目录
一.MapReduce概述
1.1 MapReduce定义
MapReduce
是一个分布式运算程序
的编程框架,其核心功能
为把用户编写的业务逻辑代码
和自带默认组件
整合成一个完整的分布式运算程序
,并发运行
在Hadoop集群
上。
1.2 MapReduce优缺点
1.2.1 优点
(1)易于编程
它简单的实现一些接口,就可以完成一个分布式程序
,这个分布式程序可以分布到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序,跟写一个简单的串行程序是一模一样的。
(2)良好的扩展性
当你的计算资源不能得到满足的时候,你可以通过简单的增加机器
来扩展它的计算能力。
(3)高容错性
MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上,这就要求它具有很高
的容错性。比如其中一台机器挂了,它可以把上面的计算任务转移到另外一个节点上运行, 不至于这个任务运行失败
,而且这个过程不需要人工参与,而完全是由 Hadoop 内部完成的。
(4)适合PB级以上海量数据的离线处理
可以实现上千台服务器集群并发
工作,提供数据处理能力。
1.2.2 缺点
(1)不擅长实时计算
MapReduce
无法像 MySQL
一样,在毫秒或者秒级内返回结果。
(2)不擅长流式计算
流式计算的输入数据是动态的,而 MapReduce
的输入数据集是静态
的,不能动态变化。
这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。
(3)不擅长DAG(有向无环图)计算
多个应用程序存在依赖关系,后一个应用程序的输入为前一个的输出。在这种情况下,
MapReduce 并不是不能做,而是使用后,每个 MapReduce 作业的输出结果都会写入到磁盘, 会造成大量的磁盘 IO,导致性能非常的低下。
1.3 MapReduce核心思想
下面是MapReduce的核心思想流程图:
事实上,
分布式的运算程序
往往需要分成至少2个stage
(Map
和Reduce
)
(1)stage1:MapTask并发实例
完全并发运行
,互不相干
(2)stage2:ReduceTask并发实例互不相干
,但它们的数据依赖于上个stage
的所有MapTask并发实例
的输出
(3)MapReduce编程模型
只能包含一个Map stage
和一个Reduce stage
,如果用户的业务逻辑很复杂,便只能多MapReduce程序串行运行
1.4 MapReduce进程
一个完整的 MapReduce 程序
在分布式运行
时有三类实例进程:
(1)MrAppMaster:负责整个程序的过程调度及状态协调。
(2)MapTask:负责 Map 阶段的整个数据处理流程。
(3)ReduceTask:负责 Reduce 阶段的整个数据处理流程。
1.5 官方WordCount源码
为了方便查阅,我们将相关文件下载到本地查看:
注:此处
mapreduce-examples
文件在/opt/module/hadoop-3.1.3/share/hadoop/mapreduce
目录下可以查找到
借助反编译工具
查看源码:
可以看到MapReduce
有大量的案例,我们找到想了解的WordCount案例
如下:
可以看到,WordCount案例
有驱动类、Map类、Reduce类
。并且数据的类型是Hadoop自身封装
的序列化类型
(如Text类型对应于Java中的String类型,IntWritable类型对应于Java中的int类型)
注:后续
1.6节
会给出常见数据类型
的对应关系
.
1.6 常用数据序列化类型
可以看到除了String
对应于Text
类型外,其余Java数据类型的对应Hadoop类型均是在原来类型后添加Writable
1.7 MapReduce编程规范
用户编写的程序分成三个部分:Mapper、Reducer 和 Driver
1.Mapper-stage
(1)用户自定义的Mapper要继承自己的父类
(2)Mapper的输入数据是KV对的形式(KV类型任意,通过泛型体现)
(3)Mapper中的业务逻辑写在map()方法中
(4)Mapper的输出数据是KV对的形式(KV类型任意,通过泛型体现)
(5)map()方法(MapTask进程)对每一个<K,V>调用一次
2.Reducer-stage
(1)用户自定义的Reducer要继承自己的父类
(2)Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
(3)Reducer中的业务逻辑写在reduce()方法中
(4)ReducTask进程对每一组相同K的<K,V>组只调用一次reduce()方法
3.Driver-stage
相当于YARN集群的客户端,用于提交我们整个程序到YARN集群,提交的是封装了MapReduce程序相关运行参数的job对象
1.8 WordCount案例实操
1.8.1 本地测试
1)需求
在给定文本文件中统计输出每一个单词出现的总次数
(1)输入数据
(2)期望输出
2)需求分析
按照MapReduce编程规范
,分别编写Mapper、Reducer、Driver
其中每一阶段的业务逻辑
如下:
明确了每个阶段需要做的事情,接下来便可以准备搭环境和编写各阶段业务逻辑代码了!
3)环境准备
(1)创建新maven
工程,命名为MapReduceDemo
注:
创建好maven工程后
,需要在Settings中
把用户设置文件路径
和本地仓库路径
换成我们之前设置好的路径!(下图是修改后的)
(2)在pom.xml文件中添加如下依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
在项目的src/main/resources目录
下,新建一个文件,命名为"log4j.properties"
,并在其中填入
log4j.rootLogger=INFO, stdout
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/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
(3)创建包名:com.root.mapreduce.wordcount
4)编写程序
(1)编写Mapper类
package com.root.mapreduce.wordcount;
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 org.junit.Test;
import java.io.IOException;
/**
* KEYIN,map时输入的key的类型 :LongWritable
* VALUEIN,map时输入value类型:Test
* KEYOUT,map时输出的Key类型:Test
* VALUEOUT,map时输出的value类型:IntWritable
*/
public class WordCountMapper extends Mapper<LongWritable,Text,Text, IntWritable> {
private Text outK=new Text();
private IntWritable outV=new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//思考:如果new Text的位置在这里,性能还是会低,因为map方法会被调用n次(这取决于源文件有多少行),每次都要new一个新的会浪费空间
//1.获取一行
String s = value.toString();
//2.切割
String[] s1 = s.split(" ");
//3.循环写出
for (String s2 : s1) {
//思考:如果这里new了一个Text,那么性能会下降,因为如果读取的一行有很多数据那么每次for循环都要new一个Test,性能极度下降
//封装outK
outK.set(s2);
//写出
context.write(outK,outV);
}
}
}
注:这里我们把一个
Text类型
的变量outK
和一个IntWritable
类型的变量outV
定义为Mapper类
的成员变量
,提升
一部分性能
。(避免每次循环都new一个新对象)
(2)编写Reducer类
package com.root.mapreduce.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* KEYIN,reduce时输入的key的类型 :Text
* VALUEIN,reduce时输入value类型: IntWritable
* KEYOUT,reduce时输出的Key类型:Test
* VALUEOUT,reduce时输出的value类型:IntWritable
*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
private IntWritable outV=new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
int sum=0;
//atguigu,(1,1)
//累加
for (IntWritable value : values) {
sum+=value.get();
}
outV.set(sum);
//写出
context.write(key,outV);
}
}
注:这里同样我们把一个
IntWritable
类型的变量outV
定义为Reducer类
的成员变量
,提升
一部分性能
。(避免每次循环都new一个新对象)
(3)编写 Driver 驱动类
package com.root.mapreduce.wordcount;
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;
import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;
import java.io.IOException;
public class WordCountDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
//1.获取job
Configuration conf = new Configuration();
Job ins = Job.getInstance(conf);
//2.设置jar包路径
ins.setJarByClass(WordCountDriver.class);
//3.关联mapper和reducer
ins.setMapperClass(WordCountMapper.class);
ins.setReducerClass(WordCountReducer.class);
//4.设置map输出的kv类型
ins.setMapOutputKeyClass(Text.class);
ins.setMapOutputValueClass(IntWritable.class);
//5.设置最终输出的kv类型
ins.setOutputKeyClass(Text.class);
ins.setOutputValueClass(IntWritable.class);
//6.设置输入路径和输出路径
FileInputFormat.setInputPaths(ins, new Path("D:\\java_learning\\input"));
FileOutputFormat.setOutputPath(ins, new Path("D:\\java_learning\\output\\output1"));
//7.提交job
boolean result = ins.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
运行main
主函数,查看目标路径
下的文件
详情:
Editplus
打开part-r-00000文件
查看输出结果:
1.8.2 上传至集群测试
之前的步骤中,我们相当于是在本地Windows环境下
运行得到的结果,实际生产中
我们常常需要在集群中运行并测试
,接下来我们便来看一下如何在集群上测试。
(1)用 maven
打 jar
包,需要添加
的打包插件依赖
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.6.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
注:如果工程上显示红叉。在项目上右键->maven->Reimport 刷新即可
由于我们在集群上测试
时,想要动态获取输入和输出的路径
,因此我们需要把Driver程序
中的如下部分做小部分修改,其中args[0]是我们之后XShell控制台输入的第一个路径参数,代表了输入路径;args[1]是XShell控制台输入的第二个路径参数,代表了输出路径:
之后便可以进行打包操作。
(2)将程序打成 jar 包
(3)修改不带依赖的 jar 包
名称为 wc.jar
,并拷贝
该 jar 包到 Hadoop 集群
的/opt/module/hadoop-3.1.3
路径。
注:这里可以
直接
从Windows环境拖动
想上传的文件
到XShell上
,之后查看目录可以看到wc.jar已被上传
(4)启动 Hadoop 集群
查看集群节点状态:
(5)执行WordCount程序
注意这里我们输入路径是集群上的/haha路径下的文件,输出路径为/output(输出路径在程序执行前不允许有重名路径)
执行后查看/output
下的文件
是否存在
及内容
可以看到文件内容是hello.txt经过统计之后的,与hello.txt相对应: