Bigdata——Mapreduce编写

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

  1 public class WordCount {
  2     /**
  3      * 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：
  4      * 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
  5      * 指定wordcount job程序的jar包所在路径 .... 以及其他各种需要的参数
  6      */
  7     public static void main(String[] args) throws Exception {
  8         // 指定hdfs相关的参数
  9         Configuration conf = new Configuration();
 10 
 11         // 手动设置，该MapReduce程序读取的数据来自于HDFS集群
 12         conf.set("fs.defaultFS", "hdfs://master:9000");
 13         // 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
 14         System.setProperty("HADOOP_USER_NAME", "root");
 15 
 16         /**
 17          * 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。
 18          * 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。
 19          */
 20 //        conf.addResource("hadoop_config/core-site.xml");
 21 //        conf.addResource("hadoop_config/hdfs-site.xml");
 22 
 23         // 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
 24         // conf.set("mapreduce.framework.name", "yarn");
 25         // conf.set("yarn.resourcemanager.hostname", "node1");
 26 
 27         // 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
 28         Job job = Job.getInstance(conf);
 29 
 30         // 设置jar包所在路径
 31         job.setJarByClass(WordCount.class);
 32 
 33         // 指定mapper类和reducer类
 34         job.setMapperClass(WordCountMapper.class);
 35         job.setReducerClass(WordCountReducer.class);
 36 
 37         /**
 38          * 指定maptask的输出类型
 39          * 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
 40          * 
 41          * 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
 42          */
 43         job.setMapOutputKeyClass(Text.class);
 44         job.setMapOutputValueClass(IntWritable.class);
 45 
 46         /**
 47          * 指定reducetask的输出类型
 48          * 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
 49          */
 50         job.setOutputKeyClass(Text.class);
 51         job.setOutputValueClass(IntWritable.class);
 52 
 53         // 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
 54         job.setInputFormatClass(TextInputFormat.class);
 55         job.setOutputFormatClass(TextOutputFormat.class);
 56 
 57         // 为该mapreduce程序制定默认的数据分区组件。默认是 HashPartitioner.class
 58         job.setPartitionerClass(HashPartitioner.class);
 59 
 60         /**
 61          * 指定该mapreduce程序数据的输入和输出路径:
 62          * inputPath目录可以是文件，也可以是目录
 63          * outputPath路径必须是不存在的目录
 64          */
 65         Path inputPath = new Path("/bigdata/data.txt");
 66         Path outputPath = new Path("/output/wc");
 67 
 68         // 设置该MapReduce程序的ReduceTask的个数
 69         // job.setNumReduceTasks(3);
 70 
 71         // 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
 72         FileSystem fs = FileSystem.get(conf);
 73         if (fs.exists(outputPath)) {
 74             fs.delete(outputPath, true);
 75         }
 76 
 77         // 设置wordcount程序的输入路径
 78         FileInputFormat.setInputPaths(job, inputPath);
 79         // 设置wordcount程序的输出路径
 80         FileOutputFormat.setOutputPath(job, outputPath);
 81 
 82         // job.submit();
 83         // 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)
 84         boolean waitForCompletion = job.waitForCompletion(true);
 85         // 主线程程序根据MapReduce程序的运行结果成功与否退出。
 86         System.exit(waitForCompletion ? 0 : 1);
 87     }
 88 
 89     /**
 90      * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 91      * 
 92      * 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
 93      * 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
 94      * 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
 95      * 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
 96      * 
 97      * 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
 98      * 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
 99      * 
100      * Long ----> LongWritable 
101      * String ----> Text 
102      * Integer ----> IntWritable 
103      * Null ----> NullWritable
104      */
105     static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
106 
107         /**
108          * LongWritable key : 该key就是value该行文本的在文件当中的起始偏移量
109          * 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
110          */
111         @Override
112         protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
113 
114             // 切分单词
115             String[] words = value.toString().split(",");
116             for (String word : words) {
117                 // 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
118                 context.write(new Text(word), new IntWritable(1));
119             }
120         }
121     }
122 
123     /**
124      * 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
125      * 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
126      * （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
127      * 
128      * 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）
129      * 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
130      */
131     static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
132 
133         /**
134          * Text key : mapTask输出的key值
135          * Iterable<IntWritable> values ： key对应的value的集合（该key只是相同的一个key）
136          * 
137          * reduce方法接收key值相同的一组key-value进行汇总计算
138          */
139         @Override
140         protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
141 
142             // 结果汇总
143             int sum = 0;
144             for (IntWritable v : values) {
145                 sum += v.get();
146             }
147             // 汇总的结果往外输出
148             context.write(key, new IntWritable(sum));
149         }
150     }
151 }