通过简单的Word Count讲解MapReduce原理以及Java实现

MapReduce原理：

      MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是"任务的分解与结果的汇总"。

 

　　在Hadoop中，用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker。

 

　　在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。

 

需要注意的是，用MapReduce来处理的数据集（或任务）必须具备这样的特点：待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。

在Hadoop中，每个MapReduce任务都被初始化为一个Job，每个Job又可以分为两种阶段：map阶段和reduce阶段。这两个阶段分别用两个函数表示，即map函数和reduce函数。map函数接收一个形式的输入，然后同样产生一个形式的中间输出，Hadoop函数接收一个如形式的输入，然后对这个value集合进行处理，每个reduce产生0或1个输出，reduce的输出也是形式的。

下面以一个最简单的例子说明：

单词计数是最简单也是最能体现MapReduce思想的程序之一，可以称为MapReduce版"Hello World"，该程序的完整代码可以在Hadoop安装包的"src/examples"目录下找到。单词计数主要完成功能是：统计一系列文本文件中每个单词出现的次数，如下图所示。

 

package org.apache.hadoop.examples;

 

import java.io.IOException;

 

import java.util.StringTokenizer;

 

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.Mapper;

 

import org.apache.hadoop.mapreduce.Reducer;

 

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

 

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

 

import org.apache.hadoop.util.GenericOptionsParser;

 

public class WordCount {

 

　　public static class TokenizerMapper

 

　　　　　　extends Mapper {

 

　　　　　　private final static IntWritable one = new IntWritable(1);

 

　　　　　　private Text word = new Text();

 

 

 

　　　　　　public void map(Object key, Text value, Context context)

 

　　　　　　　　throws IOException, InterruptedException {

 

　　　　　　　　StringTokenizer itr = new StringTokenizer(value.toString());

 

　　　　　　　　while (itr.hasMoreTokens()) {

 

　　　　　　　　word.set(itr.nextToken());

 

　　　　　　　　context.write(word, one);

 

　　　　　　}

 

　　　　}

 

　　}

 

　　public static class IntSumReducer

 

　　　　　　extends Reducer {

 

　　　　　　private IntWritable result = new IntWritable();

 

　　　　　　public void reduce(Text key, Iterable values,Context context)

 

　　　　　　　　　　 throws IOException, InterruptedException {

 

　　　　　　　　int sum = 0;

 

　　　　　　　　for (IntWritable val : values) {

 

　　　　　　　　　　　sum += val.get();

 

　　　　　　　　}

 

　　　　　　result.set(sum);

 

　　　　　　context.write(key, result);

 

　　　　}

 

　　}

 

 

 

　　public static void main(String[] args) throws Exception {

 

　　　　Configuration conf = new Configuration();

 

　　　　String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();

 

　　　　if (otherArgs.length != 2) {

 

　　　　　　System.err.println("Usage: wordcount ");

 

　　　　　　System.exit(2);

 

　　　　}

 

　　　　Job job = new Job(conf, "word count");

 

　　　　job.setJarByClass(WordCount.class);

 

　　　　job.setMapperClass(TokenizerMapper.class);

 

　　　　job.setCombinerClass(IntSumReducer.class);

 

　　　　job.setReducerClass(IntSumReducer.class);

 

　　　　job.setOutputKeyClass(Text.class);

 

　　　　job.setOutputValueClass(IntWritable.class);

 

　　　　FileInputFormat.addInputPath(job, new Path(otherArgs[0]));

 

　　　　FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));

 

　　　　System.exit(job.waitForCompletion(true) ? 0 : 1);

 

}

 

}

 

Map过程需要继承org.apache.hadoop.mapreduce包中Mapper类，并重写其map方法。通过在map方法中添加两句把key值和value值输出到控制台的代码，可以发现map方法中value值存储的是文本文件中的一行（以回车符为行结束标记），而key值为该行的首字母相对于文本文件的首地址的偏移量。然后StringTokenizer类将每一行拆分成为一个个的单词，并将作为map方法的结果输出，其余的工作都交有MapReduce框架处理。

Reduce过程需要继承org.apache.hadoop.mapreduce包中Reducer类，并重写其reduce方法。Map过程输出中key为单个单词，而values是对应单词的计数值所组成的列表，Map的输出就是Reduce的输入，所以reduce方法只要遍历values并求和，即可得到某个单词的总次数。

在MapReduce中，由Job对象负责管理和运行一个计算任务，并通过Job的一些方法对任务的参数进行相关的设置。此处设置了使用TokenizerMapper完成Map过程中的处理和使用IntSumReducer完成Combine和Reduce过程中的处理。还设置了Map过程和Reduce过程的输出类型：key的类型为Text，value的类型为IntWritable。任务的输出和输入路径则由命令行参数指定，并由FileInputFormat和FileOutputFormat分别设定。完成相应任务的参数设定后，即可调用job.waitForCompletion()方法执行任务。

 

Hadoop提供了如下内容的数据类型，这些数据类型都实现了WritableComparable接口，以便用这些类型定义的数据可以被序列化进行网络传输和文件存储，以及进行大小比较。

 

 

 

    BooleanWritable：标准布尔型数值

 

    ByteWritable：单字节数值

 

    DoubleWritable：双字节数

 

    FloatWritable：浮点数

 

    IntWritable：整型数

 

    LongWritable：长整型数

 

    Text：使用UTF8格式存储的文本

 

    NullWritable：当中的key或value为空时使用