Hadoop学习笔记(7) ——高级编程

Hadoop学习笔记(7)

——高级编程

从前面的学习中，我们了解到了MapReduce整个过程需要经过以下几个步骤：

1.输入(input):将输入数据分成一个个split，并将split进一步拆成<key, value>。

2.映射(map)：根据输入的<key, value>进生处理，

3.合并(combiner)：合并中间相两同的key值。

4.分区(Partition)：将<key, value>分成N分，分别送到下一环节。

5.化简(Reduce)：将中间结果合并，得到最终结果

6.输出(output)：负责输入最终结果。

其中第3、4步又成洗牌(shuffle)过程。

从前面HelloWorld示例中，我们看到，我们只去个性化了Map和Reduce函数，那其他函数呢，是否可以个性化？答案当然是肯定的。下面我们就对每个环节的个性化进行介绍。

自定义输入格式

输入格式（InputFormat）用于描述整个MapReduce作业的数据输入规范。先对输入的文件进行格式规范检查，如输入路径，后缀等检查；然后对数据文件进行输入分块（split）；再对数据块逐一读出；最后转换成Map所需要的<key, value>健值对。

系统中提供丰富的预置输入格式。最常用的以下两种：

TextInputFormat：系统默认的数据输入格式。将文件分块，并逐行读入，每一行记录行成一对<key, value>。其中，key值为当前行在整个文件中的偏移量，value值为这一行的文本内容。

KeyValueTextInputFormat：这是另一个常用的数据输入格式，读入的文本文件内容要求是以<key, value>形式。读出的结果也就直接形成<key, value>送入map函数中。

如果选择输入格式呢？那就只要在job函数中调用

1. job.setInputFormatClass(TextInputFormat.class);

在Hello中我们没有设定，系统默认选择了TextInputFormat。

一般情况够用了，但某些情况下，还是无法满足用户的需求，所以还是需要个性化。个性化则按下面的方式进行：

如果数据我们是来源于文件，则可以继承FileInputFormat：

1. public class MyInputFormat extends FileInputFormat<Text,Text> {
2.    @Override
3.    public RecordReader<Text, Text> createRecordReader(InputSplit split,
4.          TaskAttemptContext context) throws IOException, InterruptedException {
5.       // TODO Auto-generated method stub
6.       return null;
7.    }
8. }

如果数据我们是来源于非文件，如关系数据，则继承

1. public class MyInputFormat extends InputFormat<Text,Text> {
2.  
3.    @Override
4.    public RecordReader<Text, Text> createRecordReader(InputSplit arg0,
5.          TaskAttemptContext arg1) throws IOException, InterruptedException {
6.       // TODO Auto-generated method stub
7.       return null;
8.    }
9.  
10.    @Override
11.    public List<InputSplit> getSplits(JobContext arg0) throws IOException,
12.          InterruptedException {
13.       // TODO Auto-generated method stub
14.       return null;
15.    }
16.  
17. }

这里比较清晰了，下面个函数为拆分成split，上面个函数跟据split输出成Key,value。

自定义map处理

这个好理解，我们的HelloWorld程序中就自定义了map处理函数。然后在job中指定了我们的处理类：

1. job.setMapperClass(TokenizerMapper.class);

能不能没有map呢？ 可以的，如果没有map，也就是这与上面的这个setMapperClass,则系统自动指定一个null，这时处理是将输入的<key,value>值，不作任何修改，直接送到下一环节中。

个性化代码如下：

1. public static class TokenizerMapper
2.        extends Mapper<Object, Text, Text, IntWritable>{
3.  
4.     public void map(Object key, Text value, Context context
5.                     ) throws IOException, InterruptedException {
6.  
7.         context.write(key, value);
8.     }
9.   }

自定义合并Combiner

自定义合并Combiner类，主要目的是减少Map阶段输出中间结果的数据量，降低数据的网络传输开销。

Combine过程，实际跟Reduce过程相似，只是执行不同，Reduce是在Reducer环节运行，而Combine是紧跟着Map之后，在同一台机器上预先将结时进行一轮合并，以减少送到Reducer的数据量。所以在HelloWorld时，可以看到，Combiner和Reducer用的是同一个类：

1. job.setCombinerClass(IntSumReducer.class);
2. job.setReducerClass(IntSumReducer.class);

如何个性化呢，这个跟Reducer差不多了：

1. public static class MyCombiner
2.       extends Reducer<Text,IntWritable,Text,IntWritable> {
3.  
4.    public void reduce(Text key, Iterable<IntWritable> values,
5.                       Context context
6.                       ) throws IOException, InterruptedException {
7.  
8.      context.write(key, new IntWritable(1));
9.    }
10.  }

自定义分区Partitioner

在MapReduce程序中，Partitioner决定着Map节点的输出将被分区到哪个Reduce节点。而默认的Partitioner是HashPartitioner，它根据每条数据记录的主健值进行Hash操作，获得一个非负整数的Hash码，然后用当前作业的Reduce节点数取模运算，有N个结点的话，就会平均分配置到N个节点上，一个隔一个依次。大多情况下这个平均分配是够用了，但也会有一些特殊情况，比如某个文件的，不能被拆开到两个结点中，这样就需要个性化了。

个性化方式如下：

1. public static class MyPartitioner
2.       extends HashPartitioner<K,V> {
3.  
4.    public void getPartition(K key, V value,int numReduceTasks) {
5.  
6.      super.getPartition(key,value,numReduceTasks);
7.    }
8.  }

方式其实就是在执行之前可以改变一下key，来欺骗这个hash表。

自定义化简(Reducer)

这一块是将Map送来的结果进行化简处理，并形成最终的输出值。与前面map一样，在HelloWorld中我们就见到过了。通过下面代码可以设置其值：

1. job.setReducerClass(IntSumReducer.class);

同样，也可以这样类可以不设置，如果不设置的话，就是把前面送来的值，直接送向输出格式器中。

如果要个性化，则如下：

1.   public static class IntSumReducer
2.      extends Reducer<Text,IntWritable,Text,IntWritable> {
3.  
4.   public void reduce(Text key, Iterable<IntWritable> values,
5.                      Context context
6.                      ) throws IOException, InterruptedException {
7.     context.write(key, result);
8.   }
9. }

自定义输出格式

数据输出格式(OutPutFormat)用于描述MapReduce作业的数据输出规范。Hadoop提供了丰富的内置数据输出格式。最常的数据输出格式是TextOutputFormat，也是系统默认的数据输出格式，将结果以"key+\t+value"的形式逐行输出到文本文件中。还有其它的，如：DBOutputFormat,FileOutputFormat,FilterOutputFormat,IndexUpdataOutputFormat,LazyOutputFormat,MapFileOutputFormat,等等。

如果要个性化，则按下面方式进行：

1. public class MyOutputFormat extends OutputFormat<Text,Text> {
2.  
3.    @Override
4.    public void checkOutputSpecs(JobContext arg0) throws IOException,
5.          InterruptedException {
6.       // TODO Auto-generated method stub
7.  
8.    }
9.  
10.    @Override
11.    public OutputCommitter getOutputCommitter(TaskAttemptContext arg0)
12.          throws IOException, InterruptedException {
13.       // TODO Auto-generated method stub
14.       return null;
15.    }
16.  
17.    @Override
18.    public RecordWriter<Text, Text> getRecordWriter(TaskAttemptContext arg0)
19.          throws IOException, InterruptedException {
20.       // TODO Auto-generated method stub
21.       return null;
22.    }
23.  
24. }

复合健——用户自定义类型。

从前面的整个过程中可以看到，都是采用key-value的方式进行传入传出，而这些类型大多是单一的字符串，和整型。如果我的key中需要包含多个信息怎么办？用字符串直接拼接么？ 太不方便了，最好能够自己定义一个类，作为这个key，这样就方便了。

如果定义一个类作为key 或value的类型？ 有什么要求？就是这个类型必须要继承WritableComparable<T>这个类，所以如果要自定义一个类型则可以这么实现：

1. public class MyType implements WritableComparable<MyType> {
2.  
3.    private float x,y;
4.    public float GetX(){return x;}
5.    public float GetY(){return y;}
6.  
7.       @Override
8.       public void readFields(DataInput in) throws IOException {
9.          x = in.readFloat();
10.          y = in.readFloat();
11.       }
12.  
13.       @Override
14.       public void write(DataOutput out) throws IOException {
15.          out.writeFloat(x);
16.          out.writeFloat(y);
17.       }
18.  
19.       @Override
20.       public int compareTo(MyType arg0) {
21.          //输入：-1（小于） 0（等于） 1（大于）
22.          return 0;
23.       }
24.    }

这个示例中，我们添加了两个float变量：x,y 。 这个信息能过int 和out按次序进行输入输出。最后，再实现一个比较函数即可。

Job任务的创建

1. Job job = new Job(conf, "word count");
2.    job.setJarByClass(WordCount.class);
3.    job.setInputFormatClass(MyInputFormat.class);
4.    job.setMapperClass(TokenizerMapper.class);
5.    job.setCombinerClass(IntSumReducer.class);
6.    job.setPartitionerClass(MyPartitioner.class);
7.    job.setReducerClass(IntSumReducer.class);
8.    job.setOutputFormatClass(TextOutputFormat.class);
9.    job.setOutputKeyClass(Text.class);
10.    job.setOutputValueClass(IntWritable.class);
11.    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
12.    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

任务创建比较容易,其实就是new一个实例，然后把上面描述的过程类设置好，然后加上第2行中，jar包的主类，第10、11行的输入输出路径。这样就完事了。

Job任务的执行

单个任务的执行，没有什么问题，可以用这个：

1. job.waitForCompletion(true);

但多个任务呢？ 多个任务的话，就会形成其组织方式，有串行，有并行，有无关，有组合的，如下图：

图中，Job2和Job3将会等Job1执行完了再执行，且可以同时开始，而Job4必须等Job2和Job3同时结束后才结束。

这个组合，就可以采用这样的代码来实现：

1. Configuration conf = new Configuration();
2.       Job job1 = new Job(conf, "job1");
3.       //.. config Job1
4.       Job job2 = new Job(conf, "job2");
5.       //.. config Job2
6.       Job job3 = new Job(conf, "job3");
7.       //.. config Job3
8.       Job job4 = new Job(conf, "job4");
9.       //.. config Job4
10.  
11.       //添加依赖关系
12.       job2.addDependingJob(job1);
13.       job3.addDependingJob(job1);
14.       job4.addDependingJob(job2);
15.       job4.addDependingJob(job3);
16.  
17.       JobControl jc = new JobControl("jbo name");
18.       jc.addJob(job1);
19.       jc.addJob(job2);
20.       jc.addJob(job3);
21.       jc.addJob(job4);
22.       jc.run();

总述

现在回头看看，其实整个hadoop编程，也就是这几块内容了，要实现某个功能，我们就往上面这些步骤上套，然后联起来执行，达到我们的目的。