7.MapReduce

一 MapReduce  入门
1.1 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，并发运行在一个 hadoop 集群上。

1.2 MapReduce  优缺点
1.2.1  优点
1 ）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。就是因为这个特点使得 MapReduce 编程变得非常流行。
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 。这里加红字体离线处理，说明它适合离线处理而不适合在线处理。比如像毫秒级别的返回一个结果，MapReduce 很难做到。
1.2.2  缺点
MapReduce  不 擅长做实时计算、流式计算、DAG （ 有向图 ） 计算。
1 ）实时计算。MapReduce 无法像 Mysql 一样，在毫秒或者秒级内返回结果。
2 ）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 ）DAG （有向图）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

1）分布式的运算程序往往需要分成至少 2 个阶段。
2）第一个阶段的 maptask 并发实例，完全并行运行，互不相干。
3）第二个阶段的 reduce task 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask 并发实例的输出。
4）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。

 

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 MapReduce  编程规范 （八股文）
开发中编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行 mr 程序的客户端)
1）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
2）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 的<k,v>组调用一次 reduce()方法
3）Driver 阶段
整个程序需要一个 Drvier 来进行提交，提交的是一个描述了各种必要信息的 job 对象
4）案例实操
 统计一堆文件中单词出现的个数（WordCount 案例）见文末尾。

 

二 Hadoop  序列化
2.1  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”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。
2.2  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）以便于存储（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）或者是硬盘的持久化数据，转换成内存中的对象。

2.3  为什么不用 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），精简、高效。
2.4  为什么序列化对 Hadoop  很重要？
因为 Hadoop 在集群之间进行通讯或者 RPC 调用的时候，需要序列化，而且要求序列化要快，且体积要小，占用带宽要小。所以必须理解 Hadoop 的序列化机制。序列化和反序列化在分布式数据处理领域经常出现：进程通信和永久存储。然而 Hadoop
中各个节点的通信是通过远程调用（RPC）实现的，那么 RPC 序列化要求具有以下特点：
1）紧凑：紧凑的格式能让我们充分利用网络带宽，而带宽是数据中心最稀缺的资
2）快速：进程通信形成了分布式系统的骨架，所以需要尽量减少序列化和反序列化的性能开销，这是基本的；
3）可扩展：协议为了满足新的需求变化，所以控制客户端和服务器过程中，需要直接引进相应的协议，这些是新协议，原序列化方式能支持新的协议报文；
4）互操作：能支持不同语言写的客户端和服务端进行交互；

2.5  常用数据 序列化类型
常用的数据类型对应的 hadoop 数据序列化类型

Java	Hadoop Writable  类型
boolean	BooleanWritable
byte	ByteWritable
int	IntWritable
float	FloatWritable
long	LongWritable
double	DoubleWritable
string	Text
map	MapWritable
array	ArrayWritable

WordCount 案例

1，Mapper阶段，新建一个类继承Mapper，完成分词操作，经过这个阶段产生的结果如 单词：次数的键值对形式
hadoop : 1
spark : 1
storm : 1
hive : 1
hadoop : 1

 

package com.atguigu.mapreduce.wordcount;

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:输入数据的key 文件的行号
 * VALUEIN：每行的输入数据
 * 
 * KEYOUT：输出数据 的key 
 * VALUEOUT:输出数据的value类型
 * 
 * @author huangyu
 *
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>

{
	//避免每次都创建新的对象
	Text k = new Text();
	IntWritable v = new IntWritable(1);
	
	
	@Override
	protected void map(LongWritable key, Text value, Context context)
			throws IOException, InterruptedException {
		// TODO Auto-generated method stub
		// 1,获取到每一行的输入
		String line = value.toString();
		// 2,获取到每一个单词
		String[] words = line.split(" ");
		// 3,输出每一个单词
		for (String word : words) {
			k.set(word);
			context.write(k,v);
		}
	}
}

2，Reducer阶段，根据Mapper阶段的分词结果完成合并统计。新建一个类继承Reducer并重写reducer方法

package com.atguigu.mapreduce.wordcount;

import java.io.IOException;

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 {
		// TODO Auto-generated method stub
		//1,统计所有单词个数
		int count = 0;
		for (IntWritable value : values) {
			count += value.get();
		}
		//2,输出所有单词个数
		context.write(key, new IntWritable(count));
	}
}

3，整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象

package com.atguigu.mapreduce.wordcount;

import java.io.IOException;

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 IOException, ClassNotFoundException, InterruptedException {
		//1,获取job对象信息
		Configuration conf = new Configuration();
		 Job job = Job.getInstance(conf);
		//2,设置加载jar位置
		job.setJarByClass(WordCountDriver.class);
		//3,设置mapper和reducer的class类
		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);
		
		//4,设置输出mapper的数据类型
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);
		//5,设置最终数据输出类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		//6,设置输入数据和输出数据路径
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		//7,提交
		boolean result = job.waitForCompletion(true);
		System.exit(result?0:1);
	}
}

测试执行有两种方式：

1，本地Run as 选择run configurations在Arguments页中填写文件的输入路径和输出路径

2，将工程打成jar包，上传到服务器中运行jar

待计算内容：

结果展示：