Hadoop学习笔记(6) ——重新认识Hadoop

Hadoop学习笔记(6)

——重新认识Hadoop

之前，我们把hadoop从下载包部署到编写了helloworld，看到了结果。现是得开始稍微更深入地了解hadoop了。

Hadoop包含了两大功能DFS和MapReduce， DFS可以理解为一个分布式文件系统，存储而已，所以这里暂时就不深入研究了，等后面读了其源码后，再来深入分析。 所以这里主要来研究一下MapReduce。

这样，我们先来看一下MapReduce的思想来源：

alert("I'd like some Spaghetti!");

alert("I'd like some ChocolateMousse!");

看到这代码，感觉不顺眼，改之：

function SwedishChef(food)

{

alert("I'd like some " + food + " !");

}

SwedishChef("Spaghetti");

SwedishChef("Chocolate Mousse");

这类用函数取代重复代码的重构方式好处很多，优点很多，就不多说了！

再看这段：

alert("get the lobster");

PutInPot("lobster");

PutInPot("water");

alert("get the chicken");

BoomBoom("chicken");

BoomBoom("coconut");

看起来这段代码好像也有点重复的味道在里面，改之：

function Cook(i1,i2,f)

{

alert("get the " + i1);

f(i1);

f(i2);

}

Cook("lobster","water",PutInPot);

Cook("chicken","coconut",BoomBoom);

OK，这里面把一个函数当成了一个参数传来传去的。而且可以再省略点，把函数定义直接放入到函数调用者的地方：

Cook("lobster","water",

Function(x) { alert("pot " + x); } );

Cook("chicken","coconut",

Function(x) { alert("boom" + x); } );

嘿嘿，方便多了吧，这就是现在比较流程的匿名函数。

一旦你开始意识到可以将匿名函数作为参数，你就会发现有更多的应用了，来看：

var a=[1,2,3];

for(i = 0; I < a.length; i++)

{

a[i] = a[i] * 2;

}

for(i = 0; I < a.length; i++)

{

alert(a[i]);

}

遍历数组元素是一种很觉的操作，那好，既然很常用，我们提取出来写成一个函数得了：

function map(fn,a)

{

for(i = 0; i < a.length; i++)

{

a[i] = fn(a[i]);

}

}

有了这个map函数后，上面的程序我们就可来调用咯：

map(function (x) {return x*2; } , a);

map(alert, a);

除了遍历，一般我们还会有一些常用的语句，如：

function sum(a)

{

var s = 0;

for( i = 0; i < a.length ;i ++)

s += a[i];

return s;

}

function join(a)

{

var s = "";

for( i = 0; i < a.length ;i ++)

s += a[i];

return s;

}

alert(sum([1,2,3]);

alert(join(["a","b","c"]);

似乎sum和join这两个函数看起来很象，能否再抽象呢：

function reduce(fn, a, init)

{

var s = init;

for (i= 0;i < a.length; i++)

s = fn(s, a[i]);

return s;

}

function sum(a)

{

return reduce( function(a,b){return a+b;}, a, 0);

}

Function join(a)

{

return reduce( function(a,b){return a+b;}, a, "");

}

OK，这个函数都提取好了，那么，一个这么微小的函数，只能对数组中的元素进行遍历，到底能给你带来多大好处呢？

让我们回头再来看map函数，当你需要对数组中每一个元素为依次进行处理时，那么实际情况很可能是，到底按照哪一种次序进行遍历是无关紧要的，你可以从头至尾，也可以从尾到头遍历，都会得到相同的结果。事实上，如果你有两个CPU可以用，也许你可以写一些代码，使得每个CPU来处理一半的元素，于是一瞬间这个map函数的运行速度就快了一倍。

进一步设想，你有几十万台服务器，分布在世界各地的机房中，然后你有一个超级庞大的数组，比如互联网的N多个网页信息，于是你让这些服务器来运行你的map函数，要快N多吧，每台机器实际上只处理很小的一部份运算。

OK，运算提高了不少，有了这个，你就敢去想互联网的搜索是怎么来的了。但是机器好像也是有极限的，不可能有这么多资源让你无限量的扩展，那咋办，没关系，你可以找一个超级天才，让他写出能够在全世界庞大的服务器阵列上分布式运行的map函数和reduce函数。

简单的函数提出来了，加上函数指定的涉入，那这个高效的函数，可以让我们在各个地方去用，然后让我们不同的程序都能在阵列上运行，甚至可以不用告诉这位天才你真正在实现啥功能，只要让他做出这个map函数来。

这是函数式编程里的理念，如是不知道的函数式编程自然也就想不出mapReduce，正是这种算法使得Google的可扩展性达到如此巨大的规模。其中术语Map(映射)和Reduce(化简)分别来自Lisp语言和函数式编程。

再来看看Hadoop中的mapRecude。

Hadoop就是由天才想出来的，能够在N多庞大服务器群上运行你的map和reduce函数的框架。有了这个平台，我们须要做的，仅仅要我们实现传入的map和reduce中的处理函数而已。

MapReudue采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各分节点共同完成，然后通过整合各分节点中间结果，得到最终的结果。简单地说，MapRedue就是"任务的分解与结果的汇总"。上述处理过程被高度的抽象为两个函数：mapper和reducer，mapper负责把任务分解成多个任务，reducer负责把分解后多任务处理的结果汇总起来。至于在并行编程中的其他种种复杂问题，如分式。。。。 工作调度、负载均衡、容错处理、网络通讯等，均由MapReduce框架负责处理。

在Mapper阶段，框架将任务的输入数据分割成固定大小的片段（split），随后将每个split进一步分解成一批键值对<K1,V1>。Hadoop为每一个split创建一个Map任务用于执行用户自定义的map函数，并将对应的split中的<K1,V1>对作为输入，得到计算的中间结果<K2,V2>。接着将中间结果按照K2进行排序，并将key值相同的value放在一起形成一个新的列表，开成<K2,list(V2)>元组。最后再根据key值的范围将这些元组进行分组，对应不同的Reduce任务。

在Reducre阶段，Reducer把从不同Mapper接收来的数据整合在一起并进行排序，然后调用用户自定义的reduce函数，对输入的<K2,list(V2)>对进行相应的处理，得到健值对<K3,V3>并输出到HD

框架为每个split创建一个Mapper，那么谁来确定Reducers的数量呢？ 是配置文件，在mapred-site.xml中，有配置Reducers的数量，默认是1。一般要设置多少为宜呢？等后面更深入了再找答案吧。

看看Hello World程序

看了前面的概念有点抽象，所以我们还是来看点实际的,看看我们之前写的helloword程序。

我们第一个helloworld程序是WordCount，——单词计数程序。这个程序的输入输出如下：

这是一个怎样的过程呢？我们一步步分解，WordCount程序经过了以下过程：

1. 将文件拆分成splits，由于测试文件较小，所以一个文件即为一个split，并将文件按行分割成<key,value>对，这一步由MapReduce框架自动完成，其中key值存的是偏移量。

   

   为了好解释，我们将输入数据中各增加了一行 bye world 和bye hadoop

2. 将分割好的<key,value>交给用户定义的map方法进行处理，生成新的<key,value>对，这段代码，正是我们所编写过的：

public static class TokenizerMapper

extends Mapper<Object, Text, Text, IntWritable>{

private final static IntWritable one = new IntWritable(1);

private Text word = new Text();

public void map(Object key, Text value, Context context

) throws IOException, InterruptedException {

System.out.println("key=" +key.toString());

System.out.println("Value=" + value.toString());

StringTokenizer itr = new StringTokenizer(value.toString());

while (itr.hasMoreTokens()) {

word.set(itr.nextToken());

context.write(word, one);

}

}

}

这段代码中，为了方便调试，每调用我们的map函数，都会输入key和value值。所以在执行结果中，我们可以看到程序的确有2次输入，与上面的值一至。StringTokenizer是一个单词切词的类，将字符串中的单词一个个切出来，然后while循环，往context中输出key-value，分为为切出来的单词,value为固定值1。

1. 得到map方法输入的<key,value>对后，Mapper会将它们按照key值进行排序，并执行Combine过程，将key值相同的value值累加，得到Mapper的最终输出结果

1. Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reduce方法进行处理，得到新的<key,value>对，并作为wordCount的输出结果。

public static class IntSumReducer

extends Reducer<Text,IntWritable,Text,IntWritable> {

private IntWritable result = new IntWritable();

public void reduce(Text key, Iterable<IntWritable> values,

Context context

) throws IOException, InterruptedException {

int sum = 0;

for (IntWritable val : values) {

sum += val.get();

}

result.set(sum);

context.write(key, result);

}}

这段代码将收到的key和values值，将values进行累加，然后key不变输出到key-value里面，最终得到结果：

好了，这个Hello World就程序整个过程就这样。写了map和recude类，如何让它关联执行呢？ 所以回到示例程序的main函数：

public static void main(String[] args) throws Exception {

Configuration conf = new Configuration();

System.out.println("url:" + conf.get("fs.default.name"));

String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

if (otherArgs.length != 2) {

System.err.println("Usage: wordcount <in> <out>");

System.exit(2);

}

Job job = new Job(conf, "word count");

job.setJarByClass(WordCount.class);

job.setMapperClass(TokenizerMapper.class);

job.setCombinerClass(IntSumReducer.class);

job.setReducerClass(IntSumReducer.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(IntWritable.class);

FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

System.exit(job.waitForCompletion(true) ? 0 : 1);

}

这里，我们定义了一个Job类，然后把TokenizerMapper和IntSumReducer类指派给job，然后一切就交给job. waitForCompletion去执行，并等待其完成结果了。

OK了， 这个Hello World也总算是读懂了，不过。。。 还是有好多疑问，中间那么多过程，能不有个性化呢？如：输入能不能从数据库？输出能不能到Excel？等等，好了，后面再来分析吧。

本文参考：

《软件随想录》Joel Spolsky著

《实践Hadoop》刘鹏著