1,MapReduce基础

2019/04/10 10:10
阅读数 6

MapReduce基础

[TOC]

一、关于MapReduce

1.1 为什么要MapReduce

  • **单机资源有限:**由于单台计算机的资源有限,计算能力不足以处理海量数据;所以需要多台计算机组成分布式集群来处理海量数据。
  • **分布式计算较复杂:**在分布式计算中,计算任务的分发,各个主机之间的协作;程序的启动以及运行过程中的监控、容错、重试等都会变得很复杂。所以引入了MapReduce框架,框架解决了分布式开发中的复杂性,开发人员只需要将大部分工作集中在业务逻辑的开发上,从而极大的提高了工作效率。

1.2 MapReduce的定义

  • MapReduce是一个分布式运算程序的编程框架,用于大规模数据集(大于1TB)的并行计算;Map(映射)和reduce(归约)是它的主要思想;它极大地方便了编程人员在不会分布式并行编程的情况下,将自己的程序运行在分布式系统上。

二、MapReduce的优缺点

2.1 优点:

  • **易于编程:**只需要实现一些接口,就可以完成一个分布式程序的编写;跟编写一个串行程序一样;
  • **良好的扩展性:**当计算资源不足时,只需要简单的增加机器来扩展它的计算能力;
  • **高容错性:**当一个机器挂了之后,会自动把上面的计算任务转移到另一个节点上运行,无需人工干预;
  • **海量:**适合PB级海量数据的离线处理。

2.2 缺点:

  • **不适合实时计算:**MapReduce由于过程较为复杂,IO次数较多,所以无法做到毫秒或秒级响应;
  • **不适合流式计算:**流式计算的输入是动态的,可以不断添加,而MapReduce的输入是静态的;
  • **不适合DAG(有向图)计算:**对于多个程序之间有依赖关系,即后一个程序的输入是前一个程序的输出;虽然MapReduce也可以完成,但都是通过磁盘来传递中间数据,造成大量的磁盘IO,性能极低。

三、MapReduce的执行阶段

3.1 执行的两个阶段

  • **Map阶段:**若干个maptask并发实例,完全并行运行,互不相干。

  • **Reduce阶段:**若干个reducetask并发实例,完全并行运行,但是他们的数据依赖于Map阶段的输出。

  • **注意:**MapReduce模型只能包含一个map阶段和一个reduce阶段;如果业务逻辑非常复杂,就只能使用多个MapReduce程序,串行运行。

四、编写MapReduce程序

  • 用户需要编写的三个部分:Mapper、Reducer、Driver(提交MR程序)。

4.1 以WordCount为例:

1. 编写Mapper

// 注意:hadoop1.0版本中是mapred下包,hadoop2.0是mapreduce下的包
import org.apache.hadoop.mapreduce.Mapper;
// 继承Mapper父类,泛型为输入和输出的<K, V>;并重写父类的map方法
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    /**
     * 每行文本都会执行一次map方法.
     *
     * @param key     文本偏移量.
     * @param value   一行文本.
     * @param context 上下文对象.
     * @throws IOException          .
     * @throws InterruptedException 当阻塞方法收到中断请求时抛出.
     */
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words = line.split("\\s+");   // 拆分一行中的单词
        for (String word : words) {
            context.write(new Text(word), new IntWritable(1));   // 输出一个<K, V>
        }
    }
}

2. 编写Reducer

// 继承Reducer类,输入的<K, V>类型为map端输出<K, V>类型
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    /**
     * 相同的key只会执行一次reduce方法
     *
     * @param key     map端输出的key
     * @param values  相同key的value集合
     * @param context 上下文对象
     * @throws IOException          .
     * @throws InterruptedException .
     */
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        // 当前的 key出现了多少次
        int count = 0;
        // values中的数据是反序列化过来的,最好不要直接使用values中的bean
        for (IntWritable value : values) {
            count += value.get();
        }
        context.write(key, new IntWritable(count));  // 输出
    }
}

3. 编写Driver

// Driver的作用是将这个Mapper和Reducer程序打包成一个Job,并提交该Job
public class WordCountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 不需要为 conf设置HDFS等参数,因为conf会调用系统默认的配置文件,
        // 所以这个mr程序在哪里运行就会调用哪里的配置文件,在集群上运行就会使用集群的设置文件。
        Configuration conf = new Configuration();
        // 删除输出文件,或者手动删除
        // FileHelper.deleteDir(args[1], conf);

        // 根据配置文件实例化一个 Job,并取个名字
        Job job = Job.getInstance(conf, "MyWordCount");

        // 设置 Jar的位置
        job.setJarByClass(WordCountDriver.class);

        // 设置 Mapper运行类,以及输出的key和value的类型
        job.setMapperClass(WordCountMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 设置 Reducer的运行类,以及输出的key和value的类型
        job.setReducerClass(WordCountReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        
        // 设置分区(可以不用设置)
        // 当设置的分区数大于实际分区数时,可以正常执行,多出的分区为空文件;
        // 当设置的分区数小于实际分区数时,会报错。
        job.setNumReduceTasks(4);
        // 如果设置的 numReduceTasks大于 1,而又没有设置自定义的 PartitionerClass
        // 则会调用系统默认的 HashPartitioner实现类来计算分区。
        job.setPartitionerClass(WordCountPartitioner.class);
        // 设置combine
        job.setCombinerClass(WordCountCombiner.class);

        // 设置输入和输出文件的位置
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 提交任务,等待执行结果,参数为 true表示打印信息
        boolean result = job.waitForCompletion(true);
        // 根据 job的返回值自定义退出
        System.exit(result?0:1);
    }
}

4. 运行

  • 如果在Hadoop集群上运行还需要将这个project打包成jar包,所以一般是先在windows上运行调试。
  • 由于要从命令行输入input和output参数,所以这里配置一下输入和输出的位置。

五、MapReduce的主要执行流程

  1. **job.waitForCompletion(true):**将这个MapReduce任务(Job)提交,默认是提交到本地运行;部署到集群时,是提交给YARN运行。
  2. **map():**在父类Mapper的run()方法中会调用子类重写的map()方法。输入文件的每一行都会调用一次map()方法,map()方法的参数中:key为当前输入行的偏移量,LongWritable类型;value为当前输入行的数据,Text类型;context为上下文对象。父类Mapper是一个泛型类,泛型的类型表示map()方法输入和输出的<K, V>类型,子类在继承时要传入实际输入输出的<K, V>类型。map()使用context.write(k, v)来输出数据到shuffle阶段的环形缓冲区。
  3. **shuffle阶段简述:**shuffle阶段起到承上启下的作用;从接收map()方法的输出,到执行reduce()方法之前都属于shuffle阶段。shuffle接收map()输出<K,V>并通过K计算出分区号,然后与元数据一起写入环形缓存区;环形缓冲区溢写时会将数据排序并写入小文件,然后归并成一个大的分区文件。一个ReducerTask主机会到所有MapTask主机上拉取对应的分区文件,归并所有分区文件后会对相同的key进行合并,再执行reduce方法。
  4. **reduce():**在父类Reducer的run()方法中会调用子类重写的reduce()方法。相同的key只会调用一次reduce()方法,reduce()方法的参数中:key为相同key合并后的第一个key,与map()的输出key类型相同;values为相同key的value列表,类型是Iterable<map()的输出value类型>。与Mapper类类似,子类在继承Reducer时输入的<K, V>类型是Mapper输出的<K, V>类型、Reducer输出的<K, V>类型是context.write(K, V)中<K, V>的类型。reduce中的context.write(K, V)最终会写入到输出文件中,就是这次MapReduce的结果。

原文出处:https://www.cnblogs.com/shendeng23/p/12492993.html

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部