持久化到硬盘上。然后将路径返回给master。

5. master将路径告知给执行reduce任务的程序，根据key将上一个环节的键值对排序
（因为数据量可能非常大以至于不能全部放在内存里）

6. 执行reduce任务的程序遍历排序后的键值对然后调用用户的reduce函数。将其返回值
追加到最终文件中。所以最终会产生n个输出文件，n为用户指定的reduce任务的数量。

7. 所有任务完成后，MapReduce返回，然后开始执行用户的其他代码。

• 容错性

  • worker failure: The master pings every worker periodically. If no response is received from a worker in a certain amount of time, the master marks the worker as failed. Any map task or reduce task in progress on a failed worker is also reset to idle and becomes eligible for rescheduling.

  • master failure: It is easy to make the master write periodic checkpoints of the master data structures described above. If the master task dies, a new copy can be started from the last checkpointed state.（不过此论文发布时 采用了简单的实现，即如果master失败，直接终止执行）

Lab

• Part I: 正确实现 doMap 和 doReduce。根据figure1里的描述写代码，基本就不会错。 我在这里遇到的坑是没有仔细读论文，以为所有reduce函数公用一个输出文件。此处核心代码 为：

  // doMap
  for _, kv := range mapF(inFile, string(contents)) {
  i := ihash(kv.Key) % nReduce
  encs[i].Encode(&kv)
  }
  
  // doReduce
  mergeFileName := mergeName(jobName, reduceTaskNumber)
  mergeFile, err := os.Create(mergeFileName)
  

• Part II：统计单词。只要跟着描述来就行。仔细读一下给出的Hint和go的文档。

• Part III：更改schedule.go。这里我花了点时间，因为大坑在于，我没想到在这一步 就要开始处理错误，还以为是在下一步呢，直到调试的时候看log，总是说没有reduce 的输出文件。然后果断给RPC调用加了个重试机制—死循环。然后就通过测试了。

  for {
  if call(worker, "Worker.DoTask", doTaskArgs, nil) {
      wg.Done()
      break
  } 
  }
  

• Part IV：处理worker出错。处理方式为如果worker失败，就把任务分配给其他worker执行， 所以也就是在上面的代码小改一下：

  for {
  if call(worker, "Worker.DoTask", doTaskArgs, nil) {
      wg.Done()
      break
  } else {
      worker = <-registerChan
  }
  }
  

• Part V：统计单词出现的文件名。这个其实应该就是考是不是对MR真正的掌握了吧。 思路就是生成键值对的时候，单词为key，文件名为value然后进行MR。

---

总结：好玩儿！