1、MapReduce概述
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
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。
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核心编程思想
(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ReduceTask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。
总结:分析WordCount数据流走向深入理解MapReduce核心思想。
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
采用反编译工具反编译源码,发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型。
1.6 常用数据序列化类型
Java类型 | Hadoop Writable类型 |
---|---|
Boolean | BooleanWritable |
Byte | ByteWritable |
Int | IntWritable |
Float | FloatWritable |
Long | LongWritable |
Double | DoubleWritable |
String | Text |
Map | MapWritable |
Array | ArrayWritable |
Null | NullWritable |
1.7 MapReduce 编程规范
用户编写的程序分成三个部分:Mapper、Reducer和Driver。
-
Mapper阶段
- 用户
自定义的Mapper
要继承自己的父类 - Mapper的
输入数据
是KV对的形式(KV的类型可自定义) - Mapper中的
业务逻辑写在map()方法中
- Mapper的
输出数据
是KV对的形式(KV的类型可自定义) map()方法(MapTask进程)对每一个<K,V>调用一次
- 用户
-
Reducer阶段
- 用户自定义的Reducer要继承自己的父类
- Reducer的
输入数据
类型对应Mapper的输出数据类型,也是KV - Reducer的
业务逻辑写在reduce()方法中
ReduceTask进程对每一组相同k的<k,v>调用一次reduce()方法
-
Driver阶段
相对于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
。
2、WordCount案例实操
1. 本地测试
-
需求
在给定的文本文件中统计输出每一个单词出现的次数
-
期望输出数据
atguigu 2 banzhang 1 cls 2 hadoop 1 jiao 1 ss 2 xue 1
-
需求分析
按照MapReduce编程规范,分别编写Mapper,Reducer,Driver。
-
环境准备
(1)创建maven工程,MapReduceDemo
(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>
(3)在项目的
src/main/resources
目录下,新建一个文件,命名为“log4j.properties
”,在文件中填入。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
-
编写程序
(1)编写Mapper类
package com.chif.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 java.io.IOException; public class WordCountMapper extends Mapper<LongWritable, Text,Text, IntWritable> { //懒汉式 Text k = new Text(); IntWritable v = new IntWritable(1); /** * map()方法(MapTask进程)对每一个<K,V>调用一次 * @param key * @param value * @param context * @throws IOException * @throws InterruptedException */ @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 String[] words = line.split(" "); //3 输出 for (String word : words) { k.set(word); context.write(k,v); } } }
(2)编写Reducer类
package com.chif.mapreduce.wordcount; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> { //懒汉式 int sum; IntWritable v=new IntWritable(); /** * ReduceTask进程对每一组相同k的<k,v>调用一次reduce()方法 * @param key * @param values * @param context * @throws IOException * @throws InterruptedException */ @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { //1 累加求和 sum=0; for (IntWritable count : values) { sum+=count.get(); } //2 输出 v.set(sum); context.write(key,v); } }
(3)编写Driver驱动类
package com.chif.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 java.io.IOException; public class WordCountDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { //1 获取配置信息以及获取job对象 Configuration conf = new Configuration(); //指定hadoop运行时在本地的临时工作目录 conf.set("hadoop.tmp.dir", "D:/tmp/mapreduce_tmp_cache"); Job job = Job.getInstance(conf); //2 关联本Driver程序的jar job.setJarByClass(WordCountDriver.class); //3 设置Mapper输出的kv类型 job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); //4 设置Mapper输出的kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); // 5 设置最终输出kv类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); //6 设置输入和输出路径 FileInputFormat.setInputPaths(job,new Path("C:\\Users\\Chef Liu\\Desktop\\Big\\input")); FileOutputFormat.setOutputPath(job,new Path("C:\\Users\\Chef Liu\\Desktop\\Big\\output")); //7 提交job boolean result = job.waitForCompletion(true); System.exit(result ? 0 : 1); } }
-
本地测试
(1)需要首先配置好HADOOP_HOME变量以及Windows运行依赖
(2)在IDEA上运行程序
2.提交到集群测试
- 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>
</plugin>
</plugins>
</build>
注意:如果工程上显示红叉。在项目上右键->maven->Reimport刷新即可。
-
将程序打成jar包
-
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。 -
启动Hadoop集群
[atguigu@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh [atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
-
执行WordCount程序
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop jar wc.jar com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu/input /user/atguigu/output