MapReduce入门

---

说明

• MapReduce是一种分布式计算模型，解决海量数据的计算问题，主要有Map和Reduce组成
• 用户使用时需要实现map()和reduce()两个函数，两个函数的形参都是key/value键值对
• 若以eclipse为开发环境，运行时出现内存不足的情况，需要修改虚拟机的参数 (例如把Default VM Arguments修改为 –Xms64m   -Xmx128m)

---

MapReduce原理

• 如果block的大小默认是64MB，假设输入文件有两个，一个32MB，一个72MB，则小的文件时一个输入片，大文件会分为两个数据块，是两个输入片，一共三个输入片每一个输入片由一个Mapper进程处理，所以一共三个Mapper进程处理

　　

---

MapReduce执行流程

　　

运行时通过Mapper读取HDFS文件，执行自己的方法，最后输出到HDFS文件中

hadoop中，map函数位于内置类org.apache.hadoop.mapreduce.Mapper<KEYIN，VALUEIN，KEYOUT，VALUEOUT>中（Mapper.java   122行）

reduce函数位于内置类org.apache.hadoop.mapreduce.Reducer<KEYIN，VALUEIN，KEYOUT，VALUEOUT>中（Reducer.java   153行）

---

JobTracker和TaskTracker

• JobTracker：负责接收用户提交的作业，负责启动、跟踪任务执行（JobClient是用户作业与JobTracker交互的主要接口）
• TaskTracker：负责任务的执行

---

Mapper 和 Reducer

• 每个Mapper任务对应一个java进程，它会读取HDFS文件，解析成许多键值对，经过我们重写的map方法处理后，转换为很多键值对再输出

　　  具体分为下面6个阶段：

　　

1. 第一阶段是把输入文件按照一定的标准分片(InputSplit)，每个输入片的大小是固定的。默认情况下，输入片(InputSplit)的大小与数据块(Block)的大小是相同的。如果数据块(Block)的大小是默认值64MB，输入文件有两个，一个是32MB，一个是72MB。那么小的文件是一个输入片，大文件会分为两个数据块，那么是两个输入片。一共产生三个输入片。每一个输入片由一个Mapper 进程处理。这里的三个输入片，会有三个Mapper 进程处理。
2. 第二阶段是对输入片中的记录按照一定的规则解析成键值对。有个默认规则是把每一行文本内容解析成键值对。“键”是每一行的起始位置(单位是字节)，“值”是本行的文本内容。
3. 第三阶段是调用Mapper 类中的map 方法。第二阶段中解析出来的每一个键值对，调用一次map 方法。如果有1000 个键值对，就会调用1000 次map 方法。每一次调用map 方法会输出零个或者多个键值对。
4. 第四阶段是按照一定的规则对第三阶段输出的键值对进行分区。比较是基于键进行的。比如我们的键表示省份(如北京、上海、山东等)，那么就可以按照不同省份进行分区，同一个省份的键值对划分到一个区中。默认是只有一个区。分区的数量就是Reducer 任务运行的数量。默认只有一个Reducer 任务。
5. 第五阶段是对每个分区中的键值对进行排序。首先，按照键进行排序，对于键相同的键值对，按照值进行排序。比如三个键值对<2,2>、<1,3>、<2,1>，键和值分别是整数。那么排序后的结果是<1,3>、<2,1>、<2,2>。如果有第六阶段，那么进入第六阶段；如果没有，直接输出到本地的linux文件中。
6. 第六阶段是对数据进行归约处理，也就是reduce 处理。键相等的键值对会调用一次reduce 方法。经过这一阶段，数据量会减少。归约后的数据输出到本地的linxu文件中。本阶段默认是没有的，需要用户自己增加这一阶段的代码。

• reducer执行过程:  每个Reducer任务是一个java进程，接收Mapper任务的输出，归约后写入HDFS中

　　过程如下：

1. 第一阶段是Reducer 任务会主动从Mapper 任务复制其输出的键值对。Mapper 任务可能会有很多，因此Reducer 会复制多个Mapper 的输出。
2. 第二阶段是把复制到Reducer 本地数据，全部进行合并，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
3. 第三阶段是对排序后的键值对调用reduce 方法。键相等的键值对调用一次reduce 方法，每次调用会产生零个或者多个键值对。最后把这些输出的键值对写入到HDFS 文件中。

---

接口

• 默认设置

　　

• writable接口

　　1. MapReduce的任意Key和Value必须实现Writable接口.

　　 2. 两个方法 write和readFileds方法

write方法将对象序列化到DataOutput中

readFields从DataInput中将对象反序列化到对象的属性中

　　3.常用的writable实现类：（其中Text类似于java.lang.String）

　　

• InputFormat  输入文件格式化类
  • FileInputFormat是InputFormat的子类，是所有以文件作为数据源的InputFormat实现的基类
  • FileInputFormat只划分比HDFS block大的文件，如果一个文件比block小将不会被划分，每一个小文件会被当做一个split并分配一个map任务

• TextInputFormat
  • 继承自FileInputFormat
  • 默认的处理类，处理普通文本文件
  • 文件中每一行作为一个记录（将每一行在文件中的起始偏移量作为key，每一行的内容作为value。）
  • 默认以\n或回车键作为一行记录

• OutputFormat 输出文件格式化

• TextOutputformat

默认的输出格式，key和value中间值用tab隔开的。

• SequenceFileOutputformat

将key和value以sequencefile格式输出。

• SequenceFileAsOutputFormat

将key和value以原始二进制的格式输出。

• MapFileOutputFormat

将key和value写入MapFile中。由于MapFile中的key是有序的，所以写入的时候必须保证记录是按key值顺序写入的。

• MultipleOutputFormat

默认情况下一个reducer会产生一个输出，但是有些时候我们想一个reducer产生多个输出，MultipleOutputFormat和MultipleOutputs可以实现这个功能。

---

简单例子：wordcount

• 重写map方法：

    public static class MyMapper extends Mapper<LongWritable,Text,Text,IntWritable>{
        final Text key2=new Text();//key2，表示该行中的单词
        final IntWritable value2=new IntWritable(1);//value2，表示单词在该行的出现次数
        //key，表示文本行的起始位置；value，表示文本行
        protected void map(LongWritable key,Text value,Context context)throws java.io.IOException,InterruptedException{
            final String[] splited=value.toString().split(" ");//把文本内容按照空格分割
            for(String word:splited){
                key2.set(word);
                //把key2、value2写入到上下文context中
                context.write(key2,value2);//每个单词作为新的键，数值1作为新的值，这里输出的是每个单词，所以出现次数是常量1
            }
        }
    }

• 重写reduce方法

• public static class MyReducer extends Reducer<Text,IntWritable,Text,IntWritable >{
          final IntWritable value3=new IntWritable(0);//key3，表示单词出现的总次数
          //key表示单词，values表示map方法输出的1的集合，context为上下文对象
          protected void reduce(Text key,java.lang.Iterable<IntWritable> values,Context context)throws java.io.IOException,InterruptedException{
              int sum=0;
              for(IntWritable count:values){
                  sum+=count.get();
              }//执行到这里，sum表示该单词出现的总次数
              //key3表示单词，是最后输出的key
              final Text key3=key;
              //value3表示单词出现的总次数，是最后出现的value
              value3.set(sum);
          context.write(key3,value3);
          }
      }

• 调用：

• public static void main(String[] args) throws IOException,InterruptedException,ClassNotFoundException{
          // TODO Auto-generated method stub
          final String INPUT_PATH="hdfs://hadoop:9000/input";//输入路径
          final String OUTPUT_PATH="hdfs://hadoop:9000/output";//输出路径，必须是不存在的
          Configuration conf = new Configuration();//加载配置文件
          final Job job = new Job(conf,"WordCountApp");//创建一个job对象，封装运行时所需要的所有信息，可以提交到hadoop独立地运行
          job.setJarByClass(WordCountApp.class);//需要打X成jar包的话，加这一句
          FileInputFormat.setInputPaths(job,INPUT_PATH);//告诉job执行作业时输入文件的路径
          job.setInputFormatClass(TextInputFormat.class);//设置把输入文件处理成键值对的类
          job.setMapperClass(MyMapper.class);//设置自定义的Mapper类
          job.setMapOutputKeyClass(Text.class);
          job.setMapOutputValueClass(IntWritable.class);//设置map方法输出的k2、v2的类型
          //job.setCombinerClass(MyReducer.class);
          job.setPartitionerClass(HashPartitioner.class);//设置对k2分区的类
          job.setNumReduceTasks(1);//设置运行的Reducer任务的数量
          job.setReducerClass(MyReducer.class);//设置自定义的Reducer类
          FileOutputFormat.setOutputPath(job,new Path(OUTPUT_PATH));//告诉job执行作业的输出路径
          job.setOutputFormatClass(TextOutputFormat.class);
          job.setOutputKeyClass(Text.class);
          job.setOutputValueClass(IntWritable.class);//设置reduce方法输出的k3、v3的类型
          job.waitForCompletion(true);//让作业运行，直到运行结束，程序退出，把job对象提交给hadoop运行，直到作业运行结束后才可以
      }

• input文件内容如下：

  final String pathString="/input";
        final FSDataOutputStream fsDataOutputStream=fileSystem.create(new Path(pathString));
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("wish you happy \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("Today is a nice day \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("Today is a nice day \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("Today is a nice day \n".getBytes()),fsDataOutputStream,configuration,false);
        IOUtils.copyBytes(new ByteArrayInputStream("Today is a nice day \n".getBytes()),fsDataOutputStream,configuration,true);

• 　运行日志如下：

14/05/18 12:08:04 INFO mapred.JobClient: Running job: job_local_0001
14/05/18 12:08:04 INFO mapred.Task: Using ResourceCalculatorPlugin : null
14/05/18 12:08:04 INFO mapred.MapTask: io.sort.mb = 100
14/05/18 12:08:04 INFO mapred.MapTask: data buffer = 79691776/99614720
14/05/18 12:08:04 INFO mapred.MapTask: record buffer = 262144/327680
14/05/18 12:08:04 INFO mapred.MapTask: Starting flush of map output
14/05/18 12:08:04 INFO mapred.MapTask: Finished spill 0
14/05/18 12:08:04 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting
14/05/18 12:08:04 INFO mapred.LocalJobRunner:
14/05/18 12:08:04 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done.
14/05/18 12:08:04 INFO mapred.Task: Using ResourceCalculatorPlugin : null
14/05/18 12:08:04 INFO mapred.LocalJobRunner:
14/05/18 12:08:04 INFO mapred.Merger: Merging 1 sorted segments
14/05/18 12:08:04 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 499 bytes
14/05/18 12:08:04 INFO mapred.LocalJobRunner:
14/05/18 12:08:04 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting
14/05/18 12:08:04 INFO mapred.LocalJobRunner:
14/05/18 12:08:04 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now
14/05/18 12:08:04 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://hadoop:9000/output
14/05/18 12:08:04 INFO mapred.LocalJobRunner: reduce > reduce
14/05/18 12:08:04 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done.
14/05/18 12:08:05 INFO mapred.JobClient: map 100% reduce 100%
14/05/18 12:08:05 INFO mapred.JobClient: Job complete: job_local_0001
14/05/18 12:08:05 INFO mapred.JobClient: Counters: 19
14/05/18 12:08:05 INFO mapred.JobClient: File Output Format Counters
14/05/18 12:08:05 INFO mapred.JobClient: Bytes Written=51
14/05/18 12:08:05 INFO mapred.JobClient: FileSystemCounters
14/05/18 12:08:05 INFO mapred.JobClient: FILE_BYTES_READ=781
14/05/18 12:08:05 INFO mapred.JobClient: HDFS_BYTES_READ=456
14/05/18 12:08:05 INFO mapred.JobClient: FILE_BYTES_WRITTEN=130038
14/05/18 12:08:05 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=51
14/05/18 12:08:05 INFO mapred.JobClient: File Input Format Counters
14/05/18 12:08:05 INFO mapred.JobClient: Bytes Read=228
14/05/18 12:08:05 INFO mapred.JobClient: Map-Reduce Framework
14/05/18 12:08:05 INFO mapred.JobClient: Map output materialized bytes=503
14/05/18 12:08:05 INFO mapred.JobClient: Map input records=13
14/05/18 12:08:05 INFO mapred.JobClient: Reduce shuffle bytes=0
14/05/18 12:08:05 INFO mapred.JobClient: Spilled Records=94
14/05/18 12:08:05 INFO mapred.JobClient: Map output bytes=403
14/05/18 12:08:05 INFO mapred.JobClient: Total committed heap usage (bytes)=1065484288
14/05/18 12:08:05 INFO mapred.JobClient: SPLIT_RAW_BYTES=89
14/05/18 12:08:05 INFO mapred.JobClient: Combine input records=0
14/05/18 12:08:05 INFO mapred.JobClient: Reduce input records=47
14/05/18 12:08:05 INFO mapred.JobClient: Reduce input groups=8
14/05/18 12:08:05 INFO mapred.JobClient: Combine output records=0
14/05/18 12:08:05 INFO mapred.JobClient: Reduce output records=8
14/05/18 12:08:05 INFO mapred.JobClient: Map output records=47

• 运行结果：

Today 4
a 4
day 4
happy 9
is 4
nice 4
wish 9
you 9