Hadoop框架---MapReduce概述


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:
请添加图片描述

事实上,分布式的运算程序往往需要分成至少2个stage(MapReduce)
(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并发实例输出
(3)MapReduce编程模型只能包含一个Map stage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 程序分布式运行时有三类实例进程:
(1)MrAppMaster:负责整个程序过程调度状态协调
(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

请添加图片描述

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:

请添加图片描述
请添加图片描述

可以看到,WordCount案例驱动类、Map类、Reduce类。并且数据的类型是Hadoop自身封装序列化类型(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对应关系.

1.6 常用数据序列化类型

请添加图片描述

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
请添加图片描述

(2)期望输出

请添加图片描述

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:
请添加图片描述
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
请添加图片描述

注:创建好maven工程后,需要在Settings中用户设置文件路径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)
请添加图片描述

(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

请添加图片描述

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:
请添加图片描述

Editplus打开part-r-00000文件查看输出结果:

请添加图片描述

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 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

请添加图片描述

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:

请添加图片描述

之后便可以进行打包操作。

(2)将程序打成 jar 包
请添加图片描述

(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/opt/module/hadoop-3.1.3 路径。

请添加图片描述

请添加图片描述

注:这里可以直接Windows环境拖动上传的文件XShell上,之后查看目录可以看到wc.jar已被上传

(4)启动 Hadoop 集群

请添加图片描述

查看集群节点状态:
请添加图片描述

(5)执行WordCount程序

请添加图片描述

请添加图片描述

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下的文件是否存在内容
请添加图片描述

请添加图片描述

可以看到文件内容是hello.txt经过统计之后的,与hello.txt相对应:
请添加图片描述

  • 5
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

丷江南南

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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