一脸懵逼学习MapReduce的原理和编程（Map局部处理，Reduce汇总）和MapReduce几种运行方式

1：MapReduce的概述：

　　（1）：MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.
　　（2）：MapReduce由两个阶段组成：Map和Reduce，用户只需要实现map()和reduce()两个函数，即可实现分布式计算，非常简单。
　　（3）：这两个函数的形参是key、value对，表示函数的输入信息。

2：MapReduce执行步骤：

　　（1）： map任务处理

　　　　（a）:读取输入文件内容，解析成key、value对。对输入文件的每一行，解析成key、value对。每一个键值对调用一次map函数。
　　　　（b）:写自己的逻辑，对输入的key、value处理，转换成新的key、value输出。
　　（2）reduce任务处理

　　　　（a）在reduce之前，有一个shuffle的过程对多个map任务的输出进行合并、排序。
　　　　（b）写reduce函数自己的逻辑，对输入的key、value处理，转换成新的key、value输出。
　　　　（c）把reduce的输出保存到文件中。
　　　　　　 例子：实现WordCountApp
3：map、reduce键值对格式：

4：MapReduce流程：
　　（1）代码编写
　　（2）作业配置
　　（3）提交作业
　　（4）初始化作业
　　（5）分配任务
　　（6）执行任务
　　（7）更新任务和状态
　　（8）完成作业

---

5：MapReduce介绍及wordcount和wordcount的编写和提交集群运行的案例：

WcMap类进行单词的局部处理：

 package com.mapreduce;

 import java.io.IOException;

 import org.apache.commons.lang.StringUtils;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Mapper;

 /***
  *
  * @author Administrator
  * 1：4个泛型中，前两个是指定mapper输入数据的类型，KEYIN是输入的key的类型，VALUEIN是输入的value的值
  *       KEYOUT是输入的key的类型，VALUEOUT是输入的value的值
  * 2：map和reduce的数据输入和输出都是以key-value的形式封装的。
  * 3：默认情况下，框架传递给我们的mapper的输入数据中，key是要处理的文本中一行的起始偏移量，这一行的内容作为value
  * 4：key-value数据是在网络中进行传递，节点和节点之间互相传递，在网络之间传输就需要序列化，但是jdk自己的序列化很冗余
  *    所以使用hadoop自己封装的数据类型，而不要使用jdk自己封装的数据类型；
  *    Long--->LongWritable
  *    String--->Text
  */
 public class WcMap extends Mapper<LongWritable, Text, Text, LongWritable>{

     //重写map这个方法
     //mapreduce框架每读一行数据就调用一次该方法
     @Override
     protected void map(LongWritable key, Text value, Context context)
             throws IOException, InterruptedException {
         //具体业务逻辑就写在这个方法体中，而且我们业务要处理的数据已经被框架传递进来，在方法的参数中key-value
         //key是这一行数据的起始偏移量，value是这一行的文本内容

         //1:切分单词,首先拿到单词value的值,转化为String类型的
         String str = value.toString();
         //2:切分单词,空格隔开,返回切分开的单词
         String[] words = StringUtils.split(str," ");
         //3:遍历这个单词数组，输出为key-value的格式，将单词发送给reduce
         for(String word : words){
             //输出的key是Text类型的，value是LongWritable类型的
             context.write(new Text(word), new LongWritable());
         }

     }
 }

WcReduce进行单词的计数处理：

 package com.mapreduce;

 import java.io.IOException;

 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Reducer;

 /***
  *
  * @author Administrator
  * 1:reduce的四个参数，第一个key-value是map的输出作为reduce的输入,第二个key-value是输出单词和次数，所以
  *      是Text,LongWritable的格式；
  */
 public class WcReduce extends Reducer<Text, LongWritable, Text, LongWritable>{

     //继承Reducer之后重写reduce方法
     //第一个参数是key，第二个参数是集合。
     //框架在map处理完成之后，将所有key-value对缓存起来，进行分组，然后传递一个组<key,valus{}>，调用一次reduce方法
     //<hello,{1,1,1,1,1,1.....}>
     @Override
     protected void reduce(Text key, Iterable<LongWritable> values,Context context)
             throws IOException, InterruptedException {
         //将values进行累加操作，进行计数
         long count = ;
         //遍历value的list，进行累加求和
         for(LongWritable value : values){

             count += value.get();
         }

         //输出这一个单词的统计结果
         //输出放到hdfs的某一个目录上面，输入也是在hdfs的某一个目录
         context.write(key, new LongWritable(count));
     }

 }

WcRunner用来描述一个特定的作业

 package com.mapreduce;

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

 /***
  * 1:用来描述一个特定的作业
  *       比如,该作业使用哪个类作为逻辑处理中的map,那个作为reduce
  * 2:还可以指定该作业要处理的数据所在的路径
  *        还可以指定改作业输出的结果放到哪个路径
  * @author Administrator
  *
  */
 public class WcRunner {

     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         //创建配置文件
         Configuration conf = new Configuration();
         //获取一个作业
         Job job = Job.getInstance(conf);

         //设置整个job所用的那些类在哪个jar包
         job.setJarByClass(WcRunner.class);

         //本job使用的mapper和reducer的类
         job.setMapperClass(WcMap.class);
         job.setReducerClass(WcReduce.class);

         //指定reduce的输出数据key-value类型
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);

         //指定mapper的输出数据key-value类型
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(LongWritable.class);

         //指定要处理的输入数据存放路径
         FileInputFormat.setInputPaths(job, new Path("hdfs://master:9000/wc/srcdata"));

         //指定处理结果的输出数据存放路径
         FileOutputFormat.setOutputPath(job, new Path("hdfs://master:9000/wc/output"));

         //将job提交给集群运行
         job.waitForCompletion(true);
     }

 }

书写好上面的三个类以后打成jar包上传到虚拟机上面进行运行：

然后启动你的hadoop集群：start-dfs.sh和start-yarn.sh启动集群；然后将jar分发到节点上面进行运行；

之前先造一些数据，如下所示：

内容自己随便搞吧：

然后上传到hadoop集群上面，首选创建目录，存放测试数据，将数据上传到创建的目录即可；但是输出目录不需要手动创建，会自动创建，自己创建会报错：

然后将jar分发到节点上面进行运行；命令格式如hadoop    jar   自己的jar包   主类的路径

正常性运行完过后可以查看一下运行的效果：

6：MapReduce的本地模式运行如下所示（本地运行需要修改输入数据存放路径和输出数据存放路径）：

 package com.mapreduce;

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.mapreduce.Job;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

 /***
  * 1:用来描述一个特定的作业
  *       比如,该作业使用哪个类作为逻辑处理中的map,那个作为reduce
  * 2:还可以指定该作业要处理的数据所在的路径
  *        还可以指定改作业输出的结果放到哪个路径
  * @author Administrator
  *
  */
 public class WcRunner {

     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         //创建配置文件
         Configuration conf = new Configuration();
         //获取一个作业
         Job job = Job.getInstance(conf);

         //设置整个job所用的那些类在哪个jar包
         job.setJarByClass(WcRunner.class);

         //本job使用的mapper和reducer的类
         job.setMapperClass(WcMap.class);
         job.setReducerClass(WcReduce.class);

         //指定reduce的输出数据key-value类型
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);

         //指定mapper的输出数据key-value类型
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(LongWritable.class);

         //指定要处理的输入数据存放路径
         //FileInputFormat.setInputPaths(job, new Path("hdfs://master:9000/wc/srcdata/"));
         FileInputFormat.setInputPaths(job, new Path("d:/wc/srcdata/"));

         //指定处理结果的输出数据存放路径
         //FileOutputFormat.setOutputPath(job, new Path("hdfs://master:9000/wc/output/"));
         FileOutputFormat.setOutputPath(job, new Path("d:/wc/output/"));

         //将job提交给集群运行
         job.waitForCompletion(true);
     }

 }

然后去自己定义的盘里面创建文件夹即可：

然后直接运行出现下面的错误：

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Exception in thread "main" java.io.IOException: Cannot initialize Cluster. Please check your configuration for mapreduce.framework.name and the correspond server addresses.
    at org.apache.hadoop.mapreduce.Cluster.initialize(Cluster.java:120)
    at org.apache.hadoop.mapreduce.Cluster.<init>(Cluster.java:82)
    at org.apache.hadoop.mapreduce.Cluster.<init>(Cluster.java:75)
    at org.apache.hadoop.mapreduce.Job$9.run(Job.java:1255)
    at org.apache.hadoop.mapreduce.Job$9.run(Job.java:1251)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1556)
    at org.apache.hadoop.mapreduce.Job.connect(Job.java:1250)
    at org.apache.hadoop.mapreduce.Job.submit(Job.java:1279)
    at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1303)
    at com.mapreduce.WcRunner.main(WcRunner.java:57)

解决办法：

缺少Jar包：hadoop-mapreduce-client-common-2.2.0.jar

---

好吧，最后还是没有实现在本地运行此运行，先在这里记一下吧。下面这个错搞不定，先做下笔记吧；

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Exception
in thread "main" java.lang.IllegalArgumentException: Pathname
/c:/wc/output from hdfs://master:9000/c:/wc/output is not a valid DFS
filename.
    at org.apache.hadoop.hdfs.DistributedFileSystem.getPathName(DistributedFileSystem.java:194)
    at org.apache.hadoop.hdfs.DistributedFileSystem.access$000(DistributedFileSystem.java:102)
    at org.apache.hadoop.hdfs.DistributedFileSystem$17.doCall(DistributedFileSystem.java:1124)
    at org.apache.hadoop.hdfs.DistributedFileSystem$17.doCall(DistributedFileSystem.java:1120)
    at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)
    at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1120)
    at org.apache.hadoop.fs.FileSystem.exists(FileSystem.java:1398)
    at org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.checkOutputSpecs(FileOutputFormat.java:145)
    at org.apache.hadoop.mapreduce.JobSubmitter.checkSpecs(JobSubmitter.java:458)
    at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:343)
    at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1285)
    at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1282)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1556)
    at org.apache.hadoop.mapreduce.Job.submit(Job.java:1282)
    at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1303)
    at com.mapreduce.WcRunner.main(WcRunner.java:57)

---

7：MapReduce程序的几种提交运行模式：

本地模型运行
1：在windows的eclipse里面直接运行main方法，就会将job提交给本地执行器localjobrunner执行
      ----输入输出数据可以放在本地路径下（c:/wc/srcdata/）
      ----输入输出数据也可以放在hdfs中(hdfs://master:9000/wc/srcdata)
2：在linux的eclipse里面直接运行main方法，但是不要添加yarn相关的配置，也会提交给localjobrunner执行
      ----输入输出数据可以放在本地路径下（/home/hadoop/wc/srcdata/）
      ----输入输出数据也可以放在hdfs中(hdfs://master:9000/wc/srcdata)  
     
集群模式运行
1：将工程打成jar包，上传到服务器，然后用hadoop命令提交  hadoop jar wc.jar cn.itcast.hadoop.mr.wordcount.WCRunner
2：在linux的eclipse中直接运行main方法，也可以提交到集群中去运行，但是，必须采取以下措施：
      ----在工程src目录下加入 mapred-site.xml  和  yarn-site.xml
      ----将工程打成jar包(wc.jar)，同时在main方法中添加一个conf的配置参数　conf.set("mapreduce.job.jar","wc.jar");

3：在windows的eclipse中直接运行main方法，也可以提交给集群中运行，但是因为平台不兼容，需要做很多的设置修改
        ----要在windows中存放一份hadoop的安装包（解压好的）
        ----要将其中的lib和bin目录替换成根据你的windows版本重新编译出的文件
        ----再要配置系统环境变量 HADOOP_HOME  和 PATH
        ----修改YarnRunner这个类的源码