大数据学习记录（day4）-Hadoop之MapReduce的执行方式

学习来源：http://www.aboutyun.com/forum.PHP?mod=viewthread&tid=5541&highlight=Hadoop

                  http://www.aboutyun.com/thread-7435-1-1.html

说明：由于参考资料大多是2013年以前的，所以有些说法也许并不成立，请读者选择性吸收。

问题导读：

       1.比如我们输出的mapreduce结果，需要进入下一个mapreduce，该怎么解决？
      可以使用迭代式
      2.那么什么是迭代式?
      3.什么是依赖式？
      4.什么是链式？
      5.三种模式各自的应用场景是什么？
      网上不少资料，但是对于新手，很难辨认，本文指出了这里面的关键点。

1.迭代式mapreduce
        一些复杂的任务难以用一次MapReduce处理完成，需要多次 MapReduce 才能完成任务，例如Pagrank，K-means算法都需要多次的迭代，关于 MapReduce 迭代在Mahout中运用较多。有兴趣的可以参考一下Mahout的源码。
        在MapReduce的迭代思想，类似for循环，前一个 MapReduce的输出结果，作为下一个 MapReduce的输入，任务完成后中间结果都可以删除。
        代码示例：

Configuration conf1 = new Configuration();
Job job1 = new Job(conf1,"job1");
.....
FileInputFormat.addInputPath(job1,InputPaht1);
FileOutputFromat.setOoutputPath(job1,Outpath1);
job1.waitForCompletion(true);
//sub Mapreduce
Configuration conf2 = new Configuration();
Job job2 = new Job(conf2,"job2");
.....
FileInputFormat.addInputPath(job2,Outpath1);
FileOutputFromat.setOoutputPath(job2,Outpath2);
job2.waitForCompletion(true);
//sub Mapreduce
Configuration conf3 = new Configuration();
Job job3 = new Job(conf3,"job3");
.....
FileInputFormat.addInputPath(job3,Outpath2);
FileOutputFromat.setOoutputPath(job3,Outpath3);
job3.waitForCompletion(true);
.....

       上面满眼的代码，下面列出关键代码：
      (1) 第一个job的输出路径为Outpath1
      FileOutputFromat.setOoutputPath(job1,Outpath1);

      (2)第二个job的输入路径为Outpath1，输出路径为Outpath2
      FileInputFormat.addInputPath(job2,Outpath1);
      FileOutputFromat.setOoutputPath(job2,Outpath2);

      (3)第三个job的输入路径为Outpath2
      FileInputFormat.addInputPath(job3,Outpath2);
      换句话说：第一个job的输出路径为第二个job的输入路径，以此类推。

      上面采用的是一种直线式，那么他们能不能更省事，成为循环样式。
      成为循环式，是可以的，但是有不少需要解决的问题：这里只是举例，你可能还会碰到其它问题。
      (1)需要他们的key,value等值是完全一致的，也就是说两个job或则说job之间必须是一致的。
      (2)输入输出路径需要区分等。

2.依赖关系组合式MapReduce

       我们可以设想一下MapReduce有3个子任务job1,job2,job3构成，其中job1和job2相互独立，job3要在job1和job2完成之后才执行。这种关系就叫复杂数据依赖关系的组合时mapreduce。hadoop为这种组合关系提供了一种执行和控制机制，hadoop通过job和jobControl类提供具体的编程方法。Job除了维护子任务的配置信息，还维护子任务的依赖关系，而jobControl控制整个作业流程，把所有的子任务作业加入到JobControl中，执行JobControl的run（）方法即可运行程序。

       下面给出伪代码：

Configuration job1conf = new Configuration();
Job job1 = new Job(job1conf,"Job1");
.........//job1 其他设置
Configuration job2conf = new Configuration();
Job job2 = new Job(job2conf,"Job2");
.........//job2 其他设置
Configuration job3conf = new Configuration();
Job job3 = new Job(job3conf,"Job3");
.........//job3 其他设置
job3.addDepending(job1);//设置job3和job1的依赖关系
job3.addDepending(job2);
JobControl JC = new JobControl("123");
JC.addJob(job1);//把三个job加入到jobcontorl中
JC.addJob(job2);
JC.addJob(job3);
JC.run();

关键点：
       下面代码：addDepending()这个函数，作用的是建立两个job之间的依赖关系。那么如何建立，看下面两行

//下面面代码的作用是设置job3和job1的依赖关系
job3.addDepending(job1);
//下面代码的作用是设置job3和job2的依赖关系
job3.addDepending(job2);

        建立依赖关系之后，还有一步骤，也就是还有一个类需要我们了解JobControl，通过这个类来控制他们之间的依赖关系。如何做到，通过下面代码：

//实例化
JobControl JC = new JobControl("123");
//把三个job加入到jobcontorl中
JC.addJob(job1);
JC.addJob(job2);
JC.addJob(job3);
JC.run();

3.链式MapReduce
       首先看一下例子，来说明为什么要有链式MapReduce。

       假设在统计单词是，会出现这样的词，make，made，making等，他们都属于一个词，在单词累加的时候，都归于一个词。解决的方法为用一个单独的Mapreduce任务可以实现，单增加了多个Mapreduce作业，将增加整个作业处理的周期，还增加了I/O操作，因而处理效率不高。
       一个较好的办法就是在核心的MapReduce之外，增加一个辅助的Map过程，然后将这个辅助的Map过程和核心的Mapreudce过程合并为一个链式的Mapreduce，从而完成整个作业。hadoop提供了专门的链式ChainMapper和ChainReducer来处理链式任务，ChainMapper允许一个Map任务中添加多个Map的子任务，ChainReducer可以在Reducer执行之后，在加入多个Map的子任务。其调用形式如下：

    ChainMapper.addMapper(...);
    ChainReducer.addMapper(...);
    //addMapper()调用的方法形式如下：
    public static void addMapper(JOb job,
            Class<? extends Mapper> mclass,
            Class<?> inputKeyClass,
            Class<?> inputValueClass,
            Class<?> outputKeyClass,
            Class<?> outputValueClass,
            Configuration conf
    ){
    }

        其中，ChainReducer专门提供了一个setRreducer()方法来设置整个作业唯一的Reducer。
        note：这些Mapper和Reducer之间传递的键和值都必须保持一致。
       下面举个例子：用ChainMapper把Map1加如并执行，然后用ChainReducer把Reduce和Map2加入到Reduce过程中。代码如下：Map1.class 要实现map方法

public void function throws IOException {
        Configuration conf = new Configuration();
        Job job = new Job(conf);
        job.setJobName("ChianJOb");
        // 在ChainMapper里面添加Map1
        Configuration map1conf = new Configuration(false);
        ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,
                Text.class, Text.class, true, map1conf);
        // 在ChainReduce中加入Reducer，Map2；
        Configuration reduceConf = new Configuration(false);
        ChainReducer.setReducer(job, Reduce.class, LongWritable.class,
                Text.class, Text.class, Text.class, true, map1conf);
        Configuration map2Conf = new Configuration();
        ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,
                Text.class, Text.class, true, map1conf);
        job.waitForCompletion(true);
    }

关键点：
       链式，那么什么是链式，链式是mapreduce中存在多个map.
       那么是怎么实现的？通过链式ChainMapper和ChainReducer实现。
       ChainMapper允许一个Map任务中添加多个Map的子任务，ChainReducer可以在Reducer执行之后，在加入多个Map的子任务。
       下面为ChainMapper、ChainReducer：的具体实现。

ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,
Text.class, Text.class, true, map1conf);
ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,
Text.class, Text.class, true, map1conf);

小结：

        今天学习了MapReduce的三种工作方式，通过代码解析的方式对MapReduce的迭代式、依赖式和链式工作方式做了说明。