mapreduce实践篇

最新推荐文章于 2024-04-07 14:31:55 发布
最新推荐文章于 2024-04-07 14:31:55 发布
阅读量753 收藏
点赞数
分类专栏： hadoop 文章标签： mapreduce 数据 编程 编码 实例
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/A__loser/article/details/78856105
版权

mapreduce实践篇

MAPREDUCE实例编写及编码规范

编程规范

  1. 用户编写的程序分成三个部分：Mapper,Reducer,Driver(提交 运行mr程序的客户端)
  2. Mapper的输入数据是KV对的形式（KV类型可以自定义）
  3. Mapper的输出数据是KV对的形式（KV的类型可自定义）
  4. Mapper中的业务逻辑写在map()方法中
  5. map()方法（maptask进程）对每一个

一个简单的Mapreduce—–WordCount

package com.mingming.bigdata.wordcount;

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

import java.io.IOException;

/**
 * @author Mingming
 * @Description
 * @Date Created in 21:41 2017/12/19
 * @Modificd By
 */
public class WordCount {

    //定义一个Mapper类
    static class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable>{
        Text wordbean = new Text();
        IntWritable count = new IntWritable(1);
        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            //map的生命周期：框架每传一次数据就被调用一次
            //key 这一行的起始点的文件中的偏移量
            //value 这一行的内容
            //拿到这一行的内容，转换为String
            String line = value.toString();
            //分切出各个单词
            String[] words = line.split("\t");
            //遍历数组输出单词
            for (String word:words
                 ) {
                wordbean.set(word);
                context.write(wordbean,count);
            }
        }
    }

    //定义一个Reducer类
    static class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable>{
        /**
         * 框架没传递进来一个kv组，reduce方法就被调用一次
         * @param key
         * @param values
         * @param context
         * @throws IOException
         * @throws InterruptedException
         */
        IntWritable counts = new IntWritable();
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int count = 0;
            for (IntWritable value:values){
                count+=value.get();
            }
            counts.set(count);
            context.write(key,counts);
        }
}
   public static void main(String[] args) throws IOException {
        //把业务逻辑的相关信息（那个是mapper，那个是reducer，要处理的数据在那里，输出的结果放在那里***）描述成一个job对象。
       //把这个描述好的job提交给集群去运行
       Configuration conf = new Configuration();
       Job wcjob = Job.getInstance(conf);
       //指定我这个jar所在的位置
       //wcjob.setJar("/home/hadoop/wordcount.jar");
       wcjob.setJarByClass(WordCount.class);
       wcjob.setMapperClass(WordCountMapper.class);
       wcjob.setReducerClass(WordCountReducer.class);
       //设定mapper的输出kv类型
       wcjob.setMapOutputKeyClass(Text.class);
       wcjob.setMapOutputValueClass(IntWritable.class);
       //设置reducer的输出kv类型
       wcjob.setOutputKeyClass(Text.class);
       wcjob.setOutputValueClass(IntWritable.class);
       //指定要处理的数据所在的位置
       FileInputFormat.setInputPaths(wcjob,"hdfs://zookeeper1:9000/datainput");
       FileOutputFormat.setOutputPath(wcjob,new Path("hdfs://zookeeper1:9000/wordcount/output"));
    }


}

MAPREDUCE程序运行模式

本地运行模式：

  1. mapreduce程序时被提交给LocalJobRunner在本地以单进程的形式运行

  2. 而处理的数据以及结果可以在本地文件系统，也可以在hdfs上

  3. 怎样实现本地运行？写一个程序，不要带集群的配置文件（本质上是你的mr程序的conf中是否有mapreduce.framework.name=local以及yarn.resourcemanager.hostname参数）

  4. 本地模式非常方便于进行业务逻辑的debug，只要在eclipse中打断点就可。

  5. 如果在windows下想运行本地模式来测试程序逻辑，需要在windows*中配置环境变量：

    ％HADOOP_HOME*％ = d:/hadoop-2.6.1*

    %PATH% = ％HADOOP_HOME％\bin

    并且要将d:/hadoop-2.6.1*的lib**和bin**目录替换成windows**平台编译的版本*

集群运行模式：

  1. 将mapreduce程序提交给yarn集群resourcemanager，分发到很多的节点上并发执行

  2. 处理的数据和输出结果应该位于hdfs文件系统

  3. 提交集群的实现步骤：

    A、将程序打成JAR包，然后在集群的任意一个节点上用hadoop命令启动

    ​ $ hadoop jar wordcount.jar cn.itcast.bigdata.mrsimple.WordCountDriverinputpath outputpath

    B、直接在linux的eclipse中运行main方法

    （项目中要带参数：mapreduce.framework.name=yarn以及yarn的两个基本配置）

    C、如果要在windows的eclipse中提交job给集群，则要修改YarnRunner类

    ​

    MAPREDUCE中的排序初步

    对日志数据中的上下行流量信息汇总，并输出按照总量流量倒序排序的结果

1363157985066137262305000-fd-d7-A4-72-bb；CMCC120.196.100.822427248124681200

​

分析：

基本思路：实现自定义的bean来封装流量信息，并将bean作为map输出的key来传输

MR程序在处理数据的过程中会对数据排序（map输出的kv对传输到reduce之前，会排序），排序的依据是map输出的key

所以，我们如果要实现自己的排序规则，则可以考虑将排序因素放到key中，让key实现接口：WritableComparable

然后重写key的compareTo方法。

实现

自定义的bean

package com.mingming.bigdata.flowsum;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @author Mingming
 * @Description
 * @Date Created in 15:09 2017/12/4
 * @Modificd By
 */
public class FlowBean implements Writable{

    private long upFlow;
    private long dFlow;
    private long sumFlow;
    //反序列化时需要反射调用空参构造函数
    public FlowBean() {
    }

    public FlowBean(long upFlow, long dFlow) {
        this.upFlow = upFlow;
        this.dFlow = dFlow;
        this.sumFlow = upFlow + dFlow;
    }

    public long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
        this.upFlow = upFlow;
    }

    public long getdFlow() {
        return dFlow;
    }

    public void setdFlow(long dFlow) {
        this.dFlow = dFlow;
    }

    public long getSumFlow() {
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
        this.sumFlow = sumFlow;
    }

    /**
     * 序列化方法
     * @param dataOutput
     * @throws IOException
     */
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upFlow);
        dataOutput.writeLong(dFlow);
        dataOutput.writeLong(sumFlow);
    }

    /**
     * 反序列方法
     * 注意反序列化的方法和序列化的顺序一致
     * @param dataInput
     * @throws IOException
     */
    @Override
    public void readFields(DataInput dataInput) throws IOException {
       upFlow =  dataInput.readLong();
        dFlow = dataInput.readLong();
        sumFlow = dataInput.readLong();
    }

    @Override
    public String toString() {
        return "FlowBean{" +
                "upFlow=" + upFlow +
                ", dFlow=" + dFlow +
                ", sumFlow=" + sumFlow +
                '}';
    }
}

mapReduce程序

package com.mingming.bigdata.flowsum;

import com.mingming.bigdata.wcdemo.WorcCountMapper;
import com.mingming.bigdata.wcdemo.WordCountDriver;
import com.mingming.bigdata.wcdemo.WordCountReducer;
import org.apache.hadoop.conf.Configuration;
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.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;

import java.io.IOException;

/**
 * @author Mingming
 * @Description
 * @Date Created in 15:08 2017/12/4
 * @Modificd By
 */
public class FlowCount {

    static class FlowCountMapper extends Mapper<LongWritable,Text,Text,FlowBean>{

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
            //将一行内容转成String
            String line = value.toString();
            //切分字段
            String[] fields = line.split("\t");
            //取出手机号
            String phoneNumber = fields[1];
            //取出上行下行流量
            long upFlow = Long.parseLong(fields[fields.length-3]);
            long dFlow = Long.parseLong(fields[fields.length-2]);
            context.write(new Text(phoneNumber),new FlowBean(upFlow,dFlow));

        }
    }

    static class  FlowCountReducer extends Reducer<Text,FlowBean,Text,FlowBean>{

        @Override
        protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {

            long sumUpFlow = 0;
            long sumDFlow = 0;
            //遍历所有的bean,将其中的所有上行流量，下行流量分别累加
            for (FlowBean bean: values){
                sumUpFlow += bean.getUpFlow();
                sumDFlow += bean.getdFlow();
            }
            FlowBean result = new FlowBean(sumUpFlow,sumDFlow);
            context.write(key,result);
        }
    }





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

        /*job.setJar("/home/lib/wc.jar");*/
        //指定本程序的jarbao所在的本地路径
        job.setJarByClass(FlowCount.class);

        //指定本业务要使用的mapper的业务类
        job.setMapperClass(FlowCountMapper.class);
        //指定本业务要使用的Reducer业务类
        job.setReducerClass(FlowCountReducer.class);
        //指定mapper输出数据的kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);
        //指定最终输出的kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        //指定job输入的原始文件所在的目录
        FileInputFormat.setInputPaths(job,new Path(args[0]));
        //指定job的输出结果所在目录
        FileOutputFormat.setOutputPath(job,new Path(args[1]));
        //将job中配置的相关参数，以及job所用的java类的jar包，提交给yarn运行
       /* job.submit();*/
        boolean res = job.waitForCompletion(true);
        System.exit(res?0:1);
    }
}

Mapreduce中的分区Partitioner

需求：

根据不同的地址，分配到不同的文件中

分析：

mapreduce中会将map输出的kv对，按照相同的key分组，然后分发给不同的reducetask默认的分发规则为：根据key的hashcode%reducetask数来分发。所以：如果要按照我们自己的需求来进行分组，则需要改写数据分发的组件partitioner,自定义一个Custompartitionre继承抽象类：partitioner。然后在job对象中，设置自定义的partitioner:job.setPartitionerClass(CustomPartitioner.class)

实现

/**
 * 定义自己的从map到reduce之间的数据（分组）分发规则 按照手机号所属的省份来分发（分组）ProvincePartitioner
 * 默认的分组组件是HashPartitioner
 * 
 * @author
 * 
 */
public class ProvincePartitioner extends Partitioner<Text, FlowBean> {

    static HashMap<String, Integer> provinceMap = new HashMap<String, Integer>();

    static {

        provinceMap.put("135", 0);
        provinceMap.put("136", 1);
        provinceMap.put("137", 2);
        provinceMap.put("138", 3);
        provinceMap.put("139", 4);

    }

    @Override
    public int getPartition(Text key, FlowBean value, int numPartitions) {

        Integer code = provinceMap.get(key.toString().substring(0, 3));

        return code == null ? 5 : code;
    }

}

自定义inputFormat

需求：

无论hdfs还是mapreduce，对于小文件都有损效率，实践中，又难免面临处理大量小文件的场景，此时，就需要有相应的解决方法。

分析：

小文件的优化无非以下几种方式：

  1. 在数据采集的时候，就将小文件或小批数据合成大文件在上传到HDFS
  2. 在业务处理之前，在HDFS上使用mapreduce程序对小文件进行合并
  3. 在mapreduce处理时，可采用combineInputFormat提高效率

实现：

本节实现的上述第二种方式：

自定义一个InputFormat

改写RecordReader，实现一次读取一个完整文件分装为KV

在输出时使用SequenceFileOutputFormat输出合并文件。

代码如下：

自定义InputFormat

public class WholeFileInputFormat extends
        FileInputFormat<NullWritable, BytesWritable> {
    //设置每个小文件不可分片,保证一个小文件生成一个key-value键值对
    @Override
    protected boolean isSplitable(JobContext context, Path file) {
        return false;
    }

    @Override
    public RecordReader<NullWritable, BytesWritable> createRecordReader(
            InputSplit split, TaskAttemptContext context) throws IOException,
            InterruptedException {
        WholeFileRecordReader reader = new WholeFileRecordReader();
        reader.initialize(split, context);
        return reader;
    }
}

自定义RecordReader

class WholeFileRecordReader extends RecordReader<NullWritable, BytesWritable> {
    private FileSplit fileSplit;
    private Configuration conf;
    private BytesWritable value = new BytesWritable();
    private boolean processed = false;

    @Override
    public void initialize(InputSplit split, TaskAttemptContext context)
            throws IOException, InterruptedException {
        this.fileSplit = (FileSplit) split;
        this.conf = context.getConfiguration();
    }

    @Override
    public boolean nextKeyValue() throws IOException, InterruptedException {
        if (!processed) {
            byte[] contents = new byte[(int) fileSplit.getLength()];
            Path file = fileSplit.getPath();
            FileSystem fs = file.getFileSystem(conf);
            FSDataInputStream in = null;
            try {
                in = fs.open(file);
                IOUtils.readFully(in, contents, 0, contents.length);
                value.set(contents, 0, contents.length);
            } finally {
                IOUtils.closeStream(in);
            }
            processed = true;
            return true;
        }
        return false;
    }

    @Override
    public NullWritable getCurrentKey() throws IOException,
            InterruptedException {
        return NullWritable.get();
    }

    @Override
    public BytesWritable getCurrentValue() throws IOException,
            InterruptedException {
        return value;
    }

    @Override
    public float getProgress() throws IOException {
        return processed ? 1.0f : 0.0f;
    }

    @Override
    public void close() throws IOException {
        // do nothing
    }
}

定义mapreduce处理流程

public class SmallFilesToSequenceFileConverter extends Configured implements
        Tool {
    static class SequenceFileMapper extends
            Mapper<NullWritable, BytesWritable, Text, BytesWritable> {
        private Text filenameKey;

        @Override
        protected void setup(Context context) throws IOException,
                InterruptedException {
            InputSplit split = context.getInputSplit();
            Path path = ((FileSplit) split).getPath();
            filenameKey = new Text(path.toString());
        }

        @Override
        protected void map(NullWritable key, BytesWritable value,
                Context context) throws IOException, InterruptedException {
            context.write(filenameKey, value);
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();
        System.setProperty("HADOOP_USER_NAME", "hdfs");
        String[] otherArgs = new GenericOptionsParser(conf, args)
                .getRemainingArgs();
        if (otherArgs.length != 2) {
            System.err.println("Usage: combinefiles <in> <out>");
            System.exit(2);
        }

        Job job = Job.getInstance(conf,"combine small files to sequencefile");
//      job.setInputFormatClass(WholeFileInputFormat.class);
        job.setOutputFormatClass(SequenceFileOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(BytesWritable.class);
        job.setMapperClass(SequenceFileMapper.class);
        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(),
                args);
        System.exit(exitCode);

    }
}

定义mapreduce处理流程

public class SmallFilesToSequenceFileConverter extends Configured implements Tool {
    static class SequenceFileMapper extends
            Mapper<NullWritable, BytesWritable, Text, BytesWritable> {
        private Text filenameKey;

        @Override
        protected void setup(Context context) throws IOException,
                InterruptedException {
            InputSplit split = context.getInputSplit();
            Path path = ((FileSplit) split).getPath();
            filenameKey = new Text(path.toString());
        }

        @Override
        protected void map(NullWritable key, BytesWritable value,
                Context context) throws IOException, InterruptedException {
            context.write(filenameKey, value);
        }
    }

    @Override
    public int run(String[] args) throws Exception {
        Configuration conf = new Configuration();
        System.setProperty("HADOOP_USER_NAME", "hdfs");
        String[] otherArgs = new GenericOptionsParser(conf, args)
                .getRemainingArgs();
        if (otherArgs.length != 2) {
            System.err.println("Usage: combinefiles <in> <out>");
            System.exit(2);
        }

        Job job = Job.getInstance(conf,"combine small files to sequencefile");
//      job.setInputFormatClass(WholeFileInputFormat.class);
        job.setOutputFormatClass(SequenceFileOutputFormat.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(BytesWritable.class);
        job.setMapperClass(SequenceFileMapper.class);
        return job.waitForCompletion(true) ? 0 : 1;
    }

    public static void main(String[] args) throws Exception {
        int exitCode = ToolRunner.run(new SmallFilesToSequenceFileConverter(),
                args);
        System.exit(exitCode);

    }
}

自定义outputFormat

需求：

现有一些原始日志需要做增强解析处理，流程：

  1. 从原始日志文件中读取数据
  2. 根据日志中的一个URL字段的外部知识库中获取信息增强到原始日志。
  3. 如果成功增强，则输出到增强目录；如果增强失败，则抽取原始数据中URL字段输出到带爬清单目录。

分析：

程序的关键点是要在一个mapreduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义的outputformat来实现。

实现：

实现要点：

  1. 在mapreduce中访问外部资源
  2. 自定义outputformat,改写其中的recordwriter,改写具体输出数据的方法write()

代码实现如下：

数据库获取数据的工作：

public class DBLoader {

    public static void dbLoader(HashMap<String, String> ruleMap) {
        Connection conn = null;
        Statement st = null;
        ResultSet res = null;

        try {
            Class.forName("com.mysql.jdbc.Driver");
            conn = DriverManager.getConnection("jdbc:mysql://hdp-node01:3306/urlknowledge", "root", "root");
            st = conn.createStatement();
            res = st.executeQuery("select url,content from urlcontent");
            while (res.next()) {
                ruleMap.put(res.getString(1), res.getString(2));
            }
        } catch (Exception e) {
            e.printStackTrace();

        } finally {
            try{
                if(res!=null){
                    res.close();
                }
                if(st!=null){
                    st.close();
                }
                if(conn!=null){
                    conn.close();
                }

            }catch(Exception e){
                e.printStackTrace();
            }
        }
    }


    public static void main(String[] args) {
        DBLoader db = new DBLoader();
        HashMap<String, String> map = new HashMap<String,String>();
        db.dbLoader(map);
        System.out.println(map.size());
    }
}

自定义一个outputformat

public class LogEnhancerOutputFormat extends FileOutputFormat<Text, NullWritable>{


    @Override
    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext context) throws IOException, InterruptedException {


        FileSystem fs = FileSystem.get(context.getConfiguration());
        Path enhancePath = new Path("hdfs://hdp-node01:9000/flow/enhancelog/enhanced.log");
        Path toCrawlPath = new Path("hdfs://hdp-node01:9000/flow/tocrawl/tocrawl.log");

        FSDataOutputStream enhanceOut = fs.create(enhancePath);
        FSDataOutputStream toCrawlOut = fs.create(toCrawlPath);


        return new MyRecordWriter(enhanceOut,toCrawlOut);
    }



    static class MyRecordWriter extends RecordWriter<Text, NullWritable>{

        FSDataOutputStream enhanceOut = null;
        FSDataOutputStream toCrawlOut = null;

        public MyRecordWriter(FSDataOutputStream enhanceOut, FSDataOutputStream toCrawlOut) {
            this.enhanceOut = enhanceOut;
            this.toCrawlOut = toCrawlOut;
        }

        @Override
        public void write(Text key, NullWritable value) throws IOException, InterruptedException {

            //有了数据，你来负责写到目的地  —— hdfs
            //判断，进来内容如果是带tocrawl的，就往待爬清单输出流中写 toCrawlOut
            if(key.toString().contains("tocrawl")){
                toCrawlOut.write(key.toString().getBytes());
            }else{
                enhanceOut.write(key.toString().getBytes());
            }

        }

        @Override
        public void close(TaskAttemptContext context) throws IOException, InterruptedException {

            if(toCrawlOut!=null){
                toCrawlOut.close();
            }
            if(enhanceOut!=null){
                enhanceOut.close();
            }

        }


    }
}

开发mapreduce处理流程

/**
 * 这个程序是对每个小时不断产生的用户上网记录日志进行增强(将日志中的url所指向的网页内容分析结果信息追加到每一行原始日志后面)
 * 
 * @author
 * 
 */
public class LogEnhancer {

    static class LogEnhancerMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

        HashMap<String, String> knowledgeMap = new HashMap<String, String>();

        /**
         * maptask在初始化时会先调用setup方法一次 利用这个机制，将外部的知识库加载到maptask执行的机器内存中
         */
        @Override
        protected void setup(org.apache.hadoop.mapreduce.Mapper.Context context) throws IOException, InterruptedException {

            DBLoader.dbLoader(knowledgeMap);

        }

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            String line = value.toString();

            String[] fields = StringUtils.split(line, "\t");

            try {
                String url = fields[26];

                // 对这一行日志中的url去知识库中查找内容分析信息
                String content = knowledgeMap.get(url);

                // 根据内容信息匹配的结果，来构造两种输出结果
                String result = "";
                if (null == content) {
                    // 输往待爬清单的内容
                    result = url + "\t" + "tocrawl\n";
                } else {
                    // 输往增强日志的内容
                    result = line + "\t" + content + "\n";
                }

                context.write(new Text(result), NullWritable.get());
            } catch (Exception e) {

            }
        }

    }

    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf);

        job.setJarByClass(LogEnhancer.class);

        job.setMapperClass(LogEnhancerMapper.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 要将自定义的输出格式组件设置到job中
        job.setOutputFormatClass(LogEnhancerOutputFormat.class);

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        // 虽然我们自定义了outputformat，但是因为我们的outputformat继承自fileoutputformat
        // 而fileoutputformat要输出一个_SUCCESS文件，所以，在这还得指定一个输出目录
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.waitForCompletion(true);
        System.exit(0);

    }

}

自定义GroupingComparator

需求：

有如下订单：

订单id商品ID成交金额
Order_0000001pdt_01222.8

现在需要求出每一个订单中成交金额最大的一笔交易

分析：

  1. 订单“订单id和成交金额”作为key，可以将map阶段读取到的所有订单数据按照id分区，按照订单金额排序，发送到reduce
  2. 在reduce端利用GroupingComparator将订单id相同的kv聚合成组，然后取第一个即最大值。

实现：

自定义groupingcomparator

/**
 * 用于控制shuffle过程中reduce端对kv对的聚合逻辑
 * @author duanhaitao@itcast.cn
 *
 */
public class ItemidGroupingComparator extends WritableComparator {

    protected ItemidGroupingComparator() {

        super(OrderBean.class, true);
    }


    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        OrderBean abean = (OrderBean) a;
        OrderBean bbean = (OrderBean) b;

        //将item_id相同的bean都视为相同，从而聚合为一组
        return abean.getItemid().compareTo(bbean.getItemid());
    }
}

定义订单信息bean：

/**
 * 订单信息bean，实现hadoop的序列化机制
 * @author duanhaitao@itcast.cn
 *
 */
public class OrderBean implements WritableComparable<OrderBean>{
    private Text itemid;
    private DoubleWritable amount;

    public OrderBean() {
    }
    public OrderBean(Text itemid, DoubleWritable amount) {
        set(itemid, amount);
    }

    public void set(Text itemid, DoubleWritable amount) {

        this.itemid = itemid;
        this.amount = amount;

    }

    public Text getItemid() {
        return itemid;
    }

    public DoubleWritable getAmount() {
        return amount;
    }

    @Override
    public int compareTo(OrderBean o) {
        int cmp = this.itemid.compareTo(o.getItemid());
        if (cmp == 0) {

            cmp = -this.amount.compareTo(o.getAmount());
        }
        return cmp;
    }

    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(itemid.toString());
        out.writeDouble(amount.get());

    }

    @Override
    public void readFields(DataInput in) throws IOException {
        String readUTF = in.readUTF();
        double readDouble = in.readDouble();

        this.itemid = new Text(readUTF);
        this.amount= new DoubleWritable(readDouble);
    }


    @Override
    public String toString() {
        return itemid.toString() + "\t" + amount.get();
    }
}

编写mapreduce流程：

/**
 * 利用secondarysort机制输出每种item订单金额最大的记录
 * @author duanhaitao@itcast.cn
 *
 */
public class SecondarySort {

    static class SecondarySortMapper extends Mapper<LongWritable, Text, OrderBean, NullWritable>{

        OrderBean bean = new OrderBean();

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            String line = value.toString();
            String[] fields = StringUtils.split(line, "\t");

            bean.set(new Text(fields[0]), new DoubleWritable(Double.parseDouble(fields[1])));

            context.write(bean, NullWritable.get());

        }

    }

    static class SecondarySortReducer extends Reducer<OrderBean, NullWritable, OrderBean, NullWritable>{


        //在设置了groupingcomparator以后，这里收到的kv数据 就是：  <1001 87.6>,null  <1001 76.5>,null  .... 
        //此时，reduce方法中的参数key就是上述kv组中的第一个kv的key：<1001 87.6>
        //要输出同一个item的所有订单中最大金额的那一个，就只要输出这个key
        @Override
        protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
            context.write(key, NullWritable.get());
        }
    }


    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        job.setJarByClass(SecondarySort.class);

        job.setMapperClass(SecondarySortMapper.class);
        job.setReducerClass(SecondarySortReducer.class);


        job.setOutputKeyClass(OrderBean.class);
        job.setOutputValueClass(NullWritable.class);

        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        //指定shuffle所使用的GroupingComparator类
        job.setGroupingComparatorClass(ItemidGroupingComparator.class);
        //指定shuffle所使用的partitioner类
        job.setPartitionerClass(ItemIdPartitioner.class);

        job.setNumReduceTasks(3);

        job.waitForCompletion(true);

    }

}

Mapreduce中的DistributedCache应用

Map端join案例

需求：

实现两个‘表’的join操作，其中一个数据量较小，一个表很大，这种情景在实际中非常常见，比如“订单日志‘join”产品信息“

分析：

—原理阐述

适用于关联表中有小表的情况

可以将小表分发到所有的map节点，这样，map节点就可以在本地对自己所读到的大表数据进行join并输出最终结果。

可以大大提高join的操作并发度，加快处理速度。

–示例：先在mpper类中预先定义好小表，进行join

–并用distributedcache机制将小表的数据分发到每一个maptask执行节点，从而每一个maptask节点可以从本地加载到小表数据，进而在本地即可实现join.

实现

public class TestDistributedCache {
    static class TestDistributedCacheMapper extends Mapper<LongWritable, Text, Text, Text>{
        FileReader in = null;
        BufferedReader reader = null;
        HashMap<String,String> b_tab = new HashMap<String, String>();
        String localpath =null;
        String uirpath = null;

        //是在map任务初始化的时候调用一次
        @Override
        protected void setup(Context context) throws IOException, InterruptedException {
            //通过这几句代码可以获取到cache file的本地绝对路径，测试验证用
            Path[] files = context.getLocalCacheFiles();
            localpath = files[0].toString();
            URI[] cacheFiles = context.getCacheFiles();


            //缓存文件的用法——直接用本地IO来读取
            //这里读的数据是map task所在机器本地工作目录中的一个小文件
            in = new FileReader("b.txt");
            reader =new BufferedReader(in);
            String line =null;
            while(null!=(line=reader.readLine())){

                String[] fields = line.split(",");
                b_tab.put(fields[0],fields[1]);

            }
            IOUtils.closeStream(reader);
            IOUtils.closeStream(in);

        }

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            //这里读的是这个map task所负责的那一个切片数据（在hdfs上）
             String[] fields = value.toString().split("\t");

             String a_itemid = fields[0];
             String a_amount = fields[1];

             String b_name = b_tab.get(a_itemid);

             // 输出结果  1001  98.9    banan
             context.write(new Text(a_itemid), new Text(a_amount + "\t" + ":" + localpath + "\t" +b_name ));

        }
    }
    public static void main(String[] args) throws Exception {

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        job.setJarByClass(TestDistributedCache.class);

        job.setMapperClass(TestDistributedCacheMapper.class);

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

        //这里是我们正常的需要处理的数据所在路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        //不需要reducer
        job.setNumReduceTasks(0);
        //分发一个文件到task进程的工作目录
        job.addCacheFile(new URI("hdfs://hadoop-server01:9000/cachefile/b.txt"));

        //分发一个归档文件到task进程的工作目录
//      job.addArchiveToClassPath(archive);

        //分发jar包到task节点的classpath下
//      job.addFileToClassPath(jarfile);

        job.waitForCompletion(true);
    }
}

“

A__loser
关注
专栏目录
大数据分析技术之MapReduce实践：流量统计（十）
明曦君的小家
06-06 1393
写在开头：今天主要写一下MapReduce在日志流量统计方面的实践，数据结构比较简单，主要是一个使用思路。 学习内容安排 今天我们将对用户使用流量数据进行分析，同样按照上一节的MapReduce计算流程来编写代码。在进行代码编写前我们首先来看一下数据的样子，以下数据均为虚构的， 在上面的数据中可以看到第一列不太清楚是啥，第二列是手机号，第三四五列是访问的信息方面，后面的倒数第三与导数第二的数据就是本文今天最关注的上行流量与下行流量。今天的任务就是分别展示上下行流量并计算总流量。 MapReduce之流.
Hadoop实战：MapReduce应用实例
热门推荐
一个人漫步走
07-10 1万+
参考：hadoop实战一．ＷordCount 任务：统计文件中单词的频率 代码： package mapreduce; import java.io.IOException; import java.util.Iterator; import java.util.StringTokenizer;import org.apache.hadoop.conf.*; import org.apache.ha
MapReduce操作实践
YTLDSS的博客
04-04 2869
实验内容与要求： MapReduce基本知识总结 MapReduce的操作实践 2.1 基于MapReduce的WordCount实践：统计每个单词出现的次数 2.2 自定义Hadoop数据类型实践：自定义hadoop数据类型，在统计每个单词出现次数的过程中，同时计算每个单词的长度 2.3 多mapReduce任务的串联实践：基于MapReduce统计共有多少个单词，而不是每个单词出现的次数 1. MapReduce基本知识的总结 MapReduce是一个运行在Hadoop上的分布式计算框架，用于处理大
MAPREDUCE实践篇（1）
weixin_33859665的博客
04-05 88
2.1MAPREDUCE 示例编写及编程规范2.1.1编程规范（1）用户编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行mr程序的客户端)（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）（3）Mapper的输出数据是KV对的形式（KV的类型可自定义）（4）Mapper中的业务逻辑写在map()方法中（5）map()方法（mapt...
MapReduce实践
十月鱼的博客（本博客不再更新，作者迁移至：http://wiki.51centos.com）
07-26 343
一、MapReduce实践 1.文 件 分 发 与 打 包 （ - f i l e ） - 如果要分发的文件在本地且没有目录结构，可以使用-file /path/to/FILENAME选项分发文件，将本地文件/path/to/FILENAME分发到每个计算节点。 - 在Streaming程序中通过./FILENAME就可以访问该文件 - 对于本地可执行的文件，除了指定的mapper或...
MapReduce中加强内容
qq_35866738的博客
02-21 1055
课程大纲（MAPREDUCE详解） MapReduce快速入门 如何理解map、reduce计算模型 Mapreudce程序运行演示 Mapreduce编程规范及示例编写 Mapreduce程序运行模式及debug方法 MapReduce高级特性 Mapreduce程序的核心机制
MapReduce编程实践
weixin_30498807的博客
05-19 524
一、MapReduce编程思想 学些MapRedcue主要是学习它的编程思想，在MR的编程模型中，主要思想是把对数据的运算流程分成map和reduce两个阶段： Map阶段：读取原始数据，形成key-value数据（map方法）。即，负责数据的过滤分发。 Reduce阶段：把map阶段的key-value数据按照相同的key进行分组聚合（reduce方法）。即，数据的计算归并。 它其实是一...
07.大数据之MapReduce实践篇
小茗同学IT的博客
05-26 1761
1. MAPREDUCE实践篇（1）1.1 MAPREDUCE 示例编写及编程规范1.1.1 编程规范（1）用户编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行mr程序的客户端)（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）（3）Mapper的输出数据是KV对的形式（KV的类型可自定义）（4）Mapper中的业务逻辑写在map()方法中（5）map()...
Hadoop之MapReduce（实践篇）
penggougoude的博客
09-11 7400
1、MapReduce编程模型概述 MapReduce应用广泛的原因之一在于它的易用性。它提供了一个因高度抽象化而变得异常简单的编程模型。MapReduce是在总结大量应用的共同特点的基础上抽象出来的分布式计算框架，它适用的应用场景往往具有一个共同的特点：任务可被分解成相互独立的子问题。基于该特点，MapReduce编程模型给出了其分布式编程方法，共分5个步骤： 迭代（iteration）：...
【MapReduce篇07】MapReduce之数据清洗ETL1
08-04
MapReduce之数据清洗ETL详解 MapReduce是一种基于Hadoop的分布式计算框架，广泛应用于大数据处理领域。数据清洗（Data Cleaning）是数据处理过程中非常重要的一步，旨在清洁和转换原始数据，使其更加可靠和有用。...
Hadoop-MapReduce实践示例
06-20
初学大数据hadoop，自己写实践练手的示例，示例非常全，带目录，非常清晰。
《MapReduce精粹：切片机制揭秘与实践指南》
06-22
它由Google提出，并在2004年的一篇论文中被介绍给公众。MapReduce模型基于两个核心函数：Map和Reduce。 ### MapReduce的工作原理： 1. **Map阶段**：输入数据被分割成多个小块，然后并行地传递给Map函数。每个Map...
MapReduce 编程实践
Michael是个半路程序员
03-25 1183
文章目录1. MapReduce 作业流程2. 实践2.1 启动 hadoop2.2 创建 java 项目 参考书：《Hadoop大数据原理与应用》 1. MapReduce 作业流程 2. 实践 2.1 启动 hadoop start-dfs.sh start-yarn.sh mr-jobhistory-daemon.sh start historyserver # 第三条可以用下面的命令，上面的显示过期了，以后弃用 mapred --daemon start historyserver 2.2 创
简单的MapReduce实践
qq_42582489的博客
03-21 2356
简单的MapReduce实践 文章目录简单的MapReduce实践操作环境实现文件合并和去重操作新建项目新建Java程序打包程序运行程序参考文章 操作环境 操作系统：Ubuntu 16.04 JDK 版本：1.8 Hadoop 版本：Hadoop 3.1.3 Java IDE：Eclipse 我的 Hadoop安装目录是“/usr/local/hadoop”，环境变量 HDAOOP_HOME也...
mapreduce---实践
努力在路上
01-09 221
搞一个简单的wordcount map.py reduce.py
MapReduce初级编程实践
wr456wr的博客
06-03 3268
实验内容 使用Java编程一个WordCount程序，并将该程序打包成Jar包在虚拟机内执行 编程实现文件合并和去重操作 编程实现对输入文件的排序 对给定的表格进行信息挖掘 参考资料
【分布式计算框架】 MapReduce编程初级实践
进一步有一步的欢喜
04-07 692
【分布式计算框架】 MapReduce编程初级实践
mapreduce编程实例
最新发布
10-16
MapReduce是一种分布式计算模型，常用于处理大规模数据集。它将复杂的计算任务分解成一系列简单的“map”和“reduce”步骤。下面是一个简单的MapReduce编程实例，假设我们要统计一个文本文件中每个单词出现的次数： ```python # 使用Hadoop Streaming为例（伪代码） # Mapper函数（map阶段） mapper.py input | grep "word" | cut -d ' ' -f 1 | sort > word_counts_intermediate # Reducer函数（reduce阶段） reducer.py cat word_counts_intermediate | sort | uniq -c | awk '{print $2 "\t" $1}' ``` 在这个例子中： 1. `mapper.py`读取输入文件，通过grep筛选出包含特定关键词（如"word"）的行，然后提取第一个字段（单词），并排序后输出到中间文件。 2. `reducer.py`接收中间结果，再次排序后去除重复项，并对每行进行计数（$1表示频次，$2表示单词），最后输出最终结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值