MapReduce入门详解（以WordCount为例）

大致介绍MapReduce

Hadoop MapReduce是一个软件框架，可以轻松地编写应用程序，在大型集群(数千个节点)上以可靠、容错的方式并行处理大量数据(tb数据集)。
MapReduce作业通常将输入数据集分割成独立的块，由map任务以完全并行的方式处理这些块。框架对映射的输出进行排序，然后将其输入到reduce任务中。作业的输入和输出通常都存储在文件系统中。框架负责调度。

MapReduce的优缺点

一、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
可以实现上千台服务器集群并发工作，提供数据处理能力。
二、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
**即不擅长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。

以WordCount为例介绍MapReduce的核心思想（重点）

大致流程图

1)Input split阶段

在进行Map之前，Hadoop会根据输入文件的大小进行一次分割。分割后，会形成一个Key-Value键值对，这个键值对会被当作Map的输入键值对。一般而言，该键值对是（输入分割好文件的位置-分割的数据）。注意：一般而言，切割的成碎片的大小和HDFS的块大小相近。如果我们的HDFS的Block块大小为128MB，然后，有三个输入文件，大小分别为10MB，256MB,127MB。
那么就会形成5个MapTask。每一个MapTask回去执行各自里面的数据。
以WordCount为例：

假设我们现在有三个文件大小分别为10MB，256MB,127MB。那么它会在Input split阶段被分割成5个MapTask、分别为10MB，两个128MB，一个128MB。里面保存的就是数据。

2）Map阶段

前面我们已经进行了Input Split。形成了5个MapTask。那么在每个MapTask中还是会进行切割，此时的切割是根据数据进行的切割。切割的结果仍然是Key-Value键值对。该切割的键值对是Map的输入键值对。这些键值对进行输入后，会在经过程序员自己重写的map函数进行处理。
以WordCount为例：

切割好的键值对为：（位置偏移量-文件内容） 如
0-Hadoop Java
13-Hadoop Java
27-Zookeeper

以上键值对会作为map函数的输入键值对。然后进入map类进行处理

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    private Text outKey = new Text();
    private IntWritable outValue = new IntWritable(1);

    @Override
    //注意：LongWritable key, Text value, 即使上面的键值对
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String words[] = line.split(" ");
        for (String word : words) {
            outKey.set(word);
            context.write(outKey, outValue);
        }

    }
}

在上面的map函数进行处理到 context.write(outKey, outValue);这一步时，就相当于Map完成。例如 生成了 Hadoop 1。这个键值对会保存在Context中。（Context主要用于完成Map和Reduce的交互对接，这是笔者的理解，有什么不对的地方，欢迎大家在评论区留言）。
当所有的MapTask都进行完之后，相当于Map阶段已经完成。而每个MapTask将所有的输出键值对保存再了Context中。

Map Task流程图

MapTask于Context的交互过程如下图所示：

3）Shuffting阶段

该阶段过于复杂，暂时不讲，之后会在开一个博客细讲。大家在这里就先了解，在Map阶段结束后，所有的输出键值对会进行sort(排序)和整合（即相同的会组合到一起生成一个新的键值对，该键值对即使Reduce的输入键值对）
以上述WordCount为例子：
Map的输出键值对会被整理成
<Hadoop ,(1,1)>
<Java (1,1)>
<Zookeeper（1，0）>
<Hive,(1.0)>
<C++,(1,0)>
<BigData,(1,0)>
以上键值对会成为Reduce的输入键值对

4）Reduce阶段

Reduce的模式基本和Map的模式差不多。不同的是，Reduce所需要的输入键值对是经过Map,Shuffit之后形成的键值对。它会根据前面的生成的Map Task的个数和最后Map输出键值对的大小来生成对应的Reduce Task。
Reduce Task对生成最终结果。所有Reduce Task的结果整合就是最终的结果。
以上述WordCount为例，解释Reduce

package com.mapreducer.WordCount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @author 杨铭
 * 2022/4/15,22:04
 */
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
   private IntWritable outValue= new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        int sum=0;
        //key :hadoop value:(1,1);
        //累加计数
        for (IntWritable value : values) {
            sum+=value.get();
        }
        outValue.set(sum);
        context.write(key,outValue);
    }
}

Reduce Task的流程图

提交Job

提交Job中的原理属于Yarn的内容，后续，博主在编写Yarn相关博客时，会在细讲。
作业提交的代码是一个固定的步骤，以WordCount为例，如下：

package com.mapreducer.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;

/**
 * @author 杨铭
 * 2022/4/15,22:11
 */
public class WordCountDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        //1、获取Job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //设置jar包路径
        job.setJarByClass(WordCountDriver.class);
        //3、关联map和reducer
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);
        //4、设置map的输出kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        //5、设置最终输出的kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //6、设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        //7、提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);

    }
}

附件（MapReduce中的变量和Java中变量的对应关系）

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

博主写博客不易，希望大家可以点赞，关注！谢谢！