mapreduce快速上手
小案例:
统计HDFS的/wordcount/input/文件中的每个单词出现的次数——wordcount
明白了一点:可以在任何地方运行程序,访问HDFS上的文件并进行统计运算,并且可以把统计的结果写回HDFS的结果文件中;
但是,进一步思考:如果文件又多又大,用上面那个程序有什么弊端?
慢!因为只有一台机器在进行运算处理!
如何变得更快?
核心思想:让我们的运算程序并行在多台机器上执行!
map阶段: 将每一行文本数据变成<单词,1>这样的kv数据
reduce阶段:将相同单词的一组kv数据进行聚合:累加所有的v
注意点:在mapreduce程序中,
map阶段的进、出数据,
reduce阶段的进、出数据,
类型都应该是实现了HADOOP序列化框架的类型,如:
String对应Text
Integer对应IntWritable
Long对应LongWritable
编码实现
WordcountMapper类开发
package cn.edu360.mr.wc;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/*
* KEYIN:是map task读取到的数据的key的类型;是一行的起始偏移量Long
* VALUE:是map task读取的数据value的类型:是一行的内容String
*
* KEYOUT:是用户的自定义map方法返回的结果kv数据的key的类型;在wordcount逻辑中,我们需要返回的是单词String
* VALUEOUT:是用户自定义map方法返回结果kv的value的类型:在wordcount逻辑中,我们需要返回的是整数Integer
*
* 但是:在MapReduce中,map产生的数据需要传输给reduce,需要进行序列化和反序列化,而jdk中的原生序列化机制产生的数据量比较冗余,就会导致数据在MapReduce运行过程中传输效率低下
* 所以,hadoop专门设计了自己的序列化机制,那么MapReduce中传输的数据类型就必须实现hadoop自己的序列化接口
*
* hadoop为jdk中的常用基本类型Long,String,Integer,Float等数据类型封装了自己实现的hadoop序列化接口的类型:LongWriable,Text,Intwritable,Floatwritable
*
*
*/
public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
//切单词
String line = value.toString();
String[] words = line.split(" ");
for(String word : words) {
context.write(new Text(word), new IntWritable(1));
}
}
}
WordcountReducer类开发
package cn.edu360.mr.wc;
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
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;
Iterator<IntWritable> iterator = values.iterator();
while(iterator.hasNext()){
IntWritable value = iterator.next();
count += value.get();
}
context.write(key, new IntWritable(count));
}
}
JobSubmitter客户端类开发
package cn.edu360.mr.wc;
import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
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;
/*
* 用于提交MapReduce job的客户端程序
* 功能:
* 1.封装本次job运行时所需要的必要参数
* 2.到yarn进行交互,将MapReduce程序成功运行,启动;
*
*/
public class JobSubmitter {
public static void main(String[] args) throws Exception {
//在代码中设置JVM系统参数,用于给job对象来获取冯文HDFS的用户身份
System.setProperty("HADOOP_USER_NAME","root");
Configuration conf = new Configuration();
//1.设置job运行时要访问默认的文件系统
conf.set("fs.defaultFS","hdfs://hadoop1:9000");
//2.设置job提交到哪里运行
conf.set("mapreduce.framework.name", "yarn");
conf.set("yarn.resourcemanager.hostname", "hadoop1");
//3.如果要从windows系统上运行这个job提交客户端程序,则需要加这个跨平台提交的参数
conf.set("mapreduce.app-submission.cross-platform", "true");
Job job = Job.getInstance(conf);
//1.封装参数:jar包所在的位置
job.setJar("d:/wc.jar");
//job.setJarByClass(JobSubmitter.class);
//2.封装参数:本次job所要调用的Mapper实现类,Reducer实现类
job.setMapperClass(WordcountMapper.class);
job.setReducerClass(WordcountReducer.class);
//3.封装参数:本次job的Mapper实现类产生的结果数据的key,value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
Path output = new Path("/wordcount/output");
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop1:9000"), conf, "root");
if(fs.exists(output)){
fs.delete(output, true);
}
//4.封装参数:本次job要处理的输入数据集所在路径,最终结果的输出路径
FileInputFormat.setInputPaths(job, new Path("/wordcount/input"));
FileOutputFormat.setOutputPath(job, output);//注意:输出路径必须不存在
//5.封装参数:想要启动的reduce task的数量
job.setNumReduceTasks(2);
//6.提交job给yarn
boolean res = job.waitForCompletion(true);
System.exit(res?0:1);
}
}
运行mr程序
1) 将工程整体打成一个jar包并上传到linux机器上,
2) 准备好要处理的数据文件放到hdfs的指定目录中
3) 用命令启动jar包中的Jobsubmitter,让它去提交jar包给yarn来运行其中的mapreduce程序 :
hadoop jar wc.jar cn.edu360.mr.wordcount.JobSubmitter.....
4) 去hdfs的输出目录中查看结果