<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Raquel Rodríguez Pérez on Medium]]></title>
        <description><![CDATA[Stories by Raquel Rodríguez Pérez on Medium]]></description>
        <link>https://medium.com/@leuqarrip?source=rss-c9b75e065b4e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*lkCSk8Iz9TlQdPJz</url>
            <title>Stories by Raquel Rodríguez Pérez on Medium</title>
            <link>https://medium.com/@leuqarrip?source=rss-c9b75e065b4e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 17:16:48 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@leuqarrip/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Qué es MapReduce y para qué sirve]]></title>
            <link>https://medium.com/@leuqarrip/qu%C3%A9-es-mapreduce-y-para-qu%C3%A9-sirve-3a023cba8549?source=rss-c9b75e065b4e------2</link>
            <guid isPermaLink="false">https://medium.com/p/3a023cba8549</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[mapreduce]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Raquel Rodríguez Pérez]]></dc:creator>
            <pubDate>Wed, 04 Dec 2024 09:23:32 GMT</pubDate>
            <atom:updated>2024-12-04T09:23:32.019Z</atom:updated>
            <content:encoded><![CDATA[<h3>Introducción</h3><p>En la era del Big Data, procesar grandes volúmenes de información se ha convertido en un desafío crítico para empresas y organizaciones de todo el mundo. Entre las soluciones más destacadas para abordar este reto se encuentra <strong>MapReduce</strong>, un modelo de programación que permite dividir y conquistar la complejidad inherente al análisis de datos masivos. Introducido por Google, MapReduce se ha consolidado como una herramienta fundamental para el procesamiento distribuido, gracias a su capacidad de simplificar tareas complejas y optimizar la eficiencia mediante el paralelismo.</p><h3>Aplicación de MapReduce</h3><p>MapReduce está pensado para ser una solución práctica para algunos problemas. En concreto, para tareas que pueden ser paralelizadas, como problemas que involucran conjuntos de datos de gran tamaño. En este contexto se utiliza el sistema de archivos distribuido HDFS.</p><p>La lógica del framework MapReduce es la de una arquitectura master-slave, contando con un servidor maestro (llamado JobTracker) y varios servidores esclavos (los conocidos como TaskTrackers), de los que habrá uno por cada nodo existente en el clúster. El trabajo del JobTracker es hacer de intermediario entre los usuarios y el framework MapReduce: los trabajos se envían a esta entidad, que los pone en una cola de trabajos pendientes y los va ejecutando en orden de llegada.</p><p>Por tanto, JobTracker será encargado de gestionar las tareas y distribuirlas entre los diferentes TaskTrackers, cosa que permite trabajar en paralelo con enorme efectividad y eficiencia. Los TaskTrackers gestionan, a su vez, el flujo de datos entre la fase Map y la fase Reduce.</p><h3>Map y Reduce, características de cada fase</h3><p>Como ya mencionamos, este sistema de procesamiento emplea tecnologías de almacenamiento de datos distribuidas como HDFS (Hadoop Distributed File System). Este módulo HDFS es el encargado de almacenar los ficheros divididos en bloques de datos, que servirán para alimentar a los TaskTrackers. Los resultados del procesamiento se pueden almacenar en el mismo sistema de almacenamiento, o bien en un sistema externo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*bSVVTmZlqVDOYxGj" /></figure><h3>Función Map</h3><p>Es la función que se encarga del mapeo. La función Map toma la entrada del disco como pares (clave, valor), los procesa y produce otro conjunto de pares (clave, valor) intermedios como salida.</p><p>Después, todos esos pares con la misma clave se agrupan, creando un grupo por cada una de las diferentes claves generadas. Aquí no hay ningún requisito acerca del tipo de datos de entrada y salida (pueden no coincidir). Map se puede realizar en paralelo con un tamaño típico de bloque de 128MB. Como avanzamos anteriormente, las tareas se distribuyen a los nodos TaskTracker.</p><p>Por poner un ejemplo, un archivo puede dividirse en X registros que procesar. El framework decidirá si X mapeadores trabajarán en paralelo procesando un registro cada uno, o la mitad de mapeadores pueden encargarse de dos registros cada uno. Esto irá en función del tamaño total de los datos que se deben procesar y, entre otras cosas, de los recursos de computación disponibles.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/0*D8sJAp8aNWw7kmuS" /></figure><h3>Función Reduce</h3><p>Cada grupo generado por la función Map pasa ahora por la función Reduce, que se llama una vez para cada clave única de la salida de la función anterior. Junto a la clave se pasa también la lista de valores asociados para que se pueda realizar la fusión (en caso de ser posible) y reducir el conjunto de valores.</p><p>Las fases de MapReduce se pueden resumir así:</p><ul><li>Fase de asignación, en la que se filtran los datos a través de todos los nodos en pares de valores clave.</li><li>Reorganización, una fase en la que los valores de salida de la asignación se ordenan y consolidan, agrupándose y descartando duplicados.</li><li>Reducción, que agrega el resultado de la fase anterior ya consolidado, y se combina todo en un directorio de salida único.</li><li>Combinar, una fase opcional, en la que se puede optimizar el rendimiento de los trabajos de MapReduce y logra más rapidez.</li></ul><p>Estas fases se llevan a cabo gracias a dos servicios como son el Resource Manager y el Node Manager. Son los encargados de organizar las tareas de asignación y reducción, y también gestionan los componentes de procesamiento paralelo y tolerancia a fallos en todos los trabajos de MapReduce.</p><h3>Ejemplos de ejecución de MapReduce</h3><p>En los siguientes links podrán encontrar ejemplos de ejecución de MapReduce:</p><p><a href="https://learn.microsoft.com/es-es/azure/hdinsight/hadoop/apache-hadoop-run-samples-linux">https://learn.microsoft.com/es-es/azure/hdinsight/hadoop/apache-hadoop-run-samples-linux</a></p><p><a href="http://blog.leonelatencio.com/ejemplos-de-hadoop-mapreduce/">http://blog.leonelatencio.com/ejemplos-de-hadoop-mapreduce/</a></p><h3>Ejemplos prácticos del uso de MapReduce</h3><ul><li><strong>Análisis de texto</strong>: Imagine un proyecto donde se analiza el contenido de millones de tweets para identificar tendencias. Con MapReduce, cada tweet puede procesarse de manera independiente en la etapa Map, descomponiendo su contenido en palabras clave. En la fase Reduce, estas palabras se agrupan y cuentan para determinar cuáles son las más mencionadas, lo que permite detectar términos de moda.</li><li><strong>Minería de datos</strong>: En la minería de datos, MapReduce se utiliza para identificar patrones dentro de conjuntos de datos enormes, como historiales de compra de clientes. Por ejemplo, durante la etapa Map, cada transacción puede transformarse en pares clave-valor que indiquen productos comprados juntos. La etapa Reduce consolida esta información para descubrir asociaciones frecuentes entre productos, un recurso valioso para estrategias de ventas cruzadas.</li><li><strong>Procesamiento de logs</strong>: Empresas que gestionan millones de registros de actividad diaria, como servicios de streaming o comercio electrónico, usan MapReduce para analizar estos datos. En la fase Map, se extraen métricas clave, como tiempos de respuesta o número de accesos. La fase Reduce consolida esta información para generar estadísticas útiles en la optimización de servicios.</li></ul><h3>Casos de uso específicos</h3><p>Además de los ejemplos mencionados, MapReduce ha demostrado ser esencial en aplicaciones como el procesamiento de imágenes satelitales, análisis genómicos en bioinformática y cálculo de índices de relevancia en motores de búsqueda. En todos estos casos, su capacidad de dividir tareas y procesarlas en paralelo reduce significativamente los tiempos de ejecución, haciéndolo ideal para resolver problemas que involucran grandes conjuntos de datos.</p><h3>¿Cómo emplean las empresas MapReduce?</h3><p>En general, son el sector del software informático y los servicios de TI los que emplean MapReduce. Otros sectores incluyen los servicios financieros, hospitales y asistencia sanitaria, educación superior, comercio minorista, seguros, telecomunicaciones y banca. Estos son algunos ejemplos de casos de uso:</p><ul><li><strong>Servicios financieros</strong>: la banca minorista emplea un sistema Hadoop para validar la precisión y calidad de los datos a fin de cumplir las normativas federales.</li><li><strong>Asistencia sanitaria</strong>: una empresa de TI y asistencia sanitaria emplea un sistema Hadoop para archivar años de reclamaciones y remitir datos, lo que supone procesar terabytes de datos cada día y almacenarlos para análisis posteriores. Otro sistema hospitalario supervisa las constantes vitales transmitidas continuamente por los sensores conectados a los pacientes y recopila de esta manera miles de millones de puntos de datos.</li><li><strong>Servicios de TI</strong>: uno de los grandes proveedores de servicios de TI recopila datos de diagnóstico de sus sistemas de almacenamiento implementados en las instalaciones de sus clientes. Emplea un sistema Hadoop que ejecuta MapReduce sobre registros desestructurados e información de diagnóstico del sistema.</li><li><strong>Investigación</strong>: la investigación continua del proyecto del genoma humano emplea Hadoop MapReduce para procesar volúmenes masivos de datos. Asimismo, un popular proveedor de investigación de genética familiar ejecuta una marea cada vez mayor de datos de secuenciación genética, que incluye datos estructurados y desestructurados sobre nacimientos, muertes, resultados de censos, así como registros militares y de inmigración. Todo esto supone una cantidad enorme de petabytes que no deja de crecer.</li><li><strong>Comercio minorista</strong>: un comercio en línea líder emplea MapReduce para analizar enormes volúmenes de datos de registro y determinar así el comportamiento de los clientes, las recomendaciones de búsquedas y más. Unos grandes almacenes procesan los datos de campañas de marketing a través de un sistema Hadoop con el fin de obtener información y realizar campañas mejor dirigidas e incluso personalizadas para clientes individuales.</li><li><strong>Telecomunicaciones</strong>: el almacenamiento de miles de millones de registros de llamadas con acceso en tiempo real para los clientes se traduce en el procesamiento de cientos de terabytes de datos para un importante proveedor de telecomunicaciones.</li></ul><h3><strong>Conclusión</strong></h3><p>MapReduce es más que una tecnología; es un paradigma que transforma cómo abordamos el análisis de datos masivos. Su capacidad para descomponer tareas complejas y aprovechar la potencia del procesamiento distribuido no solo aumenta la eficiencia, sino que también abre puertas a aplicaciones innovadoras en diversos campos. Comprender su funcionamiento interno y sus aplicaciones prácticas no solo es esencial para profesionales del Big Data, sino que también proporciona una base sólida para explorar nuevas soluciones en este emocionante ámbito, además de facilitar mucho la complejidad de trabajar con grandes volúmenes de datos.</p><h3>Biografía Utilizada</h3><ul><li>Chat GPT</li><li>Microsoft.com</li><li><a href="http://www.arsys.es/blog">www.arsys.es/blog</a></li><li><a href="http://www.verneacademy.com/blog">www.verneacademy.com/blog</a></li><li><a href="http://www.blog.leonelatencio.com/ejemplos-de-hadoop-mapreduce">www.blog.leonelatencio.com/ejemplos-de-hadoop-mapreduce</a></li><li><a href="http://www.aprenderbigdata.com/">www.aprenderbigdata.com</a></li></ul><h3>Sobre la escritora</h3><p>Mi nombre es Raquel, y soy una data Analyst aprendiendo a ser Data Scientist. Me apasiona el mundo de los datos, y saber que cada día aprendo y descubro conceptos nuevos y nuevas maneras de analizarlos.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3a023cba8549" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>