目录
一、MapReduce概述
1.MapReduce定义
MapReduce 是一个分布式运算程序的编程框架,是用户开发“基于Hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将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,并运行在一个Hadoop集群上。
2.MapReduce优缺点
2.1优点
- MapReduce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。这个特点是MapReduce编程变得非常流行。 - 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。 - 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,而这个过程不需要人工参与,而是完全有Hadoop内部完成。 - 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,提高数据处理能力。
2.2缺点
- 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。 - 不擅长流式计算
流式计算的话输入数据是动态的,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。 - 不擅长有向图(DAG)计算
多个应用程序存在依赖关系,后一个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到磁盘,会造成大量的磁盘IO,导致性能非常的低下。
3.MapReduce核心思想
1)分布式的运行程序往往需要分成两个阶段
(1)第一个阶段的MapTask并发实例,完全并行运行,互不相干。
(2)第二个阶段的ReduceTask并发实例,互不相干,但是他们的数据依赖上一个阶段的所有MapTask并发实力的输出。
2)MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段,如果用户的业务逻辑非常复杂,那就只能多个MapReduce程序,串行运行。
对上图进行分析:
需求是统计每个单词出现的次数,a-p开头的单词输出结果到一个文件中,q - z开头的单词输出到一个文件中。
(1)多个MapTask并发执行,每个Task负责一部分的单词处理。Map阶段的每个Task对文件进行读数据,一般是按行获取,然后把一行单词切割成多个单词,然后得到结果为(单词,1)的键值对的方式,还要对结果根据单词首字母进行判断,分成两个区。
(2)Reduce阶段通过Map的输出结果汇总。Map阶段的输出就是Reduce阶段的输入,也就是Reduce拿到(单词,1)这样的格式的输入,通过相同的key也就是单词,进行value的累加,就可以得到每个单词的总数,比如Map输出的结果有(hadoop,1),(hadoop,1),(hadoop,1),然后Reduce阶段判断hadoop都是相同的key,对value进行累加,最后输出的结果就是(hadoop,3)在写到文件中。
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:
- MrAppMaster:负责整个程序的过程调度及状态协调。
- MapTask:负责Map阶段的整个数据处理流程。
- ReduceTask:负责Reduce阶段的整个数据处理流程。
5.常用数据序列化类型
常用的数据类型对应Hadoop数据序列化类型:
6.MapReduce编程规范
用户编写的程序分成三个部分:Mapper、Reduce 和 Driver
-
Mapper阶段
(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的类型可自定义)
(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的类型可自定义)
(5)map()方法(MapTask进程)对每一个<K,V>调用一次。 -
Reducer阶段
(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的业务逻辑写在reduce()方法中
(4)ReduceTask进程对每一组相同<k,v>组调用一次reduce()方法。 -
Driver阶段
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MapReduce程序相关运行参数的job对象。
7.WordCount案例实操
需求:
在给定的文本文件中统计输出每一个单词出现的总次数。
单词准备:
- 创建Maven工程,并添加依赖:
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>RELEASE</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-core</artifactId>
<version>2.8.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.7.2</version>
</dependency>
</dependencies>
- 在项目的src/main/resources下创建名为log4j.properties的文件,并在文件中添加:
(作用:可以查看代码执行后产生的日志)
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
- 编写程序:
(1)编写Mapper类:
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;
/**
* Map阶段
*
* 需要继承Mapper,并重写map方法,完成自定义的Mapper,
*
* KEYIN:输入的Key的类型
* VALUEIN:输入的Value的类型
*
* KEYOUT:输出的Key的类型
* VALUEOUT:输出的Value的类型
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
Text k = new Text();
IntWritable v = new IntWritable(1);
//map输入的key是偏移量,value是一行数据
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1. 获取一行数据,例如: hadoop hadoop
String line = value.toString();
//2. 切割数据
String[] split = line.split(" ");
//3. 写出数据
for (String word : split) {
k.set(word);
System.out.println("k=====:" + k + "v=========" + v);
context.write(k,v);
}
}
}
(2)编写Reduce类
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.Arrays;
/**
* Reduce 阶段
* <p>
* 通过继承Reduce,重写 reduce方法,完成自定义的Reducer
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//1. 将相同key的value进行汇总。
//hadoop 1
//hadoop 1
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
v.set(sum);
//2. 写出
context.write(key,v);
}
}
(3)编写Driver驱动类
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;
public class WordCountDriver {
public static void main(String[] args) throws Exception {
//1. 获取Job对象 ==> 一个MapReduce程序实际上就是一个job
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2. 关联jar
job.setJarByClass(WordCountDriver.class);
//3.关联当前Job对应的Mapper 和 Reducer
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
//4. 设置Mapper 输出的key 和 value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5. 设置最终输出的key 和 value的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6. 设置文件的输入 和 结果的输出位置
FileInputFormat.setInputPaths(job,new Path("E:/file/test/intout/inputWord/word"));
FileOutputFormat.setOutputPath(job,new Path("E:/file/test/intout/inputWord/word/outputWord"));
//7. 提交job
boolean result = job.waitForCompletion(true);
System.exit(result?0:1);
}
}
- 本地测试:
(1)这里使用的win10的电脑,将win10的hadoop jar包解压到非中文路径,并在Windows环境上配置HADOOP_HOME 环境变量。
Path:
(2)运行程序:
日志部分截图:
结果:
打开文件:
5. 集群上测试
(1)用maven打jar包,需要添加的打包插件依赖。
有一行需要改成自己主类工程
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</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>
<archive>
<manifest>
<mainClass>com.fseast.mr.wordcount.WordCountDriver</mainClass> <!-- 此处需修改 -->
</manifest>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
(2)将程序打包成jar包,然后拷贝到Hadoop集群中。(为了方便操作,把名字修改为wc.jar)
(3)启动hadoop集群
(4)执行WordCount程序
hadoop jar wc.jar com.fseast.mr.wordcount.WordcountDriver /user/fseast/input /user/fseast/output
二、Hadoop序列化
1.序列化概述
1.1什么是序列化
序列化就是把内存中的对象,转换成字节序列(或其他数据传输协议)以便存储到磁盘(持久化)和网络传输。
反序列化就是将收到字节序列(或其他数据传输协议)或者是磁盘的持久化数据,转换成内存中的对象。
1.2为什么要序列化
一般来说,“活的”对象只生存在内存里,关机断电就没有了。而且“活的”对象只能有本地的进程使用,不能被发送到网络上的另一台计算机。然后序列化可以存储“活的”对象,可以将“活的”对象发送到远程计算机。
1.3为什么不使用Java的序列化
Java的序列化是一个重量级序列化框架(Serializable),一个对象被序列化后,会附带很多额外的信息(各种校验信息,Header,继承体系等),不便于在网络中高效传输。所以,Hadoop自己开发了一套序列化机制(Writable)
1.4Hadoop序列化特点
- 紧凑:高效实用存储空间。
- 快速: 读写数据的额外开销小。
- 可扩展:随着通信协议的升级而可升级。
- 互操作:支持多语言的交互。
2.自定义bean对象实现序列化接口(Writable)
实际开发过程中往往常用的基本序列化类型不能满足所有需求,比如在Hadoop框架内部传递一个bean对象,那么该对象就需要实现序列化接口。
具体实现bean对象序列化步骤有如下7步:
(1)必须实现Writable接口
(2)反序列化时,需要反射调用空参构造函数,所以必须有空参构造器。
public FlowBean(){
super();
}
(3)重写序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
(4)重写反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}
(5)注意反序列化的顺序和序列化的顺序完全一致。
(6)要想把结果显示在文件中,需要重写toString,可用“\t”分开,方便后续切割。
(7)如果需要将自定义的bean放在key中传输,则还需要实现Comparable接口,因为MapReduce框中的Shuffle过程要求对key必须能排序。
@Override
public int compareTo(FlowBean o) {
// 倒序排列,从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}
3.序列化案例实操
- 需求
统计每个手机号耗费的总上行流量、下行流量、总流量
(1)原始数据如图:
(2)输入数据格式:
(3)要求输出数据格式:
- 需求分析
Map阶段:
(1)读取一行数据,切分字段
(2)从字段中抽取出手机号、上行流量、下行流量。
(3)以手机号为key,bean对象为value输出。
(4) bean对象要想能够传输,必须实现序列化接口
Reduce阶段:
累加上行流量和下行流量得到总流量。
- 编写MapReduce程序
(1)编写流量统计的Bean对象
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
/**
* 描述 上行流量 下行流量 总流量
*
* 因为要写到磁盘,因此该类要实现Hadoop的序列化接口
*/
public class FlowBean implements Writable {
private long upFlow;
private long downFlow;
private long sumFlow;
/**
* 反序列化时,需要反射调用空参构造器,所以必须有
*/
public FlowBean(){
super();
}
/**
* 序列化方法
*/
@Override
public void write(DataOutput dataOutput) throws IOException {
dataOutput.writeLong(upFlow);
dataOutput.writeLong(downFlow);
dataOutput.writeLong(sumFlow);
}
/**
* 反序列化方法
*
* 注意:反序列化的顺序要与序列化的顺序一致。
*/
@Override
public void readFields(DataInput dataInput) throws IOException {
upFlow = dataInput.readLong();
downFlow = dataInput.readLong();
sumFlow = dataInput.readLong();
}
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long dowanFlow) {
this.downFlow = dowanFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
//编写toString方法,方便后续切割或使用
@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow;
}
//为了方便统计总流量
public void set(long upFlow,long dowanFlow){
this.upFlow = upFlow;
this.downFlow = dowanFlow;
this.sumFlow = upFlow + dowanFlow;
}
}
(2)编写Mapper类
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowCountMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
Text outK = new Text();
FlowBean outV = new FlowBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1. 获取一行,
String line = value.toString();
//2. 切割字段
String[] split = line.split("\t");
//处理数据
//取出手机号
String k = split[1];
outK.set(k);
//取出上行流量和下行流量
String upFlow = split[split.length - 3];
String downFlow = split[split.length - 2];
outV.set(Long.parseLong(upFlow),Long.parseLong(downFlow));
//写出
context.write(outK,outV);
}
}
(3)编写Reducer类
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowCountReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
FlowBean v = new FlowBean();
@Override
protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
//汇总
int totalUpFlow = 0;
int totalDownFlow = 0;
int totalSumFlow = 0;
//遍历所有bean,将其中的上行流量,下行流量,总流量分别累加
for (FlowBean flowBean : values) {
totalUpFlow += flowBean.getUpFlow();
totalDownFlow += flowBean.getDownFlow();
totalSumFlow += flowBean.getSumFlow();
}
//封装对象
v.setUpFlow(totalUpFlow);
v.setDownFlow(totalDownFlow);
v.setSumFlow(totalSumFlow);
//写出
context.write(key, v);
}
}
(4)编写Driver驱动类
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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.io.IOException;
public class FlowCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
args = new String[] {"e:/file/test/intout/inputWord","e:/file/test/intout/output"};
//1. 获取Job
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2. 指定本程序的jar包所在的本地路径
job.setJarByClass(FlowCountDriver.class);
//3. 关联Mapper 和 Reducer
job.setMapperClass(FlowCountMapper.class);
job.setReducerClass(FlowCountReducer.class);
//4. 设置Map输出的key和value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
//5. 设置最终输出的key和value的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//6. 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//7. 提交Job中配置的相关参数等
job.waitForCompletion(true);
}
}
(5)运行:
部分运行结果截图: