指导手册05：MapReduce编程入门

指导手册05：MapReduce编程入门

 

Part 1:使用Eclipse创建MapReduce工程

操作系统：

Centos 6.8, hadoop 2.6.4

情景描述：

因为Hadoop本身就是由Java开发的，所以通常也选用Eclipse作为MapReduce的编程工具，本小节将完成Eclipse安装，MapReduce集成环境配置。

1．下载与安装Eclipse

（1）在官网下载Eclipse安装包“Eclipse IDE for Java EE Developers”官网：https://www.eclipse.org/downloads/packages/

（2）将Eclipse安装包解压到本地的安装目录

（3）将插件hadoop-eclipse-plugin-2.6.0jar拷贝到Eclipse安装目录下的dropins目录

（4）双击解压文件下Eclipse文件夹中的图标，打开Eclipse

2．配置MapReduce环境

（1）增加Map/Reduce功能区。

打开Eclipse主界面，在菜单中选择“Window”->”Perspective”->”Open Perspective”->”Other”命令，在弹出的菜单中选择”Map/Reduce”选择，然后单击“OK”按钮确定。

（2）增加Hadoop集群的连接。

在Eclipse主界面下方的控制台界面中，选中选项卡“Map/Reduce Locations”,如下图所示：

单击上图所示右下方的蓝色小象图标（其右上方有+号），就会弹出连接Hadoop集群的配置对话框。

map/Reduce 端口：8032，DFS端口：8020 和core-site.xml中配置一致

相关的Hadoop 集群的连接信息有以下各项。

ü  Location name:命名新建的Hadoop连接，如Hadoop Cluster.

ü  Map/Reduce(v2)Master:填写Hadoop集群的ResourceManager的IP地址和端口。（查看yarn-site.xml配置文件）。

ü  DFS Master：填写Hadoop集群的NameNode的IP地址和连接端口。（查看core-site.xml配置文件）

（3）浏览HDFS上的目录文件。

3．新建MapReduce工程

（1）导入MapReduce运行依赖的相关Jar包

在主菜单上选择”Window”->”Preferences”命令，在下图的Preference窗口中选择“Hadoop Map/Reduce”选项，单击“Browse”按钮，选中Hadoop的安装文件夹路径。

（2）创建MapReduce工程。从菜单栏中选择“File”->”New”->”Project”命令，在弹出的New对话框中选择“Map/Reduce Project”选项。如下图如示。

（3）在“MapReduce Project”的创建界面中填写工程名“MemberCount”,然后单击“Finish”按钮。

（4）接下来，在主界在左侧的”Project Explorer”栏可以看到己经创建好的工程MemberCout,接下来就可以正式进行MapReduce工作了。

4．实训操作

在Linux中完成Eclipse安装并创建MapReduce工程。（参考：Eclipe在Linux中安装配置参考）

Part 2: 通过源码初识MapReduce编程

情景描述：

在进行MapReduce编程前，有必要对MapReduce的基本原理进行了解，尤其是要对其核心模块Mapper与Reduce的执行流程有一定认识。Hadoop官方提供了一些示例源码，非常适合初学者学习及参考。比如词频统计（WordCount）的源码。

1．词频统计（WordCount）的源码

2．MapReduce原理

MapReduce，在名称上就表现出了它的核心原理，它是由两个阶段组成的。

Map，表示“映射”，在map阶段进行的一系列数据处理任务被称为Mapper模块。

Reduce，表示“归约”，同样，在reduce阶段进行的一系列数据处理任务也被称为Reducer模块。

MapReduce通常也被简称为MR

如果用打比方的方式来说明，MapReduce可以被看作一个专业处理大数据的工程队，它由以下主要成员组成：

（1）Mapper：映射器。

（2）Mapper助理InputFormat：输入文件读取器。

（3）Shuffle：运输队。

（4）Shuffle助理Sorter：排序器。

（5）Reducer：归约器。

（6）Reducer助理OutputFormat：输出结果写入器。

• 数据分片。假设原始文件中8000万行记录被系统分配给100个Mapper来处理，那么每个Mapper处理80万行数据。相当于MapReduce通过数据分片的方式，把数据分发给多个单元来进行处理，这就是分布式计算的第一步。
• 数据映射。在数据分片完成后，由Mapper助理InputFormat从文件的输入目录中读取这些记录，然后由Mapper负责对记录进行解析，并重新组织成新的格式。然后Mapper把自己的处理结果输出，等待Shuffle运输队取走结果。
• 数据混洗。由Shuffle运输队把获取的结果按照相同的键(Key)进行汇集，再把结果送到Shuffle助理Sorter，由Sorter负责对这些结果排好序，然后提交给Reducer。
• 数据归约。Reducer收到传输过来的结果后，接着进行汇总与映射工作，得到最终计算结果。最后由Reducer助理OutputFormat把结果输出到指定位置。

3．MapReduce 实现词频统计的执行流程

map任务的处理过程

reduce任务的处理过程

 

4．Hadoop MapReduce– 单词计数源码分析Driver

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

Configuration conf = new Configuration();  //程序运行时参数

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");  //设置环境参数

job.setJarByClass(WordCount.class);  //设置整个程序的类名

job.setMapperClass(MyMapper.class);  //添加MyMapper类

job.setReducerClass(MyReducer.class);  //添加MyReducer类

job.setOutputKeyClass(Text.class);  //设置输出类型

job.setOutputValueClass(IntWritable.class);  //设置输出类型

FileInputFormat.addInputPath(job,new Path(otherArgs[0]));  //设置输入文件

FileOutputFormat.setOutputPath(job,new Path(otherArgs[1])); //设置输出文件

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

}

在MapReduce任务中涉及4个键值对格式，Mapper输入键值对格式<K1,V1>, Mapper输出键值对格式<K2，V2>,Reducer输出键值对格式<K3,V3 >。当Mapper输出键值对格式<K2,V2>和Reducer输出键值对格式<K3,V3>一样的时候，可以只设置Reducerl输出键值对的格式。

应用程序Driver分析：

（1）       最后部分：提交MapReduce任务运行。

以下是Mapper、Reducer类

Map 是映射，Reducer是把相同的键列表值全部累加起来。

5．WordCount完整代码：

import java.io.IOException;

import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

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.lib.input.FileInputFormat;

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

import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount{

//WordCount类的具体代码见下面

}

------------------------------------------------------------------------------------------------------------------

（WordCount类代码）

public class WordCount{

public static class MyMapper 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{

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

while (itr.hasMoreTokens()){

word.set(itr.nextToken());

context.write(word,one);

}

}

}

public static class MyReducer 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);

}

}

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

Configuration conf = new Configuration();

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(MyMapper.class);

job.setReducerClass(MyReducer.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);

}

}

6实验步骤：

使用java编译程序，生成.class文件

将.class文件打包为jar包

上传到master服务器

[root@maste opt]# hadoop jar  $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-exampes-2.6.4.jar wordcount /user/root/emil_log.txt  /user/root/output1

运行jar包（需要启动Hadoop）

这里特别注意的是在WordCount中的命名空间，也就是package那一行的东西外加主类要放到jar包后面，

如：org.apache.hadoop.example.WordCount

[root@centos WordCount]# hadoop dfs -rmr /wc/output

Deleted hdfs://centos:9000/wc/output

[root@centos WordCount]# hadoop jar WordCount.jar org.apache.hadoop.examples.WordCount /wc/input /wc/output

查看结果

7.实训操作

         使用有短句“A friend in need is a friend in deed”，画出使用MapReduce对它进行词频统计的过程，主要展示Map阶段与Reduce阶段的处理过程。请画图展示。