MapReduce 简介

2. MapReduce 简介

MapReduce 实际上是分为两个过程

1. map 过程 ： 数据的读取
2. reduce 过程 ： 数据的计算

并行计算是一个非常复杂的过程， mapreduce是一个并行框架。

在Hadoop中，每个MapReduce任务都被初始化为一个Job，每个Job又可以分为两种阶段：map阶段和reduce阶段。这两个阶段分别用两个函数表示，即map函数和reduce函数

我们可以看下典型的官方列子

开发

用idea 开发开发

pom.xml 添加依赖

<dependencies>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.7.2</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-core</artifactId>
    <version>1.2.1</version>
</dependency>
</dependencies>

写代码：

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapred.*;

import java.io.IOException;

import java.util.Iterator;

import java.util.StringTokenizer;

/**

• Created by diwu.sld on 2016/4/13.
  
  */
  
  public class WordCount{

  public static class CountMap extends MapReduceBase
  
  implements Mapper<LongWritable, Text, Text, IntWritable>{
  
  private final static IntWritable one = new IntWritable(1);
  
  private Text word = new Text();

   public void map(LongWritable longWritable,
                   Text text,
                   OutputCollector<Text, IntWritable> outputCollector,
                   Reporter reporter) throws IOException {
       String line = text.toString();
       StringTokenizer tokenizer = new StringTokenizer(line);
  
       while(tokenizer.hasMoreTokens()){
           word.set(tokenizer.nextToken());
           outputCollector.collect(word, one);
       }
   }
  

  }

  public static class CountReduce extends MapReduceBase implements
  
  Reducer<Text, IntWritable, Text, IntWritable> {
  
  public void reduce(Text key, Iterator values,
  
  OutputCollector<Text, IntWritable> output, Reporter reporter)
  
  throws IOException {
  
  int sum = 0;
  
  while (values.hasNext()) {
  
  sum += values.next().get();
  
  }
  
  output.collect(key, new IntWritable(sum));
  
  }
  
  }

  public static void main(String[] args) throws Exception {
  
  JobConf conf = new JobConf(WordCount.class);
  
  conf.setJobName("wordcount");

   conf.setOutputKeyClass(Text.class);
   conf.setOutputValueClass(IntWritable.class);
  
   conf.setMapperClass(CountMap.class);
   conf.setCombinerClass(CountReduce.class);
   conf.setReducerClass(CountReduce.class);
  
   conf.setInputFormat(TextInputFormat.class);
   conf.setOutputFormat(TextOutputFormat.class);
  
   FileInputFormat.setInputPaths(conf, new Path(args[0]));
   FileOutputFormat.setOutputPath(conf, new Path(args[1]));
  
   JobClient.runJob(conf);
  

  }
  
  }

然后打好包 HadoopDemo:

1. Project Sturcture->Artifacts->+
2. Build Artifacts

放到 hadoop 目录下运行

运行

1. bin/hadoop fs -mkdir -p input
2. bin/hadoop fs -copyFromLocal README.txt input
3. bin/hadoop jar demos/HadoopDemo.jar WorldCount input output
4. bin/hadoop fs -cat output/* 或者bin/hadoop fs -ls output
5. bin/hadoop fs -cat output/part-r-00000

总结

如果有N个文件，和对这个N个文件的计算，我们可以用并行来提高运行效率。但是文件有大有小， 计算量有多又少， 如何进行并行和分配任务是一个非常繁琐的事情。 所以有了Hadoop这个并行框架来解决我们的问题。

Hadoop 主要分为两大块： 分布式文件存储和分布式计算。

在分布式文件存储中，他会把文件分割为想多相同的小块。