MapReduce学习
MapReduce简介
- MapReduce是一种分布式计算模型，是Google提出的，主要用于搜索领域，解决海量数据的计算问题。
- MR有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。
MapReduce执行流程
MapReduce原理
MapReduce的执行步骤：
1、Map任务处理
1.1 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。 <0,hello you> <10,hello me>
1.2 覆盖map()，接收1.1产生的<k,v>，进行处理，转换为新的<k,v>输出。 <hello,1> <you,1> <hello,1> <me,1>
1.3 对1.2输出的<k,v>进行分区。默认分为一个区。详见《Partitioner》
1.4 对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。 排序后：<hello,1> <hello,1> <me,1> <you,1> 分组后：<hello,{1,1}><me,{1}><you,{1}>
1.5 （可选）对分组后的数据进行归约。详见《Combiner》
2、Reduce任务处理
2.1 多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。（shuffle）详见《shuffle过程分析》
2.2 对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑， <hello,2> <me,1> <you,1>
处理后，产生新的<k,v>输出。
2.3 对reduce输出的<k,v>写到HDFS中。
Java代码实现
注：要导入org.apache.hadoop.fs.FileUtil.java。
1、先创建一个hello文件，上传到HDFS中
2、然后再编写代码，实现文件中的单词个数统计（代码中被注释掉的代码，是可以省略的，不省略也行）
1 package mapreduce;
2
3 import java.net.URI;
4 import org.apache.hadoop.conf.Configuration;
5 import org.apache.hadoop.fs.FileSystem;
6 import org.apache.hadoop.fs.Path;
7 import org.apache.hadoop.io.LongWritable;
8 import org.apache.hadoop.io.Text;
9 import org.apache.hadoop.mapreduce.Job;
10 import org.apache.hadoop.mapreduce.Mapper;
11 import org.apache.hadoop.mapreduce.Reducer;
12 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
13 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
14 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
15 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
16
17 public class WordCountApp {
18 static final String INPUT_PATH = "hdfs://chaoren:9000/hello";
19 static final String OUT_PATH = "hdfs://chaoren:9000/out";
20
21 public static void main(String[] args) throws Exception {
22 Configuration conf = new Configuration();
23 FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
24 Path outPath = new Path(OUT_PATH);
25 if (fileSystem.exists(outPath)) {
26 fileSystem.delete(outPath, true);
27 }
28
29 Job job = new Job(conf, WordCountApp.class.getSimpleName());
30
31 // 1.1指定读取的文件位于哪里
32 FileInputFormat.setInputPaths(job, INPUT_PATH);
33 // 指定如何对输入的文件进行格式化，把输入文件每一行解析成键值对
34 //job.setInputFormatClass(TextInputFormat.class);
35
36 // 1.2指定自定义的map类
37 job.setMapperClass(MyMapper.class);
38 // map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略
39 //job.setOutputKeyClass(Text.class);
40 //job.setOutputValueClass(LongWritable.class);
41
42 // 1.3分区
43 //job.setPartitionerClass(org.apache.hadoop.mapreduce.lib.partition.HashPartitioner.class);
44 // 有一个reduce任务运行
45 //job.setNumReduceTasks(1);
46
47 // 1.4排序、分组
48
49 // 1.5归约
50
51 // 2.2指定自定义reduce类
52 job.setReducerClass(MyReducer.class);
53 // 指定reduce的输出类型
54 job.setOutputKeyClass(Text.class);
55 job.setOutputValueClass(LongWritable.class);
56
57 // 2.3指定写出到哪里
58 FileOutputFormat.setOutputPath(job, outPath);
59 // 指定输出文件的格式化类
60 //job.setOutputFormatClass(TextOutputFormat.class);
61
62 // 把job提交给jobtracker运行
63 job.waitForCompletion(true);
64 }
65
66 /**
67 *
68 * KEYIN 即K1 表示行的偏移量
69 * VALUEIN 即V1 表示行文本内容
70 * KEYOUT 即K2 表示行中出现的单词
71 * VALUEOUT 即V2 表示行中出现的单词的次数，固定值1
72 *
73 */
74 static class MyMapper extends
75 Mapper<LongWritable, Text, Text, LongWritable> {
76 protected void map(LongWritable k1, Text v1, Context context)
77 throws java.io.IOException, InterruptedException {
78 String[] splited = v1.toString().split("\t");
79 for (String word : splited) {
80 context.write(new Text(word), new LongWritable(1));
81 }
82 };
83 }
84
85 /**
86 * KEYIN 即K2 表示行中出现的单词
87 * VALUEIN 即V2 表示出现的单词的次数
88 * KEYOUT 即K3 表示行中出现的不同单词
89 * VALUEOUT 即V3 表示行中出现的不同单词的总次数
90 */
91 static class MyReducer extends
92 Reducer<Text, LongWritable, Text, LongWritable> {
93 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s,
94 Context ctx) throws java.io.IOException,
95 InterruptedException {
96 long times = 0L;
97 for (LongWritable count : v2s) {
98 times += count.get();
99 }
100 ctx.write(k2, new LongWritable(times));
101 };
102 }
103 }
3、运行成功后，可以在Linux中查看
