MapReduce是一种分布式计算框架,又称并行计算框架,主要用于搜索领域,解决海量数据的计算问题。MR由两个阶段组成:Map和Reduce,这里用户只需要实现map()和reduce()两个函数,即可实现分布式计算,听起来是不是感觉很简单的样子
如果要对MR有更深入的了解,就需要对MR的执行流程有更深入的了解了。这里先对MR执行流程做一个理论的介绍,之后举例论证这些流程,最后代码实现。
MR执行流程理论介绍,吴超老师号称该流程为天龙八步
1.map任务处理流程
1.1 读取输入文件内容,解析成key、value对(这个时候的键值对一般简称为k1、v1,k1取值一般为文件的偏移量,v1取值为该行的文本值)。对输入文件的每一行,解析成key、value对。每一个键值对调用一次map函数
1.2写自己业务处理,对输入的key、value处理,转换成新的key、value(这个时候的key、value简称为k2、v2)输出
1.3对输出的key、value进行分区(也就是对数据分类,像红球、白球)。一个分区对应一个reduce函数处理
1.4对不同分区的数据,按照Key进行排序(对象key实现了自身的compare方法,系统自动进行排序)、分组(这里可以理解成对分区的数据按照某一标准在进一步划分,如球的大小),相同key的value系统会自动放到一个集合中。一个分组对应调用一次reduce函数
1.5分组后的数据进行归约(可选,一般reduce接受到的key、value数据类型跟处理后输出的key、value数据类型一致时才进行归约,归约可以看成合并,节省了在reduce阶段合并的时间,提高了效率)
2.reduce任务处理
2.1 对多个map任务的输出,按照不同的分区,通过网络copy到不同的reduce节点。
2.2对多个map任务的输出进行合并、排序。写reduce函数自己的逻辑,对输入的key、value处理(这个时候处理出来的key、value是一个key,对应一个value集合),转换成新的key、value输出。
2.3把reduce的输出保存到文件中。至此,MR处理结束
举例论证
需求:现有一个文件,里面记录了些许英语单词,现在统计这些单词的个数。
1.创建map函数
/**
* KEYIN 即k1 表示行的偏移量
* VALUEIN 即v1 表示行文本内容
* KEYOUT 即k2 表示行中出现的单词
* VALUEOUT 即v2 表示行中出现的单词的次数,固定值1
*/
static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException {
final Counter helloCounter = context.getCounter("Sensitive Words", "hello");//MR内置计数器
final String line = v1.toString();
if(line.contains("hello")){
//记录敏感词出现在一行中
helloCounter.increment(1L);//自动加1
}
final String[] splited = line.split("\t");//单词之间以制表符\t分隔
for (String word : splited) {
context.write(new Text(word), new LongWritable(1));
}
};
}
2.创建reduce函数
/**
* KEYIN 即k2 表示行中出现的单词
* VALUEIN 即v2 表示行中出现的单词的次数
* KEYOUT 即k3 表示文本中出现的不同单词
* VALUEOUT 即v3 表示文本中出现的不同单词的总次数
*
*/
static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException {
long times = 0L;
for (LongWritable count : v2s) {
times += count.get();
}
ctx.write(k2, new LongWritable(times));//输出指定路径的hdfs系统中
};
}
3.创建执行任务计算job
Configuration conf = new Configuration();
final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
final Path outPath = new Path(OUT_PATH);
if(fileSystem.exists(outPath)){
fileSystem.delete(outPath, true);
}
final Job job = new Job(conf , WordCountApp.class.getSimpleName());
//1.1指定读取的文件位于哪里
FileInputFormat.setInputPaths(job, INPUT_PATH);
//指定如何对输入文件进行格式化,把输入文件每一行解析成键值对
//job.setInputFormatClass(TextInputFormat.class);
//1.2 指定自定义的map类
job.setMapperClass(MyMapper.class);
//map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致,则可以省略
//job.setMapOutputKeyClass(Text.class);
//job.setMapOutputValueClass(LongWritable.class);
//1.3 分区
//job.setPartitionerClass(HashPartitioner.class);
//有一个reduce任务运行
//job.setNumReduceTasks(1);
//1.4 TODO 排序、分组
//1.5 TODO 规约
//2.2 指定自定义reduce类
job.setReducerClass(MyReducer.class);
//指定reduce的输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//2.3 指定写出到哪里
FileOutputFormat.setOutputPath(job, outPath);
//指定输出文件的格式化类
//job.setOutputFormatClass(TextOutputFormat.class);
//把job提交给JobTracker运行
job.waitForCompletion(true);
至此,MR整个的理论加举例的整体执行流程已经很清楚了。单词计数的分区、排序、分组执行流程不很明显,现做另外举例讲解。
需求:手机上网会有日志记录,一行日志记录会包含手机号、上网时间戳、上传文件流量、下载流量等一些数据。现统计各个手机号的下载、上传流量的记录和。
1.分区
1.1创建日志记录对象
class KpiWritable implements Writable{
long upPackNum;
long downPackNum;
long upPayLoad;
long downPayLoad;
public KpiWritable(){}
public KpiWritable(String upPackNum, String downPackNum, String upPayLoad, String downPayLoad){
this.upPackNum = Long.parseLong(upPackNum);
this.downPackNum = Long.parseLong(downPackNum);
this.upPayLoad = Long.parseLong(upPayLoad);
this.downPayLoad = Long.parseLong(downPayLoad);
}
@Override
public void readFields(DataInput in) throws IOException {
this.upPackNum = in.readLong();
this.downPackNum = in.readLong();
this.upPayLoad = in.readLong();
this.downPayLoad = in.readLong();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upPackNum);
out.writeLong(downPackNum);
out.writeLong(upPayLoad);
out.writeLong(downPayLoad);
}
@Override
public String toString() {
return upPackNum + "\t" + downPackNum + "\t" + upPayLoad + "\t" + downPayLoad;
}
}
1.2分区
static class KpiPartitioner extends HashPartitioner<Text, KpiWritable>{
@Override//返回的是处理分区数据的reduce函数下标
public int getPartition(Text key, KpiWritable value, int numReduceTasks) {
return (key.toString().length()==11)?0:1;
}
}
1.3设置调用分区
//1.3 指定分区类
job.setPartitionerClass(KpiPartitioner.class);
job.setNumReduceTasks(2);
需求:有数值对 a b ,当第一个数不同时,升序;当第一个数相同时,第二个数升
2.排序,系统自动调用比较函数,进行排序
static class NewK2 implements WritableComparable<NewK2>{
Long first;
Long second;
public NewK2(){}
public NewK2(long first, long second){
this.first = first;
this.second = second;
}
@Override
public void readFields(DataInput in) throws IOException {
this.first = in.readLong();
this.second = in.readLong();
}
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(first);
out.writeLong(second);
}
@Override
public int compareTo(NewK2 o) {
final long minus = this.first - o.first;//当k2进行排序时,会调用该方法.当第一列不同时,升序;当第一列相同时,第二列升序
if(minus !=0){
return (int)minus;
}
return (int)(this.second - o.second);
}
@Override
public int hashCode() {
return this.first.hashCode()+this.second.hashCode();
}
@Override
public boolean equals(Object obj) {
if(!(obj instanceof NewK2)){
return false;
}
NewK2 oK2 = (NewK2)obj;
return (this.first==oK2.first)&&(this.second==oK2.second);
}
}
3.分组,需求:按照数值对第一个数分组
static class MyGroupingComparator implements RawComparator<NewK2>{
@Override
public int compare(NewK2 o1, NewK2 o2) {//返回0表示是同一组
return (int)(o1.first - o2.first);
}
/**
* @param arg0 表示第一个参与比较的字节数组
* @param arg1 表示第一个参与比较的字节数组的起始位置
* @param arg2 表示第一个参与比较的字节数组的偏移量
*
* @param arg3 表示第二个参与比较的字节数组
* @param arg4 表示第二个参与比较的字节数组的起始位置
* @param arg5 表示第二个参与比较的字节数组的偏移量
*/
@Override
public int compare(byte[] arg0, int arg1, int arg2, byte[] arg3,
int arg4, int arg5) {
return WritableComparator.compareBytes(arg0, arg1, 8, arg3, arg4, 8);
}
}
//1.4 TODO 排序、分区
job.setGroupingComparatorClass(MyGroupingComparator.class);