MapReduce(四) 典型编程场景（二）

一、MapJoin-DistributedCache 应用

1、mapreduce join 介绍

在各种实际业务场景中，按照某个关键字对两份数据进行连接是非常常见的。如果两份数据都比较小，那么可以直接在内存中完成连接。如果是大数据量的呢？显然，在内存中进行连接会发生 OOM。 MapReduce 可以用来解决大数据量的链接
MapReduce 的 Join 操作主要分两类： MapJoin 和 ReduceJoin

先看 ReduceJoin:
（1）map 阶段，两份数据 data1 和 data2 会被 map 分别读入，解析成以链接字段为 key 以查询字段为 value 的 key-value 对，并标明数据来源是 data1 还是 data2。
（2）reduce 阶段， reducetask 会接收来自 data1 和 data2 的相同 key 的数据，在 reduce 端进行乘积链接，最直接的影响是很消耗内存，导致 OOM

再看 MapJoin:
MapJoin 适用于有一份数据较小的连接情况。做法是直接把该小份数据直接全部加载到内存当中，按链接关键字建立索引。然后大份数据就作为 MapTask 的输入，对 map()方法的每次输入都去内存当中直接去匹配连接。然后把连接结果按 key 输出，这种方法要使用 hadoop
中的 DistributedCache 把小份数据分布到各个计算节点，每个 maptask 执行任务的节点都需要加载该数据到内存，并且按连接关键字建立索引
（map读的是大表数据，在读大表之前，把小表数据放到内存当中，用setup方法）

2、需求

现有两份数据 movies.dat 和 ratings.dat 数据样式分别为：

Ratings.dat
1::1193::5::978300760
1::661::3::978302109
1::914::3::978301968

字段含义： userid, movieid, rate, timestamp

现要求对两表进行连接，要求输出最终的结果有以上六个字段：
movieid, userid, rate, moviename, movietype, timestamp

3、实现

第一步：封装 MovieRate,方便数据的排序和序列化

package com.ghgj.mr.mymapjoin;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

import org.apache.hadoop.io.WritableComparable;

public class MovieRate implements WritableComparable<MovieRate>{

private String movieid;

private String userid;

private int rate;

private String movieName;

private String movieType;

private long ts;

public String getMovieid() {

return movieid;

}

public void setMovieid(String movieid) {

this.movieid = movieid;

}

public String getUserid() {

return userid;

}

public void setUserid(String userid) {

this.userid = userid;

}

public int getRate() {

return rate;

}

public void setRate(int rate) {

this.rate = rate;

}

public String getMovieName() {

return movieName;

}

public void setMovieName(String movieName) {

this.movieName = movieName;

}

public String getMovieType() {

return movieType;

}

public void setMovieType(String movieType) {

this.movieType = movieType;

}

public long getTs() {

return ts;

}

public void setTs(long ts) {

this.ts = ts;

}

public MovieRate() {

}

public MovieRate(String movieid, String userid, int rate, String movieName,

String movieType, long ts) {

this.movieid = movieid;

this.userid = userid;

this.rate = rate;

this.movieName = movieName;

this.movieType = movieType;

this.ts = ts;

}

@Override

public String toString() {

return movieid + "\t" + userid + "\t" + rate + "\t" + movieName

+ "\t" + movieType + "\t" + ts;

}

@Override

public void write(DataOutput out) throws IOException {

out.writeUTF(movieid);

out.writeUTF(userid);

out.writeInt(rate);

out.writeUTF(movieName);

out.writeUTF(movieType);

out.writeLong(ts);

}

@Override

public void readFields(DataInput in) throws IOException {

this.movieid = in.readUTF();

this.userid = in.readUTF();

this.rate = in.readInt();

this.movieName = in.readUTF();

this.movieType = in.readUTF();

this.ts = in.readLong();

}

@Override

public int compareTo(MovieRate mr) {

int it = mr.getMovieid().compareTo(this.movieid);

if(it == 0){

return mr.getUserid().compareTo(this.userid);

}else{

return it;

}

}

}

第二步：编写mapreduce程序

package com.ghgj.mr.mymapjoin;

import java.io.BufferedReader;

import java.io.FileReader;

import java.io.IOException;

import java.net.URI;

import java.util.HashMap;

import java.util.Map;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

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.filecache.DistributedCache;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class MovieRatingMapJoinMR {

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

Configuration conf = new Configuration();

conf.set("fs.defaultFS", "hdfs://hadoop02:9000");

System.setProperty("HADOOP_USER_NAME","hadoop");

Job job = Job.getInstance(conf);
// job.setJarByClass(MovieRatingMapJoinMR.class);
job.setJar("/home/hadoop/mrmr.jar");
job.setMapperClass(MovieRatingMapJoinMRMapper.class);
job.setMapOutputKeyClass(MovieRate.class);
job.setMapOutputValueClass(NullWritable.class);
// job.setReducerClass(MovieRatingMapJoinMReducer.class);
// job.setOutputKeyClass(MovieRate.class);
// job.setOutputValueClass(NullWritable.class);
job.setNumReduceTasks(0);
String minInput = args[0];
String maxInput = args[1];
String output = args[2];
FileInputFormat.setInputPaths(job, new Path(maxInput));
Path outputPath = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(outputPath)){
fs.delete(outputPath, true);
}
FileOutputFormat.setOutputPath(job, outputPath);
URI uri = new Path(minInput).toUri();
job.addCacheFile(uri);
boolean status = job.waitForCompletion(true);
System.exit(status?0:1);
}

二、自定义 OutputFormat—数据分类输出

实现：自定义 OutputFormat，改写其中的 RecordWriter，改写具体输出数据的方法 write()

package com.ghgj.mr.score_outputformat;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FSDataOutputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.RecordWriter;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;

public class MyScoreOutputFormat extends TextOutputFormat<Text, NullWritable>{

	@Override

	public RecordWriter<Text, NullWritable> getRecordWriter(

			TaskAttemptContext job) throws IOException, InterruptedException {

		Configuration configuration = job.getConfiguration();

		FileSystem fs = FileSystem.get(configuration);

		Path p1 = new Path("/score1/outpu1");

		Path p2 = new Path("/score2/outpu2");

		if(fs.exists(p1)){

			fs.delete(p1, true);

		}

		if(fs.exists(p2)){

			fs.delete(p2, true);

		}

		FSDataOutputStream fsdout1 = fs.create(p1);

		FSDataOutputStream fsdout2 = fs.create(p2);

		return new MyRecordWriter(fsdout1, fsdout2);

	}

	static class MyRecordWriter extends RecordWriter<Text, NullWritable>{

		FSDataOutputStream dout1 = null;

		FSDataOutputStream dout2 = null;

		public MyRecordWriter(FSDataOutputStream dout1, FSDataOutputStream dout2) {

			super();

			this.dout1 = dout1;

			this.dout2 = dout2;

		}

		@Override

		public void write(Text key, NullWritable value) throws IOException,

				InterruptedException {

			// TODO Auto-generated method stub

			String[] strs = key.toString().split("::");

			if(strs[0].equals("1")){

				dout1.writeBytes(strs[1]+"\n");

			}else{

				dout2.writeBytes(strs[1]+"\n");

			}

		}

		@Override

		public void close(TaskAttemptContext context) throws IOException,

				InterruptedException {

			IOUtils.closeStream(dout2);

			IOUtils.closeStream(dout1);

		}

	}

}

package com.ghgj.mr.score_outputformat;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.Mapper;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class ScoreOutputFormatMR extends Configured implements Tool{

	// 这个run方法就相当于Driver

	@Override

	public int run(String[] args) throws Exception {

		Configuration conf = new Configuration();

		conf.set("fs.defaultFS", "hdfs://hadoop02:9000");

		System.setProperty("HADOOP_USER_NAME", "hadoop");

		Job job = Job.getInstance(conf);

		job.setMapperClass(ScoreOutputFormatMRMapper.class);

		job.setMapOutputKeyClass(Text.class);

		job.setMapOutputValueClass(NullWritable.class);

		job.setNumReduceTasks(0);

		// 这就是默认的输入输出组件

		job.setInputFormatClass(TextInputFormat.class);

		// 这是默认往外输出数据的组件

//		job.setOutputFormatClass(TextOutputFormat.class);

		job.setOutputFormatClass(MyScoreOutputFormat.class);

		FileInputFormat.setInputPaths(job, new Path("/scorefmt"));

		Path output = new Path("/scorefmt/output");

		FileSystem fs = FileSystem.get(conf);

		if(fs.exists(output)){

			fs.delete(output, true);

		}

		FileOutputFormat.setOutputPath(job, output);

		boolean status = job.waitForCompletion(true);

		return status?0:1;

	}

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

		int run = new ToolRunner().run(new ScoreOutputFormatMR(), args);

		System.exit(run);

	}

	static class ScoreOutputFormatMRMapper extends Mapper<LongWritable,  Text, Text, NullWritable>{

		@Override

		protected void map(LongWritable key, Text value,

				Mapper<LongWritable, Text, Text, NullWritable>.Context context)

				throws IOException, InterruptedException {

			String[] split = value.toString().split("\t");

			if(split.length-2 >= 6){

				context.write(new Text("1::"+value.toString()), NullWritable.get());

			}else{

				context.write(new Text("2::"+value.toString()), NullWritable.get());

			}

		}

	}

}

三、自定义 InputFormat—小文件合并

第一步：自定义InputFormat

package com.ghgj.mr.format.input;

import java.io.IOException;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.JobContext;

import org.apache.hadoop.mapreduce.RecordReader;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

public class WholeFileInputFormat extends FileInputFormat<NullWritable, Text> {

	// 设置每个小文件不可分片,保证一个小文件生成一个key-value键值对

	@Override

	protected boolean isSplitable(JobContext context, Path file) {

		return false;

	}

	@Override

	public RecordReader<NullWritable, Text> createRecordReader(

			InputSplit split, TaskAttemptContext context) throws IOException,

			InterruptedException {

		WholeFileRecordReader reader = new WholeFileRecordReader();

		reader.initialize(split, context);

		return reader;

	}

}

　　第二步：编写自定义的 RecordReader

package com.ghgj.mr.format.input;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FSDataInputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.RecordReader;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.input.FileSplit;

class WholeFileRecordReader extends RecordReader<NullWritable, Text> {

	private FileSplit fileSplit;

	private Configuration conf;

	private Text value = new Text();

	private boolean processed = false;

	@Override

	public void initialize(InputSplit split, TaskAttemptContext context)

			throws IOException, InterruptedException {

		this.fileSplit = (FileSplit) split;

		this.conf = context.getConfiguration();

	}

	@Override

	public boolean nextKeyValue() throws IOException, InterruptedException {

		if (!processed) {

			// 获取 输入逻辑切片的 字节数组

			byte[] contents = new byte[(int) fileSplit.getLength()];

			// 通过 filesplit获取该逻辑切片在文件系统的位置

			Path file = fileSplit.getPath();

			FileSystem fs = file.getFileSystem(conf);

			FSDataInputStream in = null;

			try {

				// 文件系统对象fs打开一个file的输入流

				in = fs.open(file);

				/**

				 *  in是输入流

				 *  contents是存这个流读取的到数的数据的字节数组

				 *

				 */

				IOUtils.readFully(in, contents, 0, contents.length);

				value.set(contents, 0, contents.length);

			} finally {

				IOUtils.closeStream(in);

			}

			processed = true;

			return true;

		}

		return false;

	}

	@Override

	public NullWritable getCurrentKey() throws IOException, InterruptedException {

		return NullWritable.get();

	}

	@Override

	public Text getCurrentValue() throws IOException, InterruptedException {

		return value;

	}

	@Override

	public float getProgress() throws IOException {

		return processed ? 1.0f : 0.0f;

	}

	@Override

	public void close() throws IOException {

		// do nothing

	}

}

　　第三步：编写mapreduce程序

package com.ghgj.mr.format.input;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.InputSplit;

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.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class SmallFilesConvertToBigMR extends Configured implements Tool {

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

		int exitCode = ToolRunner.run(new SmallFilesConvertToBigMR(), args);

		System.exit(exitCode);

	}

	static class SmallFilesConvertToBigMRMapper extends

			Mapper<NullWritable, Text, Text, Text> {

		private Text filenameKey;

		@Override

		protected void setup(Context context) throws IOException,

				InterruptedException {

			InputSplit split = context.getInputSplit();

			Path path = ((FileSplit) split).getPath();

			filenameKey = new Text(path.toString());

		}

		@Override

		protected void map(NullWritable key, Text value, Context context)

				throws IOException, InterruptedException {

			context.write(filenameKey, value);

		}

	}

	static class SmallFilesConvertToBigMRReducer extends

			Reducer<Text, Text, NullWritable, Text> {

		@Override

		protected void reduce(Text filename, Iterable<Text> bytes,

				Context context) throws IOException, InterruptedException {

			context.write(NullWritable.get(), bytes.iterator().next());

		}

	}

	@Override

	public int run(String[] args) throws Exception {

		Configuration conf = new Configuration();

		conf.set("fs.defaultFS", "hdfs://hadoop02:9000");

		System.setProperty("HADOOP_USER_NAME", "hadoop");

		Job job = Job.getInstance(conf, "combine small files to bigfile");

		job.setJarByClass(SmallFilesConvertToBigMR.class);

		job.setMapOutputKeyClass(Text.class);

		job.setMapOutputValueClass(Text.class);

		job.setMapperClass(SmallFilesConvertToBigMRMapper.class);

		job.setOutputKeyClass(NullWritable.class);

		job.setOutputValueClass(Text.class);

		job.setReducerClass(SmallFilesConvertToBigMRReducer.class);

		// TextInputFormat是默认的数据读取组件

//		job.setInputFormatClass(TextInputFormat.class);

		// 不是用默认的读取数据的Format，我使用自定义的 WholeFileInputFormat

		job.setInputFormatClass(WholeFileInputFormat.class);

		Path input = new Path("/smallfiles");

		Path output = new Path("/bigfile");

		FileInputFormat.setInputPaths(job, input);

		FileSystem fs = FileSystem.get(conf);

		if (fs.exists(output)) {

			fs.delete(output, true);

		}

		FileOutputFormat.setOutputPath(job, output);

		int status = job.waitForCompletion(true) ? 0 : 1;

		return status;

	}

}

MapReduce(四) 典型编程场景（二）的更多相关文章

《Data-Intensive Text Processing with mapReduce》读书笔记之二：mapreduce编程、框架及运行
搜狐视频的屌丝男士第二季大结局了,惊现波多野老师,怀揣着无比鸡冻的心情啊,可惜随着剧情的推进发展,并没有出现期待中的屌丝奇遇,大鹏还是没敢冲破尺度的界线.想百度些种子吧,又不想让电脑留下污点证据,要知 ...
SSD固态盘应用于Ceph集群的四种典型使用场景
在虚拟化及云计算技术大规模应用于企业数据中心的科技潮流中,存储性能无疑是企业核心应用是否虚拟化.云化的关键指标之一.传统的做法是升级存储设备,但这没解决根本问题,性能和容量不能兼顾,并且解决不好设备利 ...
从Paxos到ZooKeeper-三、ZooKeeper的典型应用场景
ZooKeeper是一个典型的发布/订阅模式的分布式数据管理与协调框架,开发人员可以使用它来进行分布式数据的发布与订阅.另一方面,通过对ZooKeeper中丰富的数据节点类型进行交叉使用,配合Watc ...
并发编程（二）：全视角解析volatile
一.目录 1.引入话题-发散思考 2.volatile深度解析 3.解决volatile原子性问题 4.volatile应用场景二.引入话题-发散思考 public class T1 { /*vol ...
并发编程（二）concurrent 工具类
并发编程(二)concurrent 工具类一.CountDownLatch 经常用于监听某些初始化操作,等初始化执行完毕后,通知主线程继续工作. import java.util.concurren ...
搞懂分布式技术6：Zookeeper典型应用场景及实践
搞懂分布式技术6:Zookeeper典型应用场景及实践一.ZooKeeper典型应用场景实践 ZooKeeper是一个高可用的分布式数据管理与系统协调框架.基于对Paxos算法的实现,使该框架保证了 ...
基于Apache Hudi构建数据湖的典型应用场景介绍
1. 传统数据湖存在的问题与挑战传统数据湖解决方案中,常用Hive来构建T+1级别的数据仓库,通过HDFS存储实现海量数据的存储与水平扩容,通过Hive实现元数据的管理以及数据操作的SQL化.虽然能 ...
《高性能javascript》领悟随笔之-------DOM编程篇(二)
<高性能javascript> 领悟随笔之-------DOM编程篇二序:在javaSctipt中,ECMASCRIPT规定了它的语法,BOM实现了页面与浏览器的交互,而DOM则承载着整 ...
【转】《深入理解计算机系统》C程序中常见的内存操作有关的典型编程错误
原文地址:http://blog.csdn.net/slvher/article/details/9150597 对C/C++程序员来说,内存管理是个不小的挑战,绝对值得慎之又慎,否则让由上万行代码构 ...

随机推荐

stl源码分析之priority queue
前面两篇介绍了gcc4.8的vector和list的源码实现,这是stl最常用了两种序列式容器.除了容器之外,stl还提供了一种借助容器实现特殊操作的组件,谓之适配器,比如stack,queue,pr ...
Python小白学习之函数装饰器
装饰器 2018-10-25 13:49:37 装饰器从字面意思就是用来装饰的,在函数可以理解为:在函数中,我们不想影响原来的函数功能,又想给函数添加新的功能,这时候我们就用到了装饰器. 一般函数操作 ...
180723-Quick-Task 动态脚本支持框架之结构设计篇
文章链接:https://liuyueyi.github.io/hexblog/2018/07/23/180723-Quick-Task-动态脚本支持框架之结构设计篇/ Quick-Task 动态脚本 ...
JMeter学习笔记（一）工具的安装和基本介绍
因为网上的资料比较多,就不多描述了,在此引用了其他大神的文档,用于学习这个文档中有比较详细的jmeter工具介绍: https://wenku.baidu.com/view/64f3a5f75901 ...
Hive中使用sql的注意事项
一.别名的使用定义别名:columnA as X 不需要使用单引号使用别名:不与where同时使用花式报错-->有说hive不支持where后使用别名二.GROUP BY select ...
python编辑用户登入界面
1.需求分析登入界面需要达到以下要求: 系统要有登入和注册两个选项可供选择系统要能够实现登入出错提示,比如账户密码错误等,用户信息保存在user_info.txt文件夹中系统要能够进行登入错误次 ...
c# dictionnary根据value查找对应的key
属性方法中并没有包含此功能,因此需要自己自定义一个方法: string regionName = ""; if (ControlForm.swichLanguage.Contain ...
myeclipse生成类的帮助文档
http://blog.csdn.net/tabactivity/article/details/11807233
Java 常用类String类、StringBuffer类
常用类 String类.StringBuffer类 String代表不可变的字符序列 "xxxxxxx"为该类的对象举例(1) public class Test { publi ...
Team Work Ⅲ
Regal-Lighting团队设计分工思考本次大作业我的分工定位是:Unit及子类,主要设计实现建筑类的功能. 在上一篇博客我介绍了我的继承方案和接口设定,这一篇粗略的介绍一下实现部分 Defe ...

MapReduce(四) 典型编程场景（二）

MapReduce(四) 典型编程场景（二）的更多相关文章

随机推荐

热门专题