MapReduce链接作业

对于简单的分析程序，我们只需一个MapReduce就能搞定，然而对于比较复杂的分析程序，我们可能需要多个Job或者多个Map或者Reduce进行计算。下面我们来说说多个Job或者多个MapReduce的编程形式

MapReduce的主要有以下几种编程形式

1、迭代式MapReduce

MapReduce迭代方式，通常是将上一个MapReduce任务的输出作为下一个MapReduce任务的输入，可只保留MapReduce任务的最终结果，中间数据可以删除或保留，如下所示

迭代式MapReduce的示例代码如下所示

/**
* @ProjectName MapReduceLinkJob
* @PackageName com.buaa
* @ClassName IterativeJob
* @Description TODO
* @Author 刘吉超
* @Date 2016-06-11 11:01:57
*/
public class IterativeJob extends Configured implements Tool {
    // 这里只给出主要代码，其他省略
	......

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();

		// 第一个MapReduce任务
		Job job1 = new Job(conf,"job1");
		...
		// job1的输入
		FileInputFormat.addInputPath(job1,input);
		// job1的输出
		FileOutputFromat.setOutputPath(job1,out1);
		job1.waitForCompletion(true);

		// 第二个Mapreduce任务
		Job job2 = new Job(conf,"job2");
		...
		// job1的输出作为job2的输入
		FileInputFormat.addInputPath(job2,out1);
		// job2 的输出
		FileOutputFromat.setOutputPath(job2,out2);
		job2.waitForCompletion(true);

		// 第三个Mapreduce任务
		Job job3 = new Job(conf,"job3");
		...
		// job2的输出作为job3的输入
		FileInputFormat.addInputPath(job3,out2);
		// job3 的输出
		FileOutputFromat.setOutputPath(job3,out3);
		job3.waitForCompletion(true);
		...
    }

	......
}

虽然MapReduce的迭代可实现多任务的执行，但是它具有如下两个缺点：

1、每次迭代，如果所有Job对象重复创建，代价将非常高。

2、每次迭代，数据都要写入本地，然后从本地读取，I/O和网络传输的代价比较大

2、依赖式MapReuce

依赖式MapReduce是由org.apache.hadoop.mapred.jobcontrol包中的JobControl类来实现。JobControl的实例表示一个作业的运行图，你可以加入作业配置，然后告知JobControl实例作业之间的依赖关系。在一个线程中运行JobControl时，它将按照依赖顺序来执行这些作业。也可以查看进程，在作业结束后，可以查询作业的所有状态和每个失败相关的错误信息。如果一个作业失败，JobControl将不执行与之有依赖关系的后续作业

依赖关系式MapReuce的示例代码如下所示

/**
* @ProjectName MapReduceLinkJob
* @PackageName com.buaa
* @ClassName DependentJob
* @Description TODO
* @Author 刘吉超
* @Date 2016-06-11 11:12:45
*/
public class DependentJob extends Configured implements Tool {
    // 这里只给出主要代码，其他省略
	......

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf1 = new Configuration();
		Job job1 = new Job(conf1,"Job1");
		...

		Configuration conf2 = new Configuration();
		Job job2 = new Job(conf2,"Job2");
		....

		Configuration conf3 = new Configuration();
		Job job3 = new Job(conf3,"Job3");
		....

		// 构造一个ControlledJob
		ControlledJob cJob1 = new ControlledJob(conf1);
		// 设置ControlledJob
		cJob1.setJob(job1);
		ControlledJob cJob2 = new ControlledJob(conf2);
		cJob2.setJob(job2);
		ControlledJob cJob3 = new ControlledJob(conf3);
		cJob2.setJob(job3);

		// 设置cJob3和cJob1的依赖关系
		cJob3.addDependingJob(cJob1);
		// 设置cJob3和cJob2的依赖关系
		cJob3.addDependingJob(cJob2);

		JobControl JC = new JobControl("dependentJob");
		// 把三个构造的ControlledJob加入到JobControl中
		JC.addJob(cJob1);
		JC.addJob(cJob2);
		JC.addJob(cJob3);
		Thread t = new Thread(JC);
		t.start();
		while (true) {
			if (jobControl.allFinished()) {
				jobControl.stop();
				break;
			}
		}
    }

	......
}

注意：hadoop的JobControl类实现了线程Runnable接口。我们需要实例化一个线程来启动它。直接调用JobControl的run()方法，线程将无法结束。

3、链式MapReduce

大量的数据处理任务涉及对记录的预处理和后处理。例如：在处理信息检索的文档时，可能需要先移除stop words（像a、the和is这样经常出现但不太有意义的词），然后再做stemming（转换一个词的不同形式为相同的形式，例如转换finishing和finished为finish）。

我们可以为预处理与后处理各自编写一个MapReduce作业，并把它们链接起来。在这些作业中可以使用IdentityReducer（或完全不同的Reducer）。由于在执行过程中每一个作业的中间结果都需要占用I/O和存储资源，所以这种做法是低效的。另一种方法是自己写mapper去预先调用所有的预处理作业，再让reducer调用所有的后处理作业。这将强制我们采用模块化和可组合的方式来构建预处理和后处理。因此Hadoop引入了ChainMapper和ChainReducer类来简化预处理和后处理的构成。

hadoop提供了专门的链式ChainMapper和ChainReducer来处理链式MapReduce任务。在Map或者Reduce阶段存在多个Mapper，这些Mapper像Linux管道一样，前一个Mapper的输出结果直接重定向到后一个Mapper的输入，形成流水线，如下图所示

其调用形式如下：

...
ChainMapper.addMapper(...);
ChainReducer.setReducer(...);
ChainReducer.addMapper(...);
...

addMapper方法如下：

public static void addMapper(Job job,
  Class<extends Mapper> mclass,
  Class<extends K1> inputKeyClass,
  Class<extends V1> inputValueClass,
  Class<extends K2> outputKeyClass,
  Class<extends V2> outputValueClass,
  Configuration conf
)

addMapper()方法有8个参数。第一个和最后一个分别为全局的Job和本地的configuration对象。第二个参数是Mapper类，负责数据处理。余下4个参数 inputKeyClass、inputValueClass、outputKeyClass和outputValueClass是这个Mapper类中输入/输出类的类型。ChainReducer专门提供了一个setReducer()方法来设置整个作业唯一的Reducer，语法与addMapper()方法类似。

链式MapReduce的示例代码如下所示

/**
* @ProjectName MapReduceLinkJob
* @PackageName com.buaa
* @ClassName ChainJob
* @Description TODO
* @Author 刘吉超
* @Date 2016-06-11 11:16:55
*/
public class ChainJob extends Configured implements Tool {
    // 这里只给出主要代码，其他省略
	......

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();
		Job job = new Job(conf);

		job.setJobName("chainjob");
		job.setInputFormat(TextInputFormat.class);
		job.setOutputFormat(TextOutputFormat.class);

		FileInputFormat.addInputPath(job, in);
		FileOutputFormat.setOutputPath(job, out);

		// 在作业中添加 Map1 阶段
		Configuration map1conf = new Configuration(false);
		ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,Text.class, Text.class, map1conf);

		// 在作业中添加 Map2 阶段
		Configuration map2conf = new Configuration(false);
		ChainMapper.addMapper(job, Map2.class, Text.class, Text.class,LongWritable.class, Text.class, map2conf);

		// 在作业中添加 Reduce 阶段
		Configuration reduceconf = new Configuration(false);
		ChainReducer.setReducer(job,Reduce.class,LongWritable.class,Text.class,Text.class,Text.class ,reduceconf);

		// 在作业中添加 Map3 阶段
		Configuration map3conf = new Configuration(false);
		ChainReducer.addMapper(job,Map3.class,Text.class,Text.class,LongWritable.class,Text.class ,map3conf);

		// 在作业中添加 Map4 阶段
		Configuration map4conf = new Configuration(false);
		ChainReducer.addMapper(job,Map4.class,LongWritable.class,Text.class,LongWritable.class,Text.class ,map4conf);

		job.waitForCompletion(true);
    }

	......
}

注意：对于任意一个MapReduce作业，Map和Reduce阶段可以有无限个Mapper，但是Reduce只能有一个。所以包含多个Reduce的作业，不能使用ChainMapper/ChainReduce来完成。

如果，您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】。
如果，您希望更容易地发现我的新博客，不妨点击一下左下角的【关注我】。
如果，您对我的博客所讲述的内容有兴趣，请继续关注我的后续博客，我是【刘超★ljc】。

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。