BigData——MapReduce

MapReduce

上图是MapReduce的任务处理过程

概述

MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.
MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据【在这先把reduce理解为一个单独的聚合程序即可】。
MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。
这两个函数的形参和返回值都是<key、value>，使用的时候一定要注意构造<k,v>。

Map

框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认，框架对每个InputSplit中的每一行，解析成一个<k1,v1>。
框架调用Mapper类中的map(...)函数，map函数的形参是<k1,v1>对，输出是<k2,v2>对。一个InputSplit对应一个map task。程序员可以覆盖map函数，实现自己的逻辑。
(假设reduce存在)框架对map输出的<k2,v2>进行分区。不同的分区中的<k2,v2>由不同的reduce task处理。默认只有1个分区。
(假设reduce不存在)框架对map结果直接输出到HDFS中。
(假设reduce存在)框架对每个分区中的数据，按照k2进行排序、分组。分组指的是相同k2的v2分成一个组。注意：分组不会减少<k2,v2>数量。
(假设reduce存在，可选)在map节点，框架可以执行reduce归约。
(假设reduce存在)框架会对map task输出的<k2,v2>写入到linux 的磁盘文件中。

Reduce

框架对多个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。这个过程称作shuffle。
框架对reduce端接收的[map任务输出的]相同分区的<k2,v2>数据进行合并、排序、分组。
框架调用Reducer类中的reduce方法，reduce方法的形参是<k2,{v2...}>，输出是<k3,v3>。一个<k2,{v2...}>调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑。
框架把reduce的输出保存到HDFS中。

Shuffle

每个map有一个环形内存缓冲区，用于存储map的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容溢写到(spill)磁盘的指定目录（mapred.local.dir）下的一个新建文件中。
写磁盘前，要partition,sort。如果有combiner，combine排序后数据。
等最后记录写完，合并全部文件为一个分区且排序的文件。

Reducer通过Http方式得到输出文件的特定分区的数据。
排序阶段合并map输出。然后走Reduce阶段。
reduce执行完之后，写入到HDFS中。

Java基本类型	Writable	序列化大小(字节)
布尔型（boolean）	BooleanWritable	1
字节型（byte）	ByteWritable	1
整型（int）	IntWritable	4
	VIntWritable	1-5
浮点型（float）	FloatWritable	4
长整型（long）	LongWritable	8
双精度浮点型（double）	VLongWritable	1-9
	DoubleWritable	8

Demo:WordCount

public class WordCount {
    /**
     * 该main方法是该mapreduce程序运行的入口，其中用一个Job类对象来管理程序运行时所需要的很多参数：
     * 比如，指定用哪个组件作为数据读取器、数据结果输出器 指定用哪个类作为map阶段的业务逻辑类，哪个类作为reduce阶段的业务逻辑类
     * 指定wordcount job程序的jar包所在路径 .... 以及其他各种需要的参数
     */
    public static void main(String[] args) throws Exception {
        // 指定hdfs相关的参数
        Configuration conf = new Configuration();

        // 手动设置，该MapReduce程序读取的数据来自于HDFS集群
        conf.set("fs.defaultFS", "hdfs://master:9000");
        // 设置运行程序的用户是hadoop用户，就是安装hadoop集群的用户。如果该程序在Hadoop集群中使用hadoop用户进行运行，则可以去掉
        System.setProperty("HADOOP_USER_NAME", "root");

        /**
         * 以上的配置信息，事实上，在实际企业生产环境中，也可以使用conf.addResource方法进行加载。
         * 当然如果配置文件的名字是core/hdfs/yarn/mapred-site/default.xml的话。 那么会自动加载的。
         */
//        conf.addResource("hadoop_config/core-site.xml");
//        conf.addResource("hadoop_config/hdfs-site.xml");

        // 如果想让MR程序运行在特定的YARN集群之上，则可以使用一下代码，然后，这两信息，在安装集群的配置文件中都有配置的
        // conf.set("mapreduce.framework.name", "yarn");
        // conf.set("yarn.resourcemanager.hostname", "node1");

        // 通过Configuration对象获取Job对象，该job对象会组织所有的该MapReduce程序所有的各种组件
        Job job = Job.getInstance(conf);

        // 设置jar包所在路径
        job.setJarByClass(WordCount.class);

        // 指定mapper类和reducer类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        /**
         * 指定maptask的输出类型
         * Mapper的输入key-value类型，由MapReduce框架决定， 默认情况下就是 LongWritable和Text类型
         * 
         * 假如 mapTask的输出key-value类型，跟reduceTask的输出key-value类型一致，那么，以上两句代码可以不用设置
         */
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        /**
         * 指定reducetask的输出类型
         * 如果reduceTask的输入key-value类型就是 mapTask的输出key-value类型。可以不需要指定
         */
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 为job指定输入数据的组件和输出数据的组件，以下两个参数是默认的，所以不指定也是OK的
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        // 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.class
        job.setPartitionerClass(HashPartitioner.class);

        /**
         * 指定该mapreduce程序数据的输入和输出路径:
         * inputPath目录可以是文件，也可以是目录
         * outputPath路径必须是不存在的目录
         */
        Path inputPath = new Path("/bigdata/data.txt");
        Path outputPath = new Path("/output/wc");

        // 设置该MapReduce程序的ReduceTask的个数
        // job.setNumReduceTasks(3);

        // 该段代码是用来判断输出路径存在不存在，存在就删除，虽然方便操作，但请谨慎
        FileSystem fs = FileSystem.get(conf);
        if (fs.exists(outputPath)) {
            fs.delete(outputPath, true);
        }

        // 设置wordcount程序的输入路径
        FileInputFormat.setInputPaths(job, inputPath);
        // 设置wordcount程序的输出路径
        FileOutputFormat.setOutputPath(job, outputPath);

        // job.submit();
        // 最后提交任务(verbose布尔值 决定要不要将运行进度信息输出给用户)
        boolean waitForCompletion = job.waitForCompletion(true);
        // 主线程程序根据MapReduce程序的运行结果成功与否退出。
        System.exit(waitForCompletion ? 0 : 1);
    }

    /**
     * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
     * 
     * KEYIN 是指框架读取到的数据的key的类型，在默认的InputFormat下，读到的key是一行文本的起始偏移量，所以key的类型是Long
     * VALUEIN 是指框架读取到的数据的value的类型,在默认的InputFormat下，读到的value是一行文本的内容，所以value的类型是String
     * KEYOUT 是指用户自定义逻辑方法返回的数据中key的类型，由用户业务逻辑决定，在此wordcount程序中，我们输出的key是单词，所以是String
     * VALUEOUT 是指用户自定义逻辑方法返回的数据中value的类型，由用户业务逻辑决定,在此wordcount程序中，我们输出的value是单词的数量，所以是Integer
     * 
     * 但是，String ，Long等jdk中自带的数据类型，在序列化时，效率比较低，hadoop为了提高序列化效率，自定义了一套序列化框架
     * 所以，在hadoop的程序中，如果该数据需要进行序列化（写磁盘，或者网络传输），就一定要用实现了hadoop序列化框架的数据类型
     * 
     * Long ----> LongWritable 
     * String ----> Text 
     * Integer ----> IntWritable 
     * Null ----> NullWritable
     */
    static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

        /**
         * LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量
         * Text value ： 就是MapReduce框架默认的数据读取组件TextInputFormat读取文件当中的一行文本
         */
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            // 切分单词
            String[] words = value.toString().split(",");
            for (String word : words) {
                // 每个单词计数一次，也就是把单词组织成<hello,1>这样的key-value对往外写出
                context.write(new Text(word), new IntWritable(1));
            }
        }
    }

    /**
     * 首先，和前面一样，Reducer类也有输入和输出，输入就是Map阶段的处理结果，输出就是Reduce最后的输出
     * reducetask在调我们写的reduce方法,reducetask应该收到了前一阶段（map阶段）中所有maptask输出的数据中的一部分
     * （数据的key.hashcode%reducetask数==本reductask号），所以reducetaks的输入类型必须和maptask的输出类型一样
     * 
     * reducetask将这些收到kv数据拿来处理时，是这样调用我们的reduce方法的： 先将自己收到的所有的kv对按照k分组（根据k是否相同）
     * 将某一组kv中的第一个kv中的k传给reduce方法的key变量，把这一组kv中所有的v用一个迭代器传给reduce方法的变量values
     */
    static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

        /**
         * Text key : mapTask输出的key值
         * Iterable<IntWritable> values ： key对应的value的集合（该key只是相同的一个key）
         * 
         * reduce方法接收key值相同的一组key-value进行汇总计算
         */
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

            // 结果汇总
            int sum = 0;
            for (IntWritable v : values) {
                sum += v.get();
            }
            // 汇总的结果往外输出
            context.write(key, new IntWritable(sum));
        }
    }

}

操作

打完jar包传到虚拟机以后，这里需要注意的是，你在代码中是如何书写关于路径问题的，如果是直接写路径，并且jar中指出来主类，那么运行jar不需要任何参数。

如果路径的设置是以 args【1】或者args【2】输入的话，就需要你在运行jar时手动追加输入路径。此时输出路径需注意是个空文件夹或者未生成，不然就会提醒报错。（同样也可以在代码中利用api写删除路径）如果是idea的maven打包的话，还需要注意声明jar 的主方法。

hadoop 任务提交命令（利用参数提交）：
hadoop jar WCdemo.jar /data/wc.txt /out1

posted @ 2022-09-22 17:15 Christopher·阳阅读(39) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

Loading

Christopher·Yougn Blog

BigData——MapReduce

MapReduce

概述

Map

Reduce

Shuffle

Demo:WordCount

操作

公告