大数据技术就在生活中: 登机牌、阅卷与 Map-Reduce（归约）

文|唐常杰（四川大学，计算机学院，教授）

映射-归约（Map-Reduce）是谷歌多年前推出的建立海量数据索引的方法，有人说它是里程碑性的技术。而理解“映射-归约”，又是理解更时髦的Hadoop和Spark等大数据技术的基础。一位作管理的朋友说，虽看过一些大数据相关文章，但对“映射-归约”的体验很不踏实，最先在网上，也曾在云里, 而今却在雾中；鼓励我写一篇科普文章，以便能让非计算机专业朋友了解梗概。

其实，在谷歌之前，人们就不知不觉地用了映射-归约技术，如机场分发登机牌，银行取号排队，流水作业阅卷，不过，要说清楚“映射向何方，归约在何处”，还有一点挑战，Let me try。

1、搜索引擎有多快

本文将三次用到飞机航班相关的实例，在百度（或谷歌）查询栏中输入”CA1209”，不到一秒钟，百度给出200个结果，分成20多页呈现,其中前几页是比较靠谱的，为后面叙述方便，不妨把这200个结果页面记为p1,p2,…,p200。

 

2 为什么快？养兵千日的倒排索引

搜索网站服务器中有这样一个索引，类似于规范的科技书籍之书末索引，其特点是一关键字对多个标号（或页码），又称为倒排表,其中航班“CA1209”这一项关键字，对应了百度列出的200条信息p1,p2,…,p200.

百度在回答查询时，一秒钟送出这些现成的p1,p2,…..,p200。不过是小菜一碟的用兵一时。

而这个倒排索引是由若干万台电脑（或CPU）以365×24方式,夜以继日做出来的结果，真是养兵千日。

3、大数据环境下，倒排索引有多难

设某搜索引擎每天新增1亿篇网文，考虑到网文中有些太平凡的字词（停用词，Stop Word）不适合做关键字，如 “的”、“地”、“得”、“不但”、“而且”，等等，每个网页平均有效关键字按100估算，要做完一天新增网页的倒排表，用笨方法，需要读扫描1亿网页，写处理100亿词汇，然后记录下所有如下的对子：

<关键字，所在页面>

再加以整理，去重、合并、压缩，这需要用多少个CPU小时！需要多大的空间！

谷歌在创业之初，提出了一个从海量文档中做倒排索引的聪明方法–Map-Reduce（映射-归约），正是它，协调若干万台电脑，并行计算，完成了倒排表的构建与维护，使谷歌在求多求快的竞争中立于不败之地。

下面用机场办理登机牌的例子来说明。

4 机场登机牌分发中的映射-归约

乘客在首都机场办理登机手续时，会经过三次映射（三次映射的复合还是映射）和一次归约。

4.1 第一次映射，分而治之，进 入首都机场候机大厅，乘客会看到如下的液晶屏：

这屏信息，提示乘客按航班分流，例如航班CA1209是在K0—K14号的15个值机台办理登机牌；分而治之，缩小了数据规模，这是古代政治家治理国家的经典策略，也是如今处理大数据朴素方法。

 

4.2 第二次映射，把乘客分到值机台

下图展示了首都机场K0–K14值机台办理登机牌的情况。为保护隐私，故意把图片做了模糊化处理。

 

右边是乘客队列（相当于第3段例子中的每天新增的1亿个网页）。在中间，一位机场人员把乘客分成组（例如15人一组），一次进入一组，分到15个值机柜台，引导加上乘客趋短避长的心态，保证了各个小队列长度大致平衡。

4.3 第三次映射，把乘客映射到《航班，座号》

柜台处理包括验看证件，发放登机牌，把乘客分到了航班上，并给托运行李挂上航班标签。

设在多个值机台的并行工作下，证件号为 1，3，5的乘客，分到了航班 CA1209，而证件号为 2,4,6的乘客，分到了航班 3U8882，于是，得到了下列《乘客，航班号，座号》三元组：

《1，CA1209，1排A》， 《3，CA1209，2排B》， 《3，CA1209，3排C》，

《2，3U8882，5排A》， 《4，3U8882，7排B》， 《6，3U8882，2排C》，

至此，并行地完成了这6位乘客的第三次映射 。

4.4 归约成为倒排表

把上述映射的结果按航班合并、约简，成为便于使用的如下形式，即倒排表：

这一步骤，把同一航班的乘客归到一起，例如，1,3，5出现在倒排表中CA1208这一行右边，对乘客而言，是归类，对信息而言，是约简， 把这一动作称为归约（reduce）,是再合适不过了。

登机牌在该航班起飞前半小时将停办，对应倒排表停止变化，把乘客按某指标（通常关注重要程度）排序，被分发到该航班和机场、保险公司等相关部门。

此外，用多个 单关键字的倒排索引作交集，可以得到多关键字的倒排索引。

4.5 倒排表帮助改善服务 上 述倒排索引能帮助机组人员知道登机人数与座位，改善服务，例如能叫出头等舱客户和金卡客户的姓名、且服务到座位，就显得格外温馨和谐。

如有突发事件发生，作为“处突”依据，例如，马航官方能在突发事件后很快查出MH370的乘客信息。

综上所述，办理登机牌的全过程可以表达为下列经典的Map-Reduce图，这个图大致反映了并行地映射-归约的流向，但未表达4.3节描述的归约细节，用于科普，勉强够了。

现在的互联网搜索引擎，倒排表中机理大致如上，但数量增大若干个数量级，相当于在上图中的乘客组有几千万， 值机台（CPU）有100万， 而航班（倒排索引项）是几万-几十万。

需要说明，这只是为了说明‘映射-归约”机制而编的例子，真实的机场工作机制要复杂得多。

5 安检时的映射-归约，

在首都机场，可以看到，在安检时，还有一次Map-Reduce过程， 源源不断的乘客乘坐扶梯下到安检大厅，

Map： 一位安检人员指引乘客，分流到个安检口；

Reduce：安检后，分成若干类：大部分归约为PASS 类，部分乘客有不合适行李，要做处理，自弃，留存，安检人员会对应机票，身份证作相应记录，….

6 流水作业方式阅卷中的映射归约

真实的高考涉及若干政策问题，比较复杂；只有一个评阅人的阅卷有没有并行，不适合做映射-归约的用例。下面考虑一个学院中某一课程的期末考试试卷处理，为公平和高效，阅卷普遍采用流水作业方式，一位阅卷人评阅一组题，然后总计分数；要求给出如下的分数段倒排表：

映射阶段：把答卷片组分给承担任务的阅卷人，（就像把乘客组分到值机台）

归约预处理阶段：阅卷人阅承担的片段，汇总片段所得总分；（就像值机台把乘客分到航班，并发登机牌）

归约后处理阶段：与登机牌处理的不同点，在归约算法中适当地方，增加一道汇总试卷总分，并且归约到分数段。写入倒排表。

这个例子仅仅是为了说明，在人们熟悉的流水阅卷过程中，包含了Map-Reduce的深刻机理； 在这个意义上可以说，大数据技术也是源于生活，服务于生活的。

7 小样启发思考，映射-归约技术要点

上面的例子在思路上还真是Map-Reduce(不仅仅是比喻），虽然还只是“小样”，但事不同而理同。能启发我们的思考。

大数据中的映射-归约有下列要点：

1. 目标： 完成某一类计算，典型实例之一是生成某个关键字上的倒排索引；

2. 对象： PB级的数据，例如来自云、来自分布式文件系统的文档。

3. 并行处理 ，多个（几百—几十万个，甚至更多）处理单元（电脑，CPU，人员）；

4 有序 ：在机场，车站，当客户增加，仅仅增加服务台来做归约（Reduce),常常不够有序，增加一个映射（Map）机制，把被处理对象分配到处理单元，是不可少的环节。春运中人们更体会到这一条。

5 多层映射，多层归约 ；在首都机场我们看到了映射有三层，第一次映射到值机台分区，分而治之；第二次次到值机台，第三次映射到《乘客，航班号，座号》三元组；根据实际情况，归约也可以是多层次的。

这里也要强调，小样和真实还有差距，量变超过了一定阈值，会引发质变，这一点在实践中必须注意。

还有两个例子，根据经验，做为练习题效果更好，

习题1 大型会议接送VIP客人 。

大型会议中VIP客人（特邀报告人， 著名学者等）较多。接送小组把航班火车信息收集工作落实到人，一人包几位VIP，然后把接送任务分发给接送车辆司机，请画出映射-归约图。

提示：对比登记牌例子，接送小组相当于中的值机台，而接送车辆相当于航班。

习题2 大型会议报告分会安排 。

大型会议有众多论文，按内容分类，需要在不同时间地点的不同分会报告，请画出映射-归约图。

提示 提示：对比登记牌例子，内容类别相当于值机台，分会相当于航班。

End.