目录
17.1、MR默认采用哈希分区HashPartitioner
一、课程初识
- MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算。概念"Map(映射)"和"Reduce(归约)",是它们的主要思想,都是从函数式编程语言里借来的,还有从矢量编程语言里借来的特性。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。 当前的软件实现是指定一个Map(映射)函数,用来把一组键值对映射成一组新的键值对,指定并发的Reduce(归约)函数,用来保证所有映射的键值对中的每一个共享相同的键组。
二、知识讲解
1、MapReduce核心思想
- MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题,按照一定的“分解”方法分为等价的规模较小的若干部分,然后逐个解决,分别找出各部分的结果,把各部分的结果组成整个问题的结果,这种思想来源于日常生活与工作时的经验,同样也完全适合技术领域。
- MapReduce作为一种分布式计算模型,它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时,每个MapReduce程序被初始化为一个工作任务,每个工作任务可以分为Map和Reduce两个阶段。
阶段 | 功能 |
Map阶段 | 负责将任务分解,即把复杂的任务分解成若干个“简单的任务”来并行处理,但前提是这些任务没有必然的依赖关系,可以单独执行任务。 |
Reduce阶段 | 负责将任务合并,即把Map阶段的结果进行全局汇总。 |
- MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制,但是只要能用Map和Reduce思想描述清楚要处理的问题,就能轻松地在Hadoop集群上实现分布式计算功能。
- MapReduce设计的一个理念就是“计算向数据靠拢”,而不是“数据向计算靠拢”,因为,移动数据需要大量的网络传输开销。
2、MapReduce编程模型
- MapReduce是一种编程模型,用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候,每个任务的执行过程都会被分为两个阶段,分别是Map和Reduce,其中Map阶段用于对原始数据进行处理,Reduce阶段用于对Map阶段的结果进行汇总,得到最终结果。
- Map和Reduce函数
三、MapReduce编程实例思路
1、Map阶段(映射阶段)
- 输入键值对⟹ \Longrightarrow⟹输出键值对
2、Reduce阶段(归并阶段)
四、MapReduce编程实例操作
- 启动hadoop服务
1、准备数据文件
1.1、在虚拟机上创建文本文件
- 创建
wordcount
目录,在里面创建words.txt
文件
1.2、上传文件到HDFS指定目录
- 创建
/wordcount/input
目录,执行命令:hdfs dfs -mkdir -p /wordcount/input
- 将文本文件
words.txt
,上传到HDFS的/wordcount/input
目录
- 在Hadoop WebUI界面上查看上传的文件
2、创建Maven项目
- 创建Maven项目 -
MRWordCount
3、添加相关依赖
- 在
pom.xml
文件里添加hadoop
和junit
依赖
4、创建日志属性文件
- 在
resources
目录里创建log4j.properties
文件
log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
5、创建词频统计映射器类
- 创建
net.rzh.mr
包,在包里创建WordCountMapper
类
- 为了更好理解
Mapper
类的作用,在map()
函数里暂时不进行每行文本分词处理,直接利用context
输出key
和value
。
package net.hw.mr;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* 功能:词频统计映射器类
* 作者:华卫
* 日期:2022年12月07日
*/
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 直接将键值对数据传到下一个阶段
context.write(key, value);
}
}
- Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
泛型参数 | 说明 |
KEYIN | 输入键类型(InputKeyClass) |
VALUEIN | 输入值类型(InputValueClass) |
VALUEIN | 输出键类型(OutputKeyClass) |
VALUEOUT | 输出值类型(OutputValueClass) |
- 注意:MR应用,必须有映射器(Mapper),但是归并器(Reducer)可有可无
- Java数据类型与Hadoop数据类型对应关系
Java数据类型 | Hadoop数据类型 |
String | Text |
int | IntWritable |
long | LongWritable |
float | FloatWritable |
double | DoubleWritable |
- Hadoop类型数据调用
get()
方法就可以转换成Java类型数据 - Java类型数据通过
new XXXWritable(x)
方式转换成对应的Hadoop类型数据
6、创建词频统计驱动器类
- 在
net.rzh.mr
包里创建WordCountDriver
类
package net.rzh.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.net.URI;
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);
// 定义uri字符串
String uri = "hdfs://192.168.219.75:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录(第二个参数设置是否递归)
fs.delete(outputPath, true);
// 给作业添加输入目录(允许多个)
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录(只能一个)
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
- 注意导包问题
7、运行词频统计驱动器类,查看结果
- 注意:如果运行出现错误:Did not find winutils.exe
- 请前往博客:
- 最后的解决问题来解决
- 再次运行,统计结果之前会显示大量信息
- 如果不想看到统计结果之前的大堆信息,可以修改
log4j.properties
文件,将INFO
改为ERROR
- 再运行程序,查看结果
- 行首数字,表示每行起始位置在整个文件的偏移量(offset)。
- 第一行:hello hadoop world\n 16个字母,2个空格,1个转义字符,总共19个字符,因此,第二行起始位置在整个文件的偏移量就是19。
- 第二行:hello hive world\n 14个字母,2个空格,1个转义字符,总共17个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 = 36。
- 第三行:hello hbase world\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。
- 第四行:hadoop hive hbase\n 15个字母,2个空格,1个转义字符,总共18个字符,因此,第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。
- 利用Hadoop WebUI界面查看结果文件
8、修改词频统计映射器类
- 行首数字对于我们做单词统计没有任何用处,只需要拿到每一行内容,按空格拆分成单词,每个单词计数1,因此,
WordCoutMapper
的输出应该是单词和个数,于是,输出键类型为Text
,输出值类型为IntWritable
。 - 将每行按空格拆分成单词数组,输出
<单词, 1>
的键值对
- 由于
WordCountMapper
的输出键值类型
发生变化,所以WordCountDriver也需要修改
。
9、修改词频统计驱动器类
- 修改map任务输出键值类型
10、启动词频统计驱动器类,查看结果
- 观察输出结果,map阶段会按键排序输出
- 映射任务与归并任务示意图
11、创建词频统计归并器类
- 一个类继承Reducer,变成一个Reducer组件类
- Reducer组件会接收Mapper组件的输出结果
- 第一个泛型对应的是Mapper输出key类型
- 第二个泛型对应的是Mapper输出value类型
- 第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
- Reducer组件不能单独存在,但是Mapper组件可以单独存在
- 当引入Reducer组件后,输出结果文件内容就是Reducer的输出key和输出value
- 在net.rzh.mr包里创建WordCountReducer
package net.rzh.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
public class WordCountReducer extends Reducer<Text, IntWritable, Text, Text> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义整数数组列表
List<Integer> integers = new ArrayList<>();
// 遍历输入值迭代器
for (IntWritable value : values) {
// 将每个值添加到数组列表
integers.add(value.get()); // 利用get()方法将hadoop数据类型转换成java数据类型
}
// 输出新的键值对,注意要将java字符串转换成hadoop的text类型
context.write(key, new Text(integers.toString()));
}
}
- 创建了词频统计归并器之后,我们一定要去修改词频统计驱动器类
12、修改词频统计驱动器类
- 设置词频统计的Reducer类及其输出键类型和输出值类型(Text,Text)
13、运行词频统计驱动器类,查看结果
- 运行
WordCountDriver
类,查看结果
- 现在我们需要修改词频统计归并器,将每个键(单词)的值迭代器进行累加,得到每个单词出现的总次数。
14、修改词频统计归并器类
- 输出键值类型改为
IntWritable
,遍历值迭代器,累加得到单词出现次数
package net.rzh.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义键出现次数
int count = 0;
// 遍历输入值迭代器
for (IntWritable value : values) {
count += value.get(); // 其实针对此案例,可用count++来处理
}
// 输出新的键值对,注意要将java的int类型转换成hadoop的IntWritable类型
context.write(key, new IntWritable(count));
}
}
- 由于修改了词频统计归并器的输出值类型(由Text类型改成了IntWritable类型),必须在词频统计驱动器类里进行设置
15、修改词频统计驱动器类
- 修改归并任务的输出值类型(IntWritable类型)
16、启动词频统计驱动器类,查看结果
- 此时,可以看到每个单词出现的次数
- 知识点:
(1)MR框架有两个核心组件,分别是Mapper组件和Reducer组件
(2)写一个类,继承Mapper,则变成了一个Mapper组件类
(3)IntWritable, LongWritable,DoubleWritable, Text,NullWritable都是Hadoop序列化类型
(4)Mapper组件将每行的行首偏移量,作为输入key,通过map()传给程序员
(5)Mapper组件会将每行内容,作为输入value,通过map()传给程序员,重点是获取输入value
(6)Mapper的第一个泛型类型对应的是输入key的类型,第二个泛型类型对应的输入value
(7)MR框架所处理的文件可以是本地文件,也可以是HDFS文件
(8)map()被调用几次,取决于文件的行数
(9)通过context进行结果的输出,以输出key和输出value的形式来输出
(10)输出key是由第三个泛型类型决定,输出value是由第四个泛型类型决定
(11)输出结果文件的数据以及行数取决于context.write()方法
(12)Text => String: value.toString()
(13)String => Text: new Text(strVar)
(14)LongWritable => long: key.get()
(15)long => LongWritable: new LongWritable(longVar)
17、采用多个Reduce做合并
- 相同key的键值对必须发送同一分区(一个Reduce任务对应一个分区,然后会生成对应的一个结果文件,有多少个Reduce任务,就会有多少个分区,最终就会产生多少个结果文件),否则同一个key最终会出现在不同的结果文件中,那显然不是我们希望看到的结果。
17.1、MR默认采用哈希分区HashPartitioner
- Mapper输出
key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
17.2、修改词频统计驱动器类,设置分区数量
- 设置分区数量:
3
- 此时,运行程序,查看结果
- 在Hadoop WebUI界面上可以看到,产生了三个结果文件
五、课后复习
- 特别需要注意导包问题,如果导包不正确,运行程序会出错,课后多看一下代码,了解各行代码的作用