上篇,我们介绍了hadoop中hdfs文件系统,本篇我们继续学习下hadoop的另一大核心:mapreduce。
mapreduce是hadoop中首创的分布式运算框架,它极擅长离线的海量日志数据的分析,离线的批量任务处理。mapreduce将一个任务(job) 划分为两个阶段:map(映射)阶段和reduce(化简)阶段。
map(映射)阶段: 处理单个的、具体的一条一条的数据,可高度并发。
reduce(化简)阶段:对列表的元素进行适当的合并,汇总,得到最终的结果。
写一个小案例: 统计一个(或多个)文件中每个单词出现的次数--wordcount
程序的思路很简单:
map阶段 , 分析每一个输入文件中每个单词,一行一行第读取(按空格分隔单词),每读到一个单词计数加1。
reduce阶段,汇总每个单词出现的次数,计数器累加求和。
注:任何基于mapreduce运行模型(框架)编写的用户程序,都必须遵守mapreduce程序的编写规范,即必须含有一个map程序和reduce程序,另外最好还要有个执行mapreduce程序的入口(主函数)程序 。
WCMapper.java map程序
package com.tingcream.hadoopStudy.mapreduce;
import java.io.IOException;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
//wordcount map程序
//4个泛型中,前两个是指定mapper输入数据的类型,KEYIN是输入的key的类型,VALUEIN是输入的value的类型
//map 和 reduce 的数据输入输出都是以 key-value对的形式封装的
//默认情况下,mapreduce框架传递给我们的mapper的输入数据中,key是要处理的文本中一行的起始偏移量,这一行的内容作为value
public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
//mapreduce框架每读一行数据就调用一次该方法
@Override
protected void map(LongWritable key, Text value,Context context)
throws IOException, InterruptedException {
//具体业务逻辑就写在这个方法体中,而且我们业务要处理的数据已经被框架传递进来,在方法的参数中 key-value
//key 是这一行数据的起始偏移量 value 是这一行的文本内容
//将这一行的内容转换成string类型
String line = value.toString();
//对这一行的文本按特定分隔符切分
String[] words = StringUtils.split(line, " ");
//遍历这个单词数组输出为kv形式 k:单词 v : 1
for(String word : words){
context.write(new Text(word), new LongWritable(1));
}
}
}
WCReducer.java reduce 程序
package com.tingcream.hadoopStudy.mapreduce;
//wordcount reducer程序
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
//框架在map处理完成之后,将所有kv对缓存起来,进行分组,然后传递一个组<key,valus{}>,调用一次reduce方法
//<hello,{1,1,1,1,1,1.....}>
@Override
protected void reduce(Text key, Iterable<LongWritable> values,Context context)
throws IOException, InterruptedException {
long count = 0;
//遍历value的list,进行累加求和
for(LongWritable value:values){
count += value.get();
}
//输出这一个单词的统计结果
context.write(key, new LongWritable(count));
}
}
WCRunner.java runner入口程序
package com.tingcream.hadoopStudy.mapreduce;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
/**
* hadoop中的一个job作业
*
* 用来描述一个特定的作业
* 比如,该作业使用哪个类作为逻辑处理中的map,哪个作为reduce
* 还可以指定该作业要处理的数据所在的路径
* 还可以指定改作业输出的结果放到哪个路径
* ....
*
* mapreduce程序 集群运行模式,提交jar包的yarn集群中运行
* hadoop jar xxx.jar com.xx.cc.XXXRunner
*/
public class WCRunner {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job wcjob = Job.getInstance(conf);
//设置整个job所用的那些类在哪个jar包
wcjob.setJarByClass(WCRunner.class);
//本job使用的mapper和reducer的类
wcjob.setMapperClass(WCMapper.class);
wcjob.setReducerClass(WCReducer.class);
//指定reduce的输出数据kv类型
wcjob.setOutputKeyClass(Text.class);
wcjob.setOutputValueClass(LongWritable.class);
//指定mapper的输出数据kv类型
wcjob.setMapOutputKeyClass(Text.class);
wcjob.setMapOutputValueClass(LongWritable.class);
//指定要处理的输入数据存放路径
FileInputFormat.setInputPaths(wcjob, new Path("hdfs://hadoopNode01:9000/wc/input/")); //hdfs路径
//指定处理结果的输出数据存放路径
FileOutputFormat.setOutputPath(wcjob, new Path("hdfs://hadoopNode01:9000/wc/output/"));//hdfs路径
//将job提交给集群运行
wcjob.waitForCompletion(true);
}
}
提交程序到hadoop集群(yarn)中运行,先将项目打jar包(wc.jar),将jar包上传到hadoop集群任一节点机器(如hadoopNode01)上。
准备测试输入数据 vi wc-word.txt 内容如下
java is a great program language
html is a web design language
javascript is a great propram language two
c is the first program langeuage
上传wc-word.txt 到hadoop 的hdfs集群中
hadoop fs -mkdir -p /wc/input
hadoop fs -put wc-word.txt /wc/input/
在hadoop 的yarn集群中运行wc.jar
hadoop jar wc.jar com.tingcream.hadoopStudy.mapreduce.WCRunner
观察输出结果
hadoop fs -cat /wc/output/part-r-00000
a 3
c 1
design 1
first 1
great 2
html 1
is 4
java 1
javascript 1
langeuage 1
language 3
program 2
propram 1
the 1
two 1
web 1
ok,发现mapreduce计算正确 。
另外,mapreduce程序也可以在本地环境中运行(无须提交jar包到hadoop yarn集群中运行),本地环境中是无yarn的,相当于一个单节点hadoop服务器,本地运行主要为了快速检验mapreduce程序有无逻辑缺陷、错误,在验证通过后再提交至hadoop集群中运行。
由于在本地环境中运行mapreduce程序,数据的输入源一般来自本地文件系统,集群运行模式输入源来自一般来自hdfs文件系统。
WCLocalRunner.java
package com.tingcream.hadoopStudy.mapreduce;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
/**
* hadoop中的一个job作业
*
* 用来描述一个特定的作业
* 比如,该作业使用哪个类作为逻辑处理中的map,哪个作为reduce
* 还可以指定该作业要处理的数据所在的路径
* 还可以指定改作业输出的结果放到哪个路径
* ....
*
* mapreduce 本地运行模式,本地不启动集群(yarn集群),直接在本地跑(单节点)
* 右键--》run as --》 java application 即可
*/
public class WCLocalRunner {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job wcjob = Job.getInstance(conf);
//设置整个job所用的那些类在哪个jar包
wcjob.setJarByClass(WCRunner.class);
//本job使用的mapper和reducer的类
wcjob.setMapperClass(WCMapper.class);
wcjob.setReducerClass(WCReducer.class);
//指定reduce的输出数据kv类型
wcjob.setOutputKeyClass(Text.class);
wcjob.setOutputValueClass(LongWritable.class);
//指定mapper的输出数据kv类型
wcjob.setMapOutputKeyClass(Text.class);
wcjob.setMapOutputValueClass(LongWritable.class);
//指定要处理的输入数据存放路径
//FileInputFormat.setInputPaths(wcjob, new Path("hdfs://hadoopNode01:9000/wc/input/")); //hdfs路径
FileInputFormat.setInputPaths(wcjob, new Path("f:/12/wc/input/"));//本地路径
//指定处理结果的输出数据存放路径
//FileOutputFormat.setOutputPath(wcjob, new Path("hdfs://hadoopNode01:9000/wc/output/"));//hdfs路径
FileOutputFormat.setOutputPath(wcjob, new Path("f:/12/wc/output/"));//本地路径
//将job提交给集群运行
wcjob.waitForCompletion(true);
}
}
在本地环境(本地模式)运行步骤: 主函数右键--》Run as --》java application