大数据入门第八天——MapReduce详解（三）MR的shuffer、combiner与Yarn集群分析

1/mr的combiner

2/mr的排序

3/mr的shuffle

4/mr与yarn

5/mr运行模式

6/mr实现join

7/mr全局图

8/mr的压缩

今日提纲

一、流量汇总排序的实现

　　1.需求　　　

　　　　对日志数据中的上下行流量信息汇总，并输出按照总流量倒序排序的结果

　　2.分析　　　

　　基本思路：实现自定义的bean来封装流量信息，并将bean作为map输出的key来传输

　　MR程序在处理数据的过程中会对数据排序(map输出的kv对传输到reduce之前，会排序)，排序的依据是map输出的key

　　所以，我们如果要实现自己需要的排序规则，则可以考虑将排序因素放到key中，让key实现接口：WritableComparable然后重写key的compareTo方法

　　当然，这里还需要考虑的问题是如果分区导致了结果多个reducer，则单个reducer是有序的，但全局不一定有序！

　　3.代码

package com.mr.flowsort;

import com.mr.flowsum.FlowBean;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * mapper
 * 这个排序针对的是上次流量汇总的结果，所以输入就是上次流量汇总输出的文件
 * 输出就是Bean作为输入，手机号作为输出
 *
 * @author zcc ON 2018/2/2
 **/
public class FlowSortMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
    private FlowBean flowBean = new FlowBean();
    private Text phone = new Text();
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 各手机号的总流量信息
        String line = value.toString();
        String[] fields = line.split("\t");
        String phoneNum = fields[0];
        String bean = fields[1];
        // 封装设置属性方法，下面封装的方法之所以如此费劲，是由于Bean的toString()方法所致
        flowBean.setFields(getUpFlow(bean), getDownFlow(bean));
        phone.set(phoneNum);
        // 写出去（已序列化），同样Text也不能在这里new，否则new的次数过多，浪费内存
        context.write(flowBean, phone);
    }

    private long getUpFlow(String bean) {
        int start = StringUtils.ordinalIndexOf(bean, "=", 1);
        int end = StringUtils.ordinalIndexOf(bean, ",", 1);
        String upFlow = bean.substring(start + 1, end);
        return Long.parseLong(upFlow);
    }

    private long getDownFlow(String bean) {
        int start = StringUtils.ordinalIndexOf(bean, "=", 2);
        int end = StringUtils.ordinalIndexOf(bean, ",", 2);
        String downFlow = bean.substring(start + 1, end);
        return Long.parseLong(downFlow);
    }
    // 以上方法可合并
    private long getFlow(String bean, int ordinal) {
        int start = StringUtils.ordinalIndexOf(bean, "=", ordinal);
        int end = StringUtils.ordinalIndexOf(bean, ",", ordinal);
        String flow = bean.substring(start + 1, end);
        return Long.parseLong(flow);
    }

}

FlowSortMapper

package com.mr.flowsort;

import com.mr.flowsum.FlowBean;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * reducer
 *
 * @author zcc ON 2018/2/2
 **/
public class FlowSortReducer extends Reducer<FlowBean,Text,Text,FlowBean>{
    /**
     * 进来的数据是<bean,phoneNum>，而且bean是不会相同的，所以迭代器此时只有一个元素
     * @param key
     * @param values
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        // 直接写出即可，注意此时values只有一个
        context.write(values.iterator().next(), key);
    }
}

FlowSortReducer

package com.mr.flowsum;

import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * 这里选择实现WritableComparable接口即可，因为此接口继承了Writable接口（继承树关系）
 * @author zcc ON 2018/1/31
 **/
public class FlowBean implements WritableComparable<FlowBean>{
    private long upFlow;
    private long downFlow;
    private long sumFlow;

    /**
     * 反序列化时需要显式调用空参
     */
    public FlowBean() {
    }

    public FlowBean(long upFlow, long downFlow) {
        this.upFlow = upFlow;
        this.downFlow = downFlow;
        this.sumFlow = upFlow + downFlow;
    }
    public void setFields(long upFlow, long downFlow) {
        this.upFlow = upFlow;
        this.downFlow = downFlow;
        this.sumFlow = upFlow + downFlow;
    }
    public long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
        this.upFlow = upFlow;
    }

    public long getDownFlow() {
        return downFlow;
    }

    public void setDownFlow(long downFlow) {
        this.downFlow = downFlow;
    }

    public long getSumFlow() {
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
        this.sumFlow = sumFlow;
    }

    /**
     * 序列化
     * @param out
     * @throws IOException
     */
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeLong(upFlow);
        out.writeLong(downFlow);
        out.writeLong(sumFlow);
    }

    /**
     * 反序列化，注意序列化与反序列化的顺序必须一致！
     * @param in
     * @throws IOException
     */
    @Override
    public void readFields(DataInput in) throws IOException {
        this.upFlow = in.readLong();
        this.downFlow = in.readLong();
        this.sumFlow = in.readLong();
    }

    @Override
    public String toString() {
        return "FlowBean{" +
                "upFlow=" + upFlow +
                ", downFlow=" + downFlow +
                ", sumFlow=" + sumFlow +
                '}';
    }

    @Override
    public int compareTo(FlowBean o) {
        return Long.compare(this.getSumFlow(), o.getSumFlow());
    }
}

FlowBean

package com.mr.flowsort;

import com.mr.flowsum.*;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * 配置Driver
 *
 * @author zcc ON 2018/2/2
 **/
public class FlowSortDriver {
    public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 设置本程序jar包本地位置
        job.setJarByClass(FlowSortDriver.class);
        // 指定本业务job要使用的mapper/reducer业务类
        job.setMapperClass(FlowSortMapper.class);
        job.setReducerClass(FlowSortReducer.class);
        // 指定map输出的数据类型（由于可插拔的序列化机制导致）
        job.setMapOutputKeyClass(FlowBean.class);
        job.setMapOutputValueClass(Text.class);
        // 设置自定义分区器，这里不分区
        // job.setPartitionerClass(ProvincePartitioner.class);
        // 设置相应分区数量的reduceTask
        // job.setNumReduceTasks(5);
        // 指定最终输出(reduce)的的数据类型（可选，因为有时候不需要reduce）
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        // 指定job的原始输入/输出目录（可以改为由外面输入，而不必写死）
        FileInputFormat.setInputPaths(job, new Path("/flowcount/output"));
        FileOutputFormat.setOutputPath(job, new Path("/flowsort/output"));
        // 提交（将job中的相关参数以及java类所在的jar包提交给yarn运行）
        // job.submit();
        // 反馈集群信息
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 :1);
    }
}

FlowSortDriver

　　这里注意一下输入输出路径即可，这里再次提醒运行的方式：

hadoop jar zk03.jar com.mr.flowsort.FlowSortDriver

二、MR内部shuffer过程

　　这里对上面一整个排序的过程、数据的流向进行剖析：

　　　　（注意mr不仅仅是处理文本文件，只要更改默认的inputFormat即可，像之前的一次读一行就是由TextInputFormat决定的。所以是支持自定义的！常见的操作多行的文本的InputFormat也是有例如NLineInputFormat等定义的！）

　　1.概述

　　　　v mapreduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle；

　　　　　　通俗的讲， Shuffle描述着数据从map task输出到reduce task输入的这段过程

　　　　v shuffle: 洗牌、发牌——（核心机制：数据分区，排序，缓存）；

　　　　v 具体来说：就是将maptask输出的处理结果数据，分发给reducetask，并在分发的过程中，对数据按key进行了分区和排序；

　　2.流程详解

　　流程详解：

1、maptask收集我们的map()方法输出的kv对，放到内存缓冲区中
2、从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
3、多个溢出文件会被合并成大的溢出文件
4、在溢出过程中，及合并的过程中，都要调用partitoner进行分组和针对key进行排序
5、reducetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据
6、reducetask会取到同一个分区的来自不同maptask的结果文件，reducetask会将这些文件再进行合并（归并排序）
7、合并成大文件后，shuffle的过程也就结束了，后面进入reducetask的逻辑运算过程（从文件中取出一个一个的键值对group，调用用户自定义的reduce()方法）

Shuffle中的缓冲区大小会影响到mapreduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快 
缓冲区的大小可以通过参数调整,  参数：io.sort.mb  默认100M

　　　　推荐阅读shuffer详解的博文；http://langyu.iteye.com/blog/992916

　　　　　　　　　　　　　　　　　　http://blog.csdn.net/techchan/article/details/53405519

　　如图所示：

三、MR中的Combiner

　　（1）combiner是MR程序中Mapper和Reducer之外的一种组件

　　（2）combiner组件的父类就是Reducer

　　（3）combiner和reducer的区别在于运行的位置：

　　　　Combiner是在每一个maptask所在的节点运行

　　　　Reducer是接收全局所有Mapper的输出结果；

　　(4) combiner的意义就是对每一个maptask的输出进行局部汇总，以减小网络传输量

　　具体实现步骤：

　　　　1、自定义一个combiner继承Reducer，重写reduce方法

　　　　2、在job中设置： job.setCombinerClass(CustomCombiner.class)

package com.mr.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * combiner
 *
 * @author zcc ON 2018/2/2
 **/
public class WordcountCombiner extends Reducer<Text,IntWritable,Text,IntWritable>{
    private IntWritable count = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int c = 0;
        for (IntWritable value : values) {
            c += value.get();
        }
        count.set(c);
        context.write(key, count);
    }
}

WordcountCombiner

package com.mr.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * wordcount的任务配置类
 * 相当于yarn集群的客户端，在此封装MR配置参数
 * @author zcc ON 2018/1/31
 **/
public class WordCountDriver {
    public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 设置本程序jar包本地位置
        job.setJarByClass(WordCountDriver.class);
        // 指定本业务job要使用的mapper/reducer业务类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);
        // 指定map输出的数据类型（由于可插拔的序列化机制导致）
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 指定最终输出(reduce)的的数据类型（可选，因为有时候不需要reduce）
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 指定Combiner
        job.setCombinerClass(WordcountCombiner.class);
        // 指定job的原始输入/输出目录（可以改为由外面输入，而不必写死）
        FileInputFormat.setInputPaths(job, new Path("/wordcount/input"));
        FileOutputFormat.setOutputPath(job, new Path("/wordcount/output"));
        // 提交（将job中的相关参数以及java类所在的jar包提交给yarn运行）
        // job.submit();
        // 反馈集群信息
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 :1);
    }
}

WordCountDriver

　　(5) combiner能够应用的前提是不能影响最终的业务逻辑

　　　　而且，combiner的输出kv应该跟reducer的输入kv类型要对应起来

　　注意：Combiner的输出是Reducer的输入，如果Combiner是可插拔的，添加Combiner绝不能改变最终的计算结果。所以Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。

　　整个流程以及combiner的所处位置，参考详解：https://www.cnblogs.com/ljy2013/articles/4435657.html

四、mapreduce与yarn集群分析

　　1.yarn概述

　　Yarn是一个分布式的资源管理系统，用以提高分布式的集群环境下的资源利用率，
这些资源包括内存、IO、网络、磁盘等。其产生的原因是为了解决原MapReduce框架的不足。
最初MapReduce的committer们还可以周期性的在已有的代码上进行修改，可是随着代码的增加以及原MapReduce框架设计的不足，在原MapReduce框架上进行修改变得越来越困难，
所以MapReduce的committer们决定从架构上重新设计MapReduce,使下一代的MapReduce(MRv2/Yarn)框架具有更好的扩展性、可用性、可靠性、向后兼容性和更高的资源利用率
以及能支持除了MapReduce计算框架外的更多的计算框架。

　　2.yarn重要概念

　　1、 yarn并不清楚用户提交的程序的运行机制

　　2、 yarn只提供运算资源的调度（用户程序向yarn申请资源，yarn就负责分配资源）

　　3、 yarn中的主管角色叫ResourceManager

　　4、 yarn中具体提供运算资源的角色叫NodeManager

　　5、这样一来，yarn其实就与运行的用户程序完全解耦，就意味着yarn上可以运行各种类型的分布式运算程序（mapreduce只是其中的一种），比如　mapreduce、storm程序，spark程序，tez ……

　　6、所以，spark、storm等运算框架都可以整合在yarn上运行，只要他们各自的框架中有符合yarn规范的资源请求机制即可

　　7、 Yarn就成为一个通用的资源调度平台，从此，企业中以前存在的各种运算集群都可以整合在一个物理集群上，提高资源利用率，方便数据共享

　　3.调度过程图