三:MapReduce 是一种分布式计算模型。
Mapreduce框架有默认实现,程序员只需要覆盖map() 和reduce() 两个函数。
Mapreduce的执行流程
1.Map Task (以一个入门例子的单词计数为例,两行一定行是hello word 第二行是hello you 中间是制表符)
1.1 读取:框架调用InputFormat 类的子类读取HDFS 中文件数据,把文件转换为InputSplit 。默认,文件的一个block 对应一个InputSplit ,一个InputSplit 对应一个map task 。
一个InputSplit 中的数据会被RecordReader 解析成<k1,v1> 。默认,InputSplit 中的一行解析成一个<k1,v1> 。默认,v1 表示一行的内容,k1 表示偏移量。读取的结果是<0,helloword> 和<10,hello you> 10 是第二行的起始偏移量,这两个是<k1,v1>
1.2map :框架调用Mapper 类中的map(k1,v1) 方法,接收<k1,v1> ,输出<k2,v2> 。有多少个<k1,v1> ,map() 会被执行多少次。输出<k2,v2> 是<hello,1><word,1><hello,1><you,1>
程序员可以覆盖map() ,实现自己的业务逻辑。
1.3 分区:框架对map 的输出进行分区。分区的目的是确定哪些<k2,v2> 进入哪个reduce task 。默认,只有一个分区。可以手动设置(0 ,1 ,2 等后面会涉及到)
1.4 排序分组:框架对不同分区中的<k2,v2> 进行排序、分组。
排序是按照k2 进行排序。结果是<hello,1><hello,1><word,1><you,1>
分组指的是相同k2 的v2 分到一个组中。分组不会减少<k2,v2> 的数量。
1.5combiner :可以在map task 中对<k2,{v2}> 执行reduce 归约。<hello,{1 ,1}><word,{1}><you,{1}>
1.6 写入本地:框架对map 的输出写入到linux 本地磁盘。
2.Reduce Task
2.1shuffle :框架根据map 不同的分区中的数据,通过网络copy 到不同的reduce 节点。
2.2 合并排序分组:每个reduce 会把多个map 传来的<k2,v2> 进行合并、排序、分组。
2.3reduce :框架调用reduce(k2,v2s) 。有多少个分组,就会执行多少次reduce 函数。
2.4 写入HDFS :框架对reduce 的输出写入到HDFS 中。
单词计数代码示例 :
package mp.wordcount;
import java.io.IOException;
importorg.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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
*
*--------------------------------------------
* 原始数据
*hello you
*hello me
*---------------------
* 结果如下
*hello 2
* me 1
*you 1
*
*-------------------------------------------------------------
*
*
*/
public class HelloWordCountApp2 {
/**
* 驱动代码
* @param args
* @throws Exception
*/
publicstatic void main(String[] args) throws Exception {
// 从命令行传入输入路径
StringinputPath = args[0];
// 从命令行传入输出目录
PathoutputDir = new Path(args[1]);
Configurationconf = new Configuration();
// 表示job 名称,可以自定义,一般是类名
StringjobName = HelloWordCountApp2.class.getSimpleName();
// 把所有的相关内容都封装到job 中
Jobjob = Job.getInstance(conf, jobName);
// 打成jar 运行必备代码
job.setJarByClass(HelloWordCountApp2.class);
// 设置输入路径
FileInputFormat.setInputPaths(job,inputPath);
// 设置输出目录
FileOutputFormat.setOutputPath(job,outputDir);
// 设置自定义mapper 类
job.setMapperClass(HelloWordCountMapper.class);
// 指定k2,v2 类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 设置自定义reduce 类
job.setReducerClass(HelloWordCountReducer.class);
// 指定k3 ,v3 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 提交给yarn 运行,等待结束
job.waitForCompletion(true);
}
/**
* map 过程。
* 在这里,程序员继承Mapper ,覆盖map(...) 方法。
* 该类在运行的时候,称作map task ,是一个java 进程。
*----------------------------------------------------
* map() 全部执行完后,产生的<k2,v2> 有4 个,即<hello,1><you,1><hello,1><me,1> 。
* 排序后是<hello,1><hello,1><me,1><you,1> 。
* 分组后是<hello,{1,1}><me,{1}><you,{1}> 。
*
*
*/
publicstatic class HelloWordCountMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
Textk2 = new Text();
LongWritablev2 = new LongWritable();
/**
* 前面已经有拆分完成的<k1,v1> 。调用map() 一次方法,就处理一个<k1,v1> 对。
*
* 在map() 方法,拆分每一行,得到每个单词,每个单词( 不是每个不同的单词) 的出现次数是1 。
* 构造<k2,v2> ,k2 表示单词,v2 表示出现次数1 。
*/
@Override
protectedvoid map(LongWritable key, Text value, Mapper<LongWritable, Text, Text,LongWritable>.Context context)
throwsIOException, InterruptedException {
// 因为要对每行内容做拆分,需要调用String.split() ,所以需要把Text 转行成String 。
Stringline = value.toString();
// 拆分每行内容,结果是单词的数组
String[]splited = line.split("\t");
// 循环数组,取每个单词。在for 循环中构造<k2,v2>
for(String word : splited) {
k2.set(word);
v2.set(1L);
// 把<k2,v2> 写出去,相当于调用return 语句
context.write(k2,v2);
}
}
}
/**
* reduce 过程
*
* reduce 端接收的是map 的输出,即4 个<k2,v2> ,3 个分组。
* 在reduce 执行之前,reduce 端合并、排序、分组<k2,v2> 。
* 在reduce() 调用之前,有3 个分组,即<hello,{1,1}><me,{1}><you,{1}>
* 一次reduce() 执行,处理1 个分组。所以说,执行3 次reduce() 。
* ------------------------------------------------------------------
* reduce task 执行结束后,框架会把reduce 输出的<k3,v3> 写入到HDFS 中
*
*/
publicstatic class HelloWordCountReducer extends Reducer<Text, LongWritable, Text,LongWritable>{
LongWritablev3 = new LongWritable();
/**
* k2 表示每个不同的单词
* v2s 表示每个不同的单词的出现次数
* 在reduce() 中,只需要汇总v2s 中的出现次数就行。
*/
@Override
protectedvoid reduce(Text k2, Iterable<LongWritable> v2s,
Reducer<Text,LongWritable, Text, LongWritable>.Context context) throws IOException,InterruptedException {
//sum 表示当前单词k2 出现的总次数
longsum = 0L;
for(LongWritable v2 : v2s) {
sum+= v2.get();
}
//k3 表示当前不同的单词,与k2 含义相同
v3.set(sum);
context.write(k2,v3);
}
}
}
打成jar 包在hdfs 中执行yarn jar jar 包名
就是要统计的单词文本,是上传到hdfs 上的 ;/out 输出路径,如果已存在可以删除,也可在代码中删除
执行结果:
代码中用到序列化
Hadoop 的序列化格式:Writable
hadoop 序列化的目的是什么?
mapreduce 运行过程中,产生大量的磁盘io 和网络io 。序列化性能的差异,会对job 的运行效率产生非常大的影响。因此,高效率的序列化机制可以提高效率。
部分代码类方法解析
1.InputFormat 里面有2 个方法,一个是getSplits() ,一个是createRecordReader() 。
在执行mapreduce 之前,原始数据被分割成若干split ,每个split 作为一个
map任务的输入。每一个InputSplit都有一个RecordReader,作用是把InputSplit中的数据解析成Record,即<k1,v1>.TextInputFormat中的RecordReader是LineRecordReader,每一行解析成一个<k1,v1>。其中,k1表示偏移量,v1表示行文本内容
FileInputFormat 类中分析了getSplits() 。
TextInputFormat 类是MR 默认的输入处理类。主要分析的是LineRecordReader 。
Maper 类的源代码中,有setup 、cleanup 、map 、run 四个重要的方法。
2.SequenceFileInputFormat 专门处理类型是SequenceFile 格式的输入文件。
如果是大量的小文件作为输入文件,那么会产生大量的map task 。
如果把大量的小文件转换为SequenceFile 格式,那么会产生非常少的maptask 。
如果SequenceFile 使用压缩,那么maptask 执行时间会更短。
job.setInputFormatClass(SequenceFileInputFormat.class);
3.CombineFileInputFormat 作用是把大量的小文件交给一个map task 。
在这里,输入依然是小文件,但是会由非常少的map task 运行。
job.setInputFormatClass(CombineSmallFilesInputFormat.class);
--------------------------------------------------------------------------------------
4.OutputFormat 里面有个很重要的类,叫做RecordWriter 。
5. 使用MultipleOutputs 可以自定义输出的文件名。
---------------------------------------------------------------------------------------
6. 在map task 或者reduce task 中使用第三方的jar 包。
首先把第三方jar 包上传到hdfs 中,然后调用job.addArchiveToClasspath(...)
7. 分区partitioiner
默认的分区是1 个,分区的实现是HashPartitioner 。
什么时候用到分区?当需要把不同的数据按照不同的类型输出时,使用分区,例如不同的省份的安电话区号分别输出到不同的文件中。自定义分区类继承 HashPartitioner 例如extends HashPartitioner<Text,FlowWritable> 覆盖 getPartition 方法(方法内根据业务实现分区)。
job.setPartitionClass(.....)
job.setNumReduceTasks(...)
8. 归约combiner
发生在map 端的reduce 操作。
作用是减少map 端的输出,减少shuffle 过程中网络传输的数据量,提高作业的执行效率。
combiner 仅仅是单个map task 的reduce ,没有对全部map 的输出做reduce 。
job.setCombinerClass(....)
9. 排序sort (见下面代码)
两种比较方式,一种是调用k2 的compareTo(...) 完成比较,第二种是自定义类extendsWritableComparator
job.setSortComparatorClass(....)
注意:extendsWritableComparator 的子类一定要有个无参构造方法,在该构造方法中,调用父类的有2 个参数的构造方法。
10. 分组grouping (例如日志采集中不同主机的操作记录,可以按照主机ip 分组做其他处理)
当排序逻辑与分组逻辑不一样时,就需要自定义分组。自定义类extends WritableComparator
job.setGroupingComparatorClass(...)
对于排序 示例代码
例如需求对列排序如果第一行相同按照第二行大小排序
1 2
2 1
1 1
2 2
1 3
要求输出结果
1 1
1 2
1 3
2 1
2 2
思路 一将第一列数和第二列数 封装到自定义的一个类TwoInt 中进行
自定义排序CustomSortComparator extends WritableComparator
思路二按照 k2 排序
方法1 :
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
importorg.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
importorg.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
* 利用k2 的compareTo() 实现排序
*
*
*/
public class SortApp1 {
/**
* 驱动代码
* @param args
* @throws Exception
*/
publicstatic void main(String[] args) throws Exception {
// 从命令行传入输入路径
StringinputPath = args[0];
// 从命令行传入输出目录
PathoutputDir = new Path(args[1]);
//reduce 数量
IntegernumReduceTasks = Integer.parseInt(args[2]==null?"1":args[2]);
Configurationconf = new Configuration();
outputDir.getFileSystem(conf).delete(outputDir,true);
// 表示job 名称,可以自定义,一般是类名
StringjobName = SortApp1.class.getSimpleName();
// 把所有的相关内容都封装到job 中
Jobjob = Job.getInstance(conf, jobName);
// 打成jar 运行必备代码
job.setJarByClass(SortApp1.class);
// 设置输入路径
FileInputFormat.setInputPaths(job,inputPath);
// 设置输出目录
FileOutputFormat.setOutputPath(job,outputDir);
// 设置自定义mapper 类
job.setMapperClass(SortMapper.class);
// 指定k2,v2 类型
job.setMapOutputKeyClass(TwoInt.class);
job.setMapOutputValueClass(NullWritable.class);
job.setNumReduceTasks(numReduceTasks);
// 设置自定义reduce 类
job.setReducerClass(SortReducer.class);
// 指定k3 ,v3 类型
job.setOutputKeyClass(TwoInt.class);
job.setOutputValueClass(NullWritable.class);
// 提交给yarn 运行,等待结束
job.waitForCompletion(true);
}
publicstatic class SortMapper extends Mapper<LongWritable, Text, TwoInt,NullWritable>{
TwoIntk2 = new TwoInt();
@Override
protectedvoid map(LongWritable key, Text value,
Mapper<LongWritable,Text, TwoInt, NullWritable>.Context context)
throwsIOException, InterruptedException {
Stringline = value.toString();
String[]splited = line.split("\t");
k2.set(Integer.parseInt(splited[0]),Integer.parseInt(splited[1]));
context.write(k2,NullWritable.get());
}
}
publicstatic class SortReducer extends Reducer<TwoInt, NullWritable, TwoInt,NullWritable>{
@Override
protectedvoid reduce(TwoInt k2, Iterable<NullWritable> v2s,
Reducer<TwoInt,NullWritable, TwoInt, NullWritable>.Context context)
throwsIOException, InterruptedException {
context.write(k2,NullWritable.get());
}
}
publicstatic class TwoInt implements WritableComparable<TwoInt>{
privateInteger first;
privateInteger second;
publicTwoInt() {
super();
}
publicvoid set(Integer first, Integer second) {
this.first= first;
this.second= second;
}
publicvoid write(DataOutput out) throws IOException {
out.writeInt(this.first);
out.writeInt(this.second);
}
publicvoid readFields(DataInput in) throws IOException {
this.first=in.readInt();
this.second= in.readInt();
}
publicint compareTo(TwoInt o) {
intret1 = first.compareTo(o.getFirst());
if(ret1==0){
returnsecond.compareTo(o.getSecond());
}else{
returnret1;
}
}
publicInteger getFirst() {
returnfirst;
}
publicvoid setFirst(Integer first) {
this.first= first;
}
publicInteger getSecond() {
returnsecond;
}
publicvoid setSecond(Integer second) {
this.second= second;
}
@Override
publicint hashCode() {
finalint prime = 31;
intresult = 1;
result= prime * result + ((first == null) ? 0 : first.hashCode());
result= prime * result + ((second == null) ? 0 : second.hashCode());
returnresult;
}
@Override
publicboolean equals(Object obj) {
if(this == obj)
returntrue;
if(obj == null)
returnfalse;
if(getClass() != obj.getClass())
returnfalse;
TwoIntother = (TwoInt) obj;
if(first == null) {
if(other.first != null)
returnfalse;
}else if (!first.equals(other.first))
returnfalse;
if(second == null) {
if(other.second != null)
returnfalse;
}else if (!second.equals(other.second))
returnfalse;
returntrue;
}
@Override
publicString toString() {
returnfirst + "\t" + second;
}
}
}
方法2 :
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
importorg.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
importorg.apache.hadoop.io.WritableComparable;
importorg.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
* 自定义sort 类,实现k2 的排序
*
*
*/
public class SortApp2 {
/**
* 驱动代码
* @param args
* @throws Exception
*/
publicstatic void main(String[] args) throws Exception {
// 从命令行传入输入路径
StringinputPath = args[0];
// 从命令行传入输出目录
PathoutputDir = new Path(args[1]);
//reduce 数量
IntegernumReduceTasks = Integer.parseInt(args[2]==null?"1":args[2]);
Configurationconf = new Configuration();
outputDir.getFileSystem(conf).delete(outputDir,true);
// 表示job 名称,可以自定义,一般是类名
StringjobName = SortApp2.class.getSimpleName();
// 把所有的相关内容都封装到job 中
Jobjob = Job.getInstance(conf, jobName);
// 打成jar 运行必备代码
job.setJarByClass(SortApp2.class);
// 设置输入路径
FileInputFormat.setInputPaths(job,inputPath);
// 设置输出目录
FileOutputFormat.setOutputPath(job,outputDir);
// 设置自定义mapper 类
job.setMapperClass(SortMapper.class);
// 指定k2,v2 类型
job.setMapOutputKeyClass(TwoInt.class);
job.setMapOutputValueClass(NullWritable.class);
// 自定义比较类
job.setSortComparatorClass(CustomSortComparator.class);
job.setNumReduceTasks(numReduceTasks);
// 设置自定义reduce 类
job.setReducerClass(SortReducer.class);
// 指定k3 ,v3 类型
job.setOutputKeyClass(TwoInt.class);
job.setOutputValueClass(NullWritable.class);
// 提交给yarn 运行,等待结束
job.waitForCompletion(true);
}
publicstatic class SortMapper extends Mapper<LongWritable, Text, TwoInt, NullWritable>{
TwoIntk2 = new TwoInt();
@Override
protectedvoid map(LongWritable key, Text value,
Mapper<LongWritable,Text, TwoInt, NullWritable>.Context context)
throwsIOException, InterruptedException {
Stringline = value.toString();
String[]splited = line.split("\t");
k2.set(Integer.parseInt(splited[0]),Integer.parseInt(splited[1]));
context.write(k2,NullWritable.get());
}
}
publicstatic class SortReducer extends Reducer<TwoInt, NullWritable, TwoInt,NullWritable>{
@Override
protectedvoid reduce(TwoInt k2, Iterable<NullWritable> v2s,
Reducer<TwoInt,NullWritable, TwoInt, NullWritable>.Context context)
throwsIOException, InterruptedException {
context.write(k2,NullWritable.get());
}
}
publicstatic class CustomSortComparator extends WritableComparator{
/**
* 必须有无参构造方法,在方法内部,调用父类的含有2 个形参的构造方法。
* 父类构造方法的第二个参数为true
*/
publicCustomSortComparator() {
super(TwoInt.class,true);
}
@Override
publicint compare(WritableComparable a, WritableComparable b) {
TwoIntaa = (TwoInt) a;
TwoIntbb = (TwoInt) b;
intret1 = aa.getFirst().compareTo(bb.getFirst());
if(ret1==0){
returnaa.getSecond().compareTo(bb.getSecond());
}else{
returnret1;
}
}
}
publicstatic class TwoInt implements WritableComparable<TwoInt>{
privateInteger first;
privateInteger second;
publicTwoInt() {
super();
}
publicvoid set(Integer first, Integer second) {
this.first= first;
this.second= second;
}
publicvoid write(DataOutput out) throws IOException {
out.writeInt(this.first);
out.writeInt(this.second);
}
publicvoid readFields(DataInput in) throws IOException {
this.first=in.readInt();
this.second= in.readInt();
}
publicint compareTo(TwoInt o) {
return0;
}
publicInteger getFirst() {
returnfirst;
}
publicvoid setFirst(Integer first) {
this.first= first;
}
publicInteger getSecond() {
returnsecond;
}
publicvoid setSecond(Integer second) {
this.second= second;
}
@Override
publicint hashCode() {
finalint prime = 31;
intresult = 1;
result= prime * result + ((first == null) ? 0 : first.hashCode());
result= prime * result + ((second == null) ? 0 : second.hashCode());
returnresult;
}
@Override
publicboolean equals(Object obj) {
if(this == obj)
returntrue;
if(obj == null)
returnfalse;
if(getClass() != obj.getClass())
returnfalse;
TwoIntother = (TwoInt) obj;
if(first == null) {
if(other.first != null)
returnfalse;
}else if (!first.equals(other.first))
returnfalse;
if(second == null) {
if(other.second != null)
returnfalse;
}else if (!second.equals(other.second))
returnfalse;
returntrue;
}
@Override
publicString toString() {
returnfirst + "\t" + second;
}
}
}
;
运行结果:
补充:在map 和reduce之间有个shuffle过程,可以简单的理解shuffle是将map的输出传到reduce中去。核心思想是:map中有个内存缓存区,存储着mapd的输出,存满了就写到文件中,所以的map都记录完了,就把产生的所有文件合并到一个文件中。reduce通过http得到map输出文件。