MapReduce入门
简介
mapreduce 分布式计算框架
核心思想: 分而治之
- map : 将复杂任务拆分为多个小任务, 并行处理 ( 前提是各个小任务之间没有依赖关系)
- reduce : 将map阶段的结果进行汇总
核心功能: 将用户编写的业务逻辑代码和自带默认组件整合成完整的分布式运算程序, 运行在hadoop集群上
表现形式: 键值对的输入输出
框架结构: 一个完整的mapreduce程序在分布式运行时有三类实例进程
- MRAppMaster 负责整个程序的过程调度及状态协调
- MapTask 负责map阶段的数据处理
- ReduceTask 负责reduce阶段的数据处理
代码体现(统计文件中单词的个数)
用户编写的程序分为3个部分 : Mapper Reducer Driver( 主函数 )
- Mapper 中的业务逻辑写在 map()方法中
- Reducer 的业务逻辑写在 reduce()方法中
- 整个程序需要一个 Drvier 来进行提交,提交的是一个描述了各种必要信息的 job 对象
Mapper
kv key-value
mr默认读取数据( TextInputFormat )是 一行一行的读 每读一行 调用一次map方法
- Mapper<LongWritable,Text,Text,IntWritable>
- 定义mapper时, 要指定泛型 , 输入mapper的kv 和 mapper 输出给reduce的kv
- 输入kv LongWritable: 这一行的偏移量(无任何价值) Text: 这一行的文本
- 输出kv Text : 单词 IntWritable: 1
- LongWritable Text IntWritable : hadoop认为jdk默认的序列化机制效率不高, 所以自己封装了一套
- 输入输出
- 输入: [偏移量,“hadoop hdfs spark spark”]
- 输出: [hadoop,1] [hdfs,1] [spark,1] [spark,1]
hadoop hdfs spark spark
quiethr hao
haha haha xixi
hehe hehe
aaa bbb
........
package com.hrh;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* @Title: WordCountMapper
* @ProjectName BigData
* @Description: TODO
*/
public class WordCountMapper extends Mapper<LongWritable,Text,Text,IntWritable>{
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//读取到的一行数据 hadoop hdfs spark spark
String line = value.toString();
String[] words = line.split(" ");//分割 [hadoop,hdfs,spark,spark]
for (String word : words) {
//输出给reduce [hadoop,1] [hdfs,1] [spark,1] [spark,1]
context.write(new Text(word),new IntWritable(1));
}
}
}
Reducer
reduce把接收到的kv 按照字典序(a-z)排序 [aaa,1] [bbb,1] [hadoop,1] …[spark,1] [spark,1] [xixi,1]
然后把key相同的分为一组, 形成新的kv 调用一次reduce方法
- 输入输出 (第一行为例)
- 输入 : [hadoop,1] [hdfs,1] [spark,1] [spark,1]
- 输出 : [hadoop,1] [hdfs,1] [spark,2]
package com.hrh;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* @Title: WordCountReducer
* @ProjectName BigData
* @Description: TODO
*/
public class WordCountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int count=0;
//values : 迭代器
for (IntWritable value : values) {
count+=value.get();
}
context.write( key,new IntWritable(count));
}
}
Driver
mr的输出目录 默认不需要提前创建
package com.hrh;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
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;
/**
* @Title: WordCountDriver
* @ProjectName BigData
* @Description: TODO
*/
public class WordCountDriver {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
//本地测试时, 指定mr程序的环境为local 否则为默认yarn
//conf.set("mapreduce.framework.name","local");
Job job = Job.getInstance(conf);
//设置本次mr程序运行的主类是
job.setJarByClass(WordCountDriver.class);
//设置mapper reducer 类
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
//设置 map reduce 键值对泛型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//指定输入输出目录
FileInputFormat.setInputPaths(job,"/data/wordCount/input");
FileOutputFormat.setOutputPath(job,new Path("/data/wordCount/output"));
//如果是本地的话
//FileInputFormat.setInputPaths(job,"E:\\hhh.txt");
//FileOutputFormat.setOutputPath(job,new Path("E:\\hhh"));
//job.submit();
//提交并打印日志
boolean b = job.waitForCompletion(true);
System.exit(b?0:1);
}
}
运行模式
所谓运行模式指的是mr程序执行的时候由谁来提供运算资源
- 本地( 开发, 测试 )
- conf 指定 mapreduce.framework.name=local
- 集群( 线上,生产 )
- 将工程打成jar包 , 上传到hadoop的任意一个节点
- hadoop jar xxx.jar