Hadoop（十二）MapReduce概述

前言

　　前面以前把关于HDFS集群的所有知识给讲解完了，接下来给大家分享的是MapReduce这个Hadoop的并行计算框架。

一、背景

1）爆炸性增长的Web规模数据量

　　

2）超大的计算量/计算复杂度

　　

3）并行计算大趋所势

　　

二、大数据的并行计算

1）一个大数据若可以分为具有同样计算过程的数据块，并且这些数据块之间不存在数据依赖关系，则提高处理速度最好的办法就是并行计算。

　　

2）大数据并行计算

　　

三、Hadoop的MapReduce概述

3.1、需要MapReduce原因

　　

3.2、MapReduce简介　

　　1）产生MapReduce背景

　　　　

　　2）整体认识

　　　　MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算,用于解决海量数据的计算问题。
　　　　MapReduce分成了两个部分：
　　　　　　1）映射（Mapping）对集合里的每个目标应用同一个操作。即，如果你想把表单里每个单元格乘以二，那么把这个函数单独地应用在每个单元格上的操作就属于mapping。
　　　　　　2）化简（Reducing）遍历集合中的元素来返回一个综合的结果。即，输出表单里一列数字的和这个任务属于reducing。
　　　　　　　　你向MapReduce框架提交一个计算作业时，它会首先把计算作业拆分成若干个Map任务，然后分配到不同的节点上去执行，
　　　　　　　　每一个Map任务处理输入数据中的一部分，当Map任务完成后，它会生成一些中间文件，这些中间文件将会作为Reduce任务的输入数据。
　　　　Reduce任务的主要目标就是把前面若干个Map的输出汇总到一起并输出。
　　　　MapReduce的伟大之处就在于编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。

3.3、MapReduce编程模型

　　1）MapReduce借鉴了函数式程序设计语言Lisp中的思想，定义了如下的Map和Reduce两个抽象的编程接口。由用户去编程实现：

　　　　

　　　　注意：Map是一行一行去处理数据的。

　　2）详细的处理过程

　　　　

四、编写MapReduce程序

4.1、数据样式与环境

　　1）环境　　　

　　　　我使用的是Maven，前面 有我配置的pom.xml文件。

　　2）数据样式

　　　　这是一个专利引用文件，格式是这样的：

　　　　专利ID：被引用专利ID

　　　　1,2

　　　　1,3

　　　　2,3

　　　　3,4

　　　　2,4

4.2、需求分析

　　1）需求

　　　　计算出被引用专利的次数

　　2）分析

　　　　从上面的数据分析出，我们需要的是一行数据中的后一个数据。分析一下：

　　　　在map函数中，输入端v1代表的是一行数据，输出端的k2可以代表是被引用的专利，在一行数据中所以v2可以被赋予为1。

　　　　在reduce函数中，k2还是被引用的专利，而[v2]是一个数据集，这里是将k2相同的键的v2数据合并起来。最后输出的是自己需要的数据k3代表的是被引用的专利，v3是引用的次数。

　　　　画图分析:

　　　　　　

4.3、代码实现

　　1）编写一个解析类，用来解析数据文件中一行一行的数据。

import org.apache.hadoop.io.Text;

public class PatentRecordParser {
    //1,2
    //1,3
    //2,3
    //表示数据中的第一列
    private String patentId;
    //表示数据中的第二列
    private String refPatentId;
    //表示解析的当前行的数据是否有效
    private boolean valid;

    public void parse(String line){
        String[]  strs = line.split(",");
        if (strs.length==){
            patentId = strs[].trim();
            refPatentId = strs[].trim();
            if (patentId.length()>&&refPatentId.length()>){
                valid = true;
            }
        }
    }

    public void parse(Text line){
        parse(line.toString());
    }

    public String getPatentId() {
        return patentId;
    }

    public void setPatentId(String patentId) {
        this.patentId = patentId;
    }

    public String getRefPatentId() {
        return refPatentId;
    }

    public void setRefPatentId(String refPatentId) {
        this.refPatentId = refPatentId;
    }

    public boolean isValid() {
        return valid;
    }

    public void setValid(boolean valid) {
        this.valid = valid;
    }
}

　　2）编写PatentReference_0011去实现真正的计算

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;

public class PatentReference_0011 extends Configured implements Tool {

//-Dinput=/data/patent/cite75_99.txt
    public static class PatentMapper
            extends Mapper<LongWritable,Text,Text,IntWritable>{
        private PatentRecordParser parser = new PatentRecordParser();
        private  Text key = new Text();
        //把进入reduce的value都设置成1
        private IntWritable value = new IntWritable();

        //进入map端的数据，每次进入一行。
        //MapReduce都是具有一定结构的数据，有一定含义的数据。
        //进入时候map的k1(该行数据首个字符距离整个文档首个字符的距离),v1(这行数据的字符串)
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            parser.parse(value);
            if (parser.isValid()){
                this.key.set(parser.getRefPatentId());
                context.write(this.key,this.value);
            }
        }
    }

    public static class PatentReducer
            extends Reducer<Text,IntWritable,Text,IntWritable>{

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int count = ;
            for (IntWritable iw:values){
                count+=iw.get();
            }
            context.write(key,new IntWritable(count));
            //注意：在map或reduce上面的打印语句是没有办法输出的，但会记录到日志文件当中。
        }
    }
    @Override
    public int run(String[] args) throws Exception {
        //构建作业所处理的数据的输入输出路径
        Configuration conf = getConf();
        Path input = new Path(conf.get("input"));
        Path output = new Path(conf.get("output"));
        //构建作业配置
        Job job = Job.getInstance(conf,this.getClass().getSimpleName()+"Lance");//如果不指定取的名字就是当前类的类全名

        //设置该作业所要执行的类
        job.setJarByClass(this.getClass());

        //设置自定义的Mapper类以及Map端数据输出时的类型
        job.setMapperClass(PatentMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //设置自定义的Reducer类以及输出时的类型
        job.setReducerClass(PatentReducer.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //设置读取最原始数据的格式信息以及
        //数据输出到HDFS集群中的格式信息
        job.setInputFormatClass(TextInputFormat.class);
        job.setOutputFormatClass(TextOutputFormat.class);

        //设置数据读入和写出的路径到相关的Format类中
        TextInputFormat.addInputPath(job,input);
        TextOutputFormat.setOutputPath(job,output);

        //提交作业
        return job.waitForCompletion(true)?:;
    }

    public static void main(String[] args) throws Exception {
        System.exit(
                ToolRunner.run(new PatentReference_0011(),args)
        );;
    }
}

　　3）使用Maven打包好，上传到安装配置好集群客户端的Linux服务器中

　　4）运行测试

　　　　

　　　　执行上面的语句，注意指定输出路径的时候，一定是集群中的路径并且目录要预先不存在，因为程序会自动去创建这个目录。

　　5）然后我们可以去Web控制页面去观察htttp://ip:8088去查看作业的进度

　　

喜欢就点“推荐”哦！