基于Python实现MapReduce

互联架构唠唠嗑 2024-06-07 13:04:38
一、什么是MapReduce

首先,将这个单词分解为Map、Reduce。

Map阶段:在这个阶段,输入数据集被分割成小块,并由多个Map任务处理。每个Map任务将输入数据映射为一系列(key, value)对,并生成中间结果。Reduce阶段:在这个阶段,中间结果被重新分组和排序,以便相同key的中间结果被传递到同一个Reduce任务。每个Reduce任务将具有相同key的中间结果合并、计算,并生成最终的输出。

举个例子,在一个很长的字符串中统计某个字符出现的次数。

from collections import defaultdictdef mapper(word): return word, 1def reducer(key_value_pair): key, values = key_value_pair return key, sum(values)def map_reduce_function(input_list, mapper, reducer): ''' - input_list: 字符列表 - mapper: 映射函数,将输入列表中的每个元素映射到一个键值对 - reducer: 聚合函数,将映射结果中的每个键值对聚合到一个键值对 - return: 聚合结果 ''' map_results = map(mapper, input_list) shuffler = defaultdict(list) for key, value in map_results: shuffler[key].append(value) return map(reducer, shuffler.items())if __name__ == "__main__": words = "python best language".split(" ") result = list(map_reduce_function(words, mapper, reducer)) print(result)

输出结果为

[('python', 1), ('best', 1), ('language', 1)]

但是这里并没有体现出MapReduce的特点。只是展示了MapReduce的运行原理。

二、基于多线程实现MapReducefrom collections import defaultdictimport threadingclass MapReduceThread(threading.Thread): def __init__(self, input_list, mapper, shuffler): super(MapReduceThread, self).__init__() self.input_list = input_list self.mapper = mapper self.shuffler = shuffler def run(self): map_results = map(self.mapper, self.input_list) for key, value in map_results: self.shuffler[key].append(value)def reducer(key_value_pair): key, values = key_value_pair return key, sum(values)def mapper(word): return word, 1def map_reduce_function(input_list, num_threads): shuffler = defaultdict(list) threads = [] chunk_size = len(input_list) // num_threads for i in range(0, len(input_list), chunk_size): chunk = input_list[i:i+chunk_size] thread = MapReduceThread(chunk, mapper, shuffler) thread.start() threads.append(thread) for thread in threads: thread.join() return map(reducer, shuffler.items())if __name__ == "__main__": words = "python is the best language for programming and python is easy to learn".split(" ") result = list(map_reduce_function(words, num_threads=4)) for i in result: print(i)

这里的本质一模一样,将字符串分割为四份,并且分发这四个字符串到不同的线程执行,最后将执行结果归约。只不过由于Python的GIL机制,导致Python中的线程是并发执行的,而不能实现并行,所以在python中使用线程来实现MapReduce是不合理的。(GIL机制:抢占式线程,不能在同一时间运行多个线程)。

三、基于多进程实现MapReduce

由于Python中GIL机制的存在,无法实现真正的并行。这里有两种解决方案,一种是使用其他语言,例如C语言,这里我们不考虑;另一种就是利用多核,CPU的多任务处理能力。

from collections import defaultdictimport multiprocessingdef mapper(chunk): word_count = defaultdict(int) for word in chunk.split(): word_count[word] += 1 return word_countdef reducer(word_counts): result = defaultdict(int) for word_count in word_counts: for word, count in word_count.items(): result[word] += count return resultdef chunks(lst, n): for i in range(0, len(lst), n): yield lst[i:i + n]def map_reduce_function(text, num_processes): chunk_size = (len(text) + num_processes - 1) // num_processes chunks_list = list(chunks(text, chunk_size)) with multiprocessing.Pool(processes=num_processes) as pool: word_counts = pool.map(mapper, chunks_list) result = reducer(word_counts) return resultif __name__ == "__main__": text = "python is the best language for programming and python is easy to learn" num_processes = 4 result = map_reduce_function(text, num_processes) for i in result: print(i, result[i])

这里使用多进程来实现MapReduce,这里就是真正意义上的并行,依然是将数据切分,采用并行处理这些数据,这样才可以体现出MapReduce的高效特点。但是在这个例子中可能看不出来很大的差异,因为数据量太小。在实际应用中,如果数据集太小,是不适用的,可能无法带来任何收益,甚至产生更大的开销导致性能的下降。

四、在100GB的文件中检索数据

这里依然使用MapReduce的思想,但是有两个问题

文件太大,读取速度慢

解决方法:

使用分块读取,但是在分区时不宜过小。因为在创建分区时会被序列化到进程,在进程中又需要将其解开,这样反复的序列化和反序列化会占用大量时间。不宜过大,因为这样创建的进程会变少,可能无法充分利用CPU的多核能力。

文件太大,内存消耗特别大

解决方法:

使用生成器和迭代器,但需获取。例如分块为8块,生成器会一次读取一块的内容并且返回对应的迭代器,以此类推,这样就避免了读取内存过大的问题。

from datetime import datetimeimport multiprocessingdef chunked_file_reader(file_path:str, chunk_size:int): """ 生成器函数:分块读取文件内容 - file_path: 文件路径 - chunk_size: 块大小,默认为1MB """ with open(file_path, 'r', encoding='utf-8') as file: while True: chunk = file.read(chunk_size) if not chunk: break yield chunkdef search_in_chunk(chunk:str, keyword:str): """在文件块中搜索关键字 - chunk: 文件块 - keyword: 要搜索的关键字 """ lines = chunk.split('\n') for line in lines: if keyword in line: print(f"找到了:", line)def search_in_file(file_path:str, keyword:str, chunk_size=1024*1024): """在文件中搜索关键字 file_path: 文件路径 keyword: 要搜索的关键字 chunk_size: 文件块大小,为1MB """ with multiprocessing.Pool() as pool: for chunk in chunked_file_reader(file_path, chunk_size): pool.apply_async(search_in_chunk, args=(chunk, keyword)) if __name__ == "__main__": start = datetime.now() file_path = "file.txt" keyword = "张三" search_in_file(file_path, keyword) end = datetime.now() print(f"搜索完成,耗时 {end - start}")

最后程序运行时间为两分钟左右。

作者:changwan链接:https://juejin.cn/post/7364448176574857267

0 阅读:114

互联架构唠唠嗑

简介:感谢大家的关注