大数据之路week07--day03（Hadoop深入理解，JAVA代码编写WordCount程序，以及扩展升级）

什么是MapReduce

你想数出一摞牌中有多少张黑桃。直观方式是一张一张检查并且数出有多少张是黑桃。

MapReduce方法则是：

　　1.给在座的所有玩家中分配这摞牌

　　2.让每个玩家数自己手中的牌有几张是黑桃，几张是红桃，然后把这两组数目汇报给你

　　3.你把所有玩家告诉你的两组数字分别加起来，得到最后的结论

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. MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据【在这先把reduce理解为一个单独的聚合程序即可】。

MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。

这两个函数的形参和返回值都是<key、value>，使用的时候一定要注意构造<k,v>。

　　　　MapReduce原理

MapReduce执行过程----Map阶段

map任务处理

　　1.1 框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认，框架对每个InputSplit中的每一行，解析成一个<k1,v1>。

　　1.2 框架调用Mapper类中的map(...)函数，map函数的形参是<k1,v1>对，输出是<k2,v2>对。一个InputSplit对应一个map task。程序员可以覆盖map函数，实现自己的逻辑。

　　1.3

　　　　(假设reduce存在)框架对map输出的<k2,v2>进行分区。不同的分区中的<k2,v2>由不同的reduce task处理。默认只有1个分区。

　　　　(假设reduce不存在)框架对map结果直接输出到HDFS中。

　　1.4 (假设reduce存在)框架对每个分区中的数据，按照k2进行排序、分组。分组指的是相同k2的v2分成一个组。注意：分组不会减少<k2,v2>数量。

　　1.5 (假设reduce存在，可选)在map节点，框架可以执行reduce归约。

　　1.6 (假设reduce存在)框架会对map task输出的<k2,v2>写入到linux 的磁盘文件中。 至此，整个map阶段结束

Shuffle过程(Reduce拉取数据的过程)

1.每个map有一个环形内存缓冲区，用于存储map的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容溢写到(spill)磁盘的指定目录（mapred.local.dir）下的一个新建文件中。

2.写磁盘前，要partition,sort。如果有combiner，combine排序后数据。

3.等最后记录写完，合并全部文件为一个分区且排序的文件。 =========================================================

1.Reducer通过Http方式得到输出文件的特定分区的数据。

2.排序阶段合并map输出。然后走Reduce阶段。

3.reduce执行完之后，写入到HDFS中。

MapReduce执行过程----Reduce阶段

reduce任务处理

　　2.1 框架对多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点。这个过程称作shuffle。

　　2.2 框架对reduce端接收的[map任务输出的]相同分区的<k2,v2>数据进行合并、排序、分组。

　　2.3 框架调用Reducer类中的reduce方法，reduce方法的形参是<k2,{v2...}>，输出是<k3,v3>。一个<k2,{v2...}>调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑。

　　2.4 框架把reduce的输出保存到HDFS中。

　　至此，整个reduce阶段结束。 例子：实现WordCountApp

MapReduce默认处理类

InputFormat

　　抽象类，只是定义了两个方法。

FileInputFormat

　　FileInputFormat是所有以文件作为数据源的InputFormat实现的基类，

　　FileInputFormat保存作为job输入的所有文件，并实现了对输入文件计算splits的方法。至于获得记录的方法是有不同的子类——TextInputFormat进行实现的。

TextInputFormat

　　是默认的处理类，处理普通文本文件

　　文件中每一行作为一个记录，他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

RecordReader

每一个InputSplit都有一个RecordReader，作用是把InputSplit中的数据解析成Record，即<k1,v1>。

在TextInputFormat中的RecordReader是LineRecordReader，每一行解析成一个<k1,v1>。其中，k1表示偏移量，v1表示行文本内容

InputSplit

在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个map任务的输入。

当Hadoop处理很多小文件（文件大小小于hdfs block大小）的时候，由于FileInputFormat不会对小文件进行划分，所以每一个小文件都会被当做一个split并分配一个map任务，会有大量的map task运行，导致效率底下

例如：一个1G的文件，会被划分成8个128MB的split，并分配8个map任务处理，而10000个100kb的文件会被10000个map任务处理

Map任务的数量

　　一个InputSplit对应一个Map task

　　InputSplit的大小是由Math.max(minSize, Math.min(maxSize,blockSize))决定

　　单节点建议运行10—100个map task

　　map task执行时长不建议低于1分钟，否则效率低

特殊：一个输入文件大小为140M，会有几个map task？

　　FileInputFormat类中的getSplits

输入类-FileInputFormat源码分析：

 if (isSplitable(job, path)) {
           long blockSize = file.getBlockSize();
           long splitSize = computeSplitSize(blockSize, minSize, maxSize);

           long bytesRemaining = length;
           while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
             int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
             splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                         blkLocations[blkIndex].getHosts(),
                         blkLocations[blkIndex].getCachedHosts()));
             bytesRemaining -= splitSize;
           }

什么是序列化，为什么要序列化

序列化 (Serialization)将对象的状态信息转换为可以存储或传输的形式的过程。在序列化期间，对象将其当前状态写入到临时或持久性存储区。以后，可以通过从存储区中读取或反序列化对象的状态，重新创建该对象。 当两个进程在进行远程通信时，彼此可以发送各种类型的数据。无论是何种类型的数据，都会以二进制序列的形式在网络上传送。发送方需要把这个对象转换为字节序列，才能在网络上传送；接收方则需要把字节序列再恢复为对象。

把对象转换为字节序列的过程称为对象的序列化。

把字节序列恢复为对象的过程称为对象的反序列化。

说的再直接点，序列化的目的就是为了跨进程传递格式化数据

map-Reduce键值对格式

常用的数据类型在Hadoop中

补充一个，字符串类型是 Text

编写WordCount程序

该程序在大数据道路上就相当于学习Java时的 HelloWorld!!!!!!!!!!!

 package com.wyh.shujia006;

 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.Mapper;
 import org.apache.hadoop.mapreduce.Reducer;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

 /**

  * 创建时间：2019年12月17日 下午3:14:11

  * 项目名称：shujia006

  * @author WYH

  * @version 1.0

  * @since JDK 1.8.0

  * 文件名称：WordCount.java

  * 类说明：

  */

 public class WordCount {
     //创建内部类 MyMap
     public static class MyMap extends Mapper<LongWritable, Text, Text, LongWritable>{
         @Override
         protected void map(LongWritable K1, Text V1,
                 Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {
             String s1 = V1.toString();
             String[] words = s1.split(",");
             for(String word1 : words){
                 Text word = new Text(word1);
                 context.write(word, new LongWritable(1l));
             }
         }
     }

     //创建内部类MyReduce
     public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable>{
         @Override
         protected void reduce(Text K2, Iterable<LongWritable> V2s,
                 Reducer<Text, LongWritable, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {
             Long sum = 0l;
             for(LongWritable V2 : V2s){
                 sum += V2.get();
             }
             context.write(K2, new LongWritable(sum));
         }
     }

     //主体函数
     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         //加载hadoop的配置参数
         Configuration conf = new Configuration();
         //创建任务的对象
         Job job = Job.getInstance(conf, WordCount.class.getSimpleName());
     //=========================================================================
         //设置打包的类
         job.setJarByClass(WordCount.class);
     //=========================================================================
         //设置读取文件的hdfs路径
         FileInputFormat.addInputPath(job, new Path(args[0]));
     //=========================================================================
         //指定需要执行的map类
         job.setMapperClass(MyMap.class);
         //指定map输出的序列化类
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(LongWritable.class);
     //=========================================================================
         //指定需要执行的reduce类
         job.setReducerClass(MyReduce.class);
         //指定reduce的序列化类
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);
     //=========================================================================
         //指定输出的hdfs路径
         FileOutputFormat.setOutputPath(job, new Path(args[1]));
     //=========================================================================
         //提交任务，等待执行完成，并打印执行日志
         job.waitForCompletion(true);

     }

 }

1、编写号之后，我们右击这个程序导出jar包

 

2、将jar包上传到Linux中

3、编写测试程序上传到HDFS中，我这里写的程序是以逗号分割的，可以更改。 上传命令是  hadoop fs -put  你要上传的文件路径  HDFS上的路径

4、编写命令进行测试

5、查看结果

改进扩展：将员工数据拿出来，每个岗位的工资进行倒叙排序

1、编写代码

 package com.wyh.shujia006;

 import java.io.IOException;
 import java.util.ArrayList;
 import java.util.Arrays;

 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.Mapper;
 import org.apache.hadoop.mapreduce.Reducer;
 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

 /**

  * 创建时间：2019年12月17日 下午7:42:54

  * 项目名称：shujia006

  * @author WYH

  * @version 1.0

  * @since JDK 1.8.0

  * 文件名称：test.java

  * 类说明：

  */

 public class test {
     public static class empMap extends Mapper<LongWritable, Text, Text, LongWritable>{
         @Override
         protected void map(LongWritable k1, Text v1,
                 Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {
             String line = v1.toString();
             String[] split = line.split(",");
             Text job = new Text(split[2]);
             LongWritable sal = new LongWritable(Long.parseLong(split[5]));
             context.write(job, sal);
         }
     }

     public static class empReduce extends Reducer<Text, LongWritable, Text, LongWritable>{
         @Override
         protected void reduce(Text k2, Iterable<LongWritable> v2s,
                 Reducer<Text, LongWritable, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {

             ArrayList<Long> arrays = new ArrayList<Long>();
             for(LongWritable sal : v2s){
                 arrays.add(sal.get());
             }
             //倒序（从大到小）
             Object[] array = arrays.toArray();
             Arrays.sort(array);
             for(int x = array.length-1;x>=0;x--){
                 Long salss = (Long)array[x];
                 context.write(k2, new LongWritable(salss));
             }
             //顺序（从小到大）
             /*for(Object sals : array){
                 Long salss = (Long)sals;
                 context.write(k2, new LongWritable(salss));
             }*/
         }
     }

     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         Configuration conf = new Configuration();
         Job job = Job.getInstance(conf, test.class.getSimpleName());

         job.setJarByClass(test.class);
         FileInputFormat.addInputPath(job, new Path(args[0]));

         job.setMapperClass(empMap.class);
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(LongWritable.class);

         job.setReducerClass(empReduce.class);
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);

         FileOutputFormat.setOutputPath(job, new Path(args[1]));
         job.waitForCompletion(true);

     }

96 }

（忽略了打包上传过程同上）

2、进行测试