一、MapReduce概述
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。
2. MapReduce优缺点
优点
- 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。 - 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。 - 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。 - 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。
缺点
- 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。 - 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。 - 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。
3. MapReduce核心思想及进程
一个完整的 MapReduce 程序在分布式运行时有三类实例进程:
- MrAppMaster:负责整个程序的过程调度及状态协调。
- MapTask:负责 Map 阶段的整个数据处理流程。
- ReduceTask:负责 Reduce 阶段的整个数据处理流程。
MapReduce阶段组成:
- 一个MapReduce编程模型中,只能包含一个Map阶段和一个Reduce阶段,或者只有Map阶段
- 不能有多个map阶段、多个reduce阶段的情景出现
- 如果用户的业务逻辑非常复杂,就只能使用多个MapReduce程序串行执行
4. 官方 WordCount源码
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。
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 |
5. 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,传入的泛型为(<输入数据key的类型, 输入数据value的类型, 输出结果key的类型,输出结果value的类型>)
- Mapper的输入数据时Key-Value形式(key、value的类型可以自定义)
- 用户的实现类中需要重写Mapper类的map()方法,在方法中写业务逻辑
- Mapper的输出数据时key-value的形式(key、value的类型可以自定义)
- map()方法(MapTask进程)对每一个 key-value 调用一次,对输入的数据文件内容默认按行处理
Reduce阶段
- 用户自定义的Reducer需要继承自己的父类
- Reducer的输入数据类型对应Mapper的输出数据类型,也是 key-value 形式
- 用户的实现类中需要重写Reducer类的reduce()方法,在方法中写业务逻辑
- ReduceTask进程对每一组相同 key 的 key-value 组调用一次reduce()方法
Driver阶段
相当于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
6. WordCount案例实操
目的:在给定的文本文件中,统计输出每一个单词出现的总次数。
整体设计思路:
6.1 环境准备
(1)在IDEA中创建 maven 工程 MapReduceDemo
,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>
(2)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
(3)创建包名:com.huahua.mapreduce.wordcount
6.2 编写程序
需要注意的是:Mapper、Reducer、FileInputFormat、FileOutputFormat等类,在Hadoop的依赖中都有两份,
- 一个是org.apache.hadoop.mapred包中的,适用于 Hadoop1.x,其中的MapReduce既做数据处理,又做任务调度
- 一个是org.apache.hadoop.mapreduce.*包中的,适用于 Hadoop2.x及以上版本,其中的MapReduce只做数据处理,把任务调度交给了Yarn
编写Mapper类
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;
/**
* Mapper泛型:
* 输入的key类型:本程序需要将偏移量当做key,所以是LongWritable类型
* 输入的value类型:一般都是文本字符串,所以是Text类型
* 输出的key类型:本程序的Mapper输出的是单词数量,所以key是单词,Text类型
* 输出的value类型:单词的个数,所以是IntWritable类型
*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
private Text outKey = new Text();
private IntWritable outValue = new IntWritable(1); // 因为我们map阶段不聚合,每个单词出现一次就记一个1
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
String line = value.toString(); // 获取一行信息
String[] words = line.split(" ");// 拆分一行内容中的单词
for (String word : words) {
outKey.set(word); // 将word转换成Text类型
// 将 key-value 输出到 context 中,供后面的Reducer使用
context.write(outKey, outValue); // xxx单词出现了1次
}
}
}
编写Reducer类
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* Reducer泛型:
* 输入的key类型:单词字符串,即Mapper的输出的key类型
* 输入的value类型:单词出现次数(因为map没有聚合,所以每个value都是1)即mapper的输出的value类型
* 输出的key类型:单词,所以是Text类型
* 输出的value类型:汇总的单词个数,所以是IntWritable类型
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
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;
for (IntWritable value : values) {
sum += value.get(); // value是IntWritable类型,需要调用get()进行类型转换
}
outValue.set(sum);
context.write(key, outValue);
}
}
编写Driver类
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, InterruptedException, ClassNotFoundException {
// 获取job
Configuration config = new Configuration();
Job job = Job.getInstance(config);
// 设置 jar 路径
job.setJarByClass(WordCountDriver.class); // 可以直接通过当前类的全类名反射获取到jar包路径
// 关联mapper和reducer
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 设置map输出的key、value类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 设置最终输出(最终输出不一定是Reducer输出)的key、value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 设置输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path("/app/WordCount/input")); // 本地文件路径,可以输入多个
FileOutputFormat.setOutputPath(job, new Path("/app/WordCount/output/output2")); // 本地文件路径(需要是一个不存在的文件夹,否则会报错目录已存在)
// 可以调用 job.submit() 提交作业
// 为了调试,可以调用waitForCompletion,传入一个true,让程序输出监控信息
// waitForCompletion内部也是调用了 job.submit()
boolean success = job.waitForCompletion(true);
System.exit(success ? 0 : 1); // 程序退出
}
}
6.3 本地测试
本地测试需要首先配置好 HADOOP_HOME 变量以及 Windows 运行依赖,在 IDEA/Eclipse 上运行程序。
MapReduce程序执行完成之后,输出的结果文件有以下几种:
- part-r-00000:中间的r表示这个是由ReduceTask生成的结果。如果程序只有MapTask,没有ReduceTask(ReduceTask数量设置为0),则由MapTask生成结果文件为
part-m-00000- .part-r-00000.crc:生成结果的crc校验文件
- part-r-00001:如果ReduceTask数量设置的大于1,产生多个结果文件,则会依次命名为 0号、1号、2号…。也会相应的产生该文件的crc校验文件
- _SUCCESS:执行成功的标志文件
- ._SUCCESS.crc:生成标志文件的crc校验文件
6.4 在集群上测试
上面编写的程序是在本地运行的,实际中的程序应该在Hadoop集群上运行,输入的文件也应该是 hdfs 中的文件。所以需要将程序打包,将输入路径、输出路径变为可配置参数,上传到Hadoop集群,使用
hadoop jar xxx.jar
命令运行。
hadoop 集群中的目录和本地路径不一致,所以需要将输入文件路径和结果输出路径修改为args参数形式传入:
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
用 maven 打成 jar 包,在pom.xml文件添加打包插件依赖:
<build>
<plugins>
<!-- 仅打包程序,不打包依赖 -->
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.6.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<!-- 打出来带有以来的jar包 -->
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
执行package后,会在target下打出来两个jar包:
- MapReduceDemo-1.0-SNAPSHOT.jar:maven-compiler-plugin插件打出来的不带依赖的jar包
- MapReduceDemo-1.0-SNAPSHOT-jar-with-dependencies.jar:maven-assembly-plugin插件打出来的带有依赖的jar包
因为我们要在hadoop集群服务器上运行,而hadoop集群服务器上已经安装了hadoop,里面带有hadoop客户端依赖,所以我们只需要上传不带依赖的jar包就行。将MapReduceDemo-1.0-SNAPSHOT.jar 上传到hadoop服务器,执行:
# hadoop jar <jar包名称> <主启动类> <hdfs输入文件路径> <hdfs结果输出路径(该路径不能存在,否则会报错路径已存在,程序执行时会自动创建该路径)>
hadoop jar MapReduceDemo-1.0-SNAPSHOT.jar com.huahua.mapreduce.wordcount.WordCountDriver /input/ /output/
二、Hadoop序列化
1. 序列化概述
序列化:把内存中的对象,转换成字节序列(或其他数据传输协议)以便于存储到磁盘(持久化)和网络传输。
反序列化:将收到字节序列(或其他数据传输协议)或者是磁盘的持久化数据,转换成内存中的对象。
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。
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)。
Hadoop 序列化特点:
- 紧凑 :高效使用存储空间。
- 快速:读写数据的额外开销小。
- 互操作:支持多语言的交互
2. 自定义 bean 对象实现序列化接口(Writable)
在企业开发中往往常用的基本序列化类型不能满足所有需求,比如在 Hadoop 框架内部传递一个 bean 对象,那么该对象就需要实现序列化接口。
具体实现 bean 对象序列化步骤:
- 必须实现 Writable 接口
- 反序列化时,需要反射调用空参构造函数,所以必须有空参构造
public FlowBean() {
super();
}
- 重写序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
- 重写反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}
- 注意反序列化的顺序和序列化的顺序完全一致
- 要想把结果显示在文件中,需要重写 toString(),可用"\t"分开,方便后续用。
- 如果需要将自定义的 bean 放在 key 中传输,则还需要实现 Comparable 接口,因为MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。
@Override
public int compareTo(FlowBean o) {
// 倒序排列,从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}
3. 序列化案例实操
编写流量统计的 Bean 对象
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
// 继承 Writable 接口
public class FlowBean implements Writable {
private long upFlow; // 上行流量
private long downFlow; // 下行流量
private long sumFlow; // 总流量
// 提供空参构造
public FlowBean() {
}
// 提供三个参数的 getter 和 setter 方法
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
public void setSumFlow() {
this.sumFlow = this.upFlow + this.downFlow;
}
// 实现序列化和反序列化方法,注意顺序一定要保持一致
@Override
public void write(DataOutput dataOutput) throws IOException {
dataOutput.writeLong(upFlow);
dataOutput.writeLong(downFlow);
dataOutput.writeLong(sumFlow);
}
@Override
public void readFields(DataInput dataInput) throws IOException {
this.upFlow = dataInput.readLong();
this.downFlow = dataInput.readLong();
this.sumFlow = dataInput.readLong();
}
// 重写 ToString
@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow;
}
}
编写 Mapper 类
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean>
{
private Text outK = new Text();
private FlowBean outV = new FlowBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 获取一行数据,转成字符串
String line = value.toString();
// 切割数据
String[] split = line.split("\t");
// 抓取我们需要的数据:手机号,上行流量,下行流量
String phone = split[1];
String up = split[split.length - 3];
String down = split[split.length - 2];
// 封装 outK outV
outK.set(phone);
outV.setUpFlow(Long.parseLong(up));
outV.setDownFlow(Long.parseLong(down));
outV.setSumFlow();
// 写出 outK outV
context.write(outK, outV);
}
}
编写 Reducer 类
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean>
{
private FlowBean outV = new FlowBean();
@Override
protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
long totalUp = 0;
long totalDown = 0;
// 遍历 values,将其中的上行流量,下行流量分别累加
for (FlowBean flowBean : values) {
totalUp += flowBean.getUpFlow();
totalDown += flowBean.getDownFlow();
}
// 封装 outKV
outV.setUpFlow(totalUp);
outV.setDownFlow(totalDown);
outV.setSumFlow();
// 写出 outK outV
context.write(key,outV);
}
}
编写 Driver 驱动类
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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 FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 获取 job 对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 关联本 Driver 类
job.setJarByClass(FlowDriver.class);
// 关联 Mapper 和 Reducer
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class);
// 设置 Map 端输出 KV 类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
// 设置程序最终输出的 KV 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
// 设置程序的输入输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\inputflow"));
FileOutputFormat.setOutputPath(job, new Path("D:\\flowoutput"));
// 提交 Job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}