HDFS学习笔记（8）mapreduce原理

Map-Reduce的思想   

   MapReduce 从它名字上来看就大致可以看出个缘由，两个动词Map和Reduce，“Map（展开）”就是将一个任务分解成为多个任务，“Reduce”就是将分解后 多任务处理的结果汇总起来，得出最后的分析结果。这不是什么新思想，其实在前面提到的多线程，多任务的设计就可以找到这种思想的影子。不论是现实社会，还 是在程序设计中，一项工作往往可以被拆分成为多个任务，任务之间的关系可以分为两种：一种是不相关的任务，可以并行执行；另一种是任务之间有相互的依赖， 先后顺序不能够颠倒，这类任务是无法并行处理的。回到大学时期，教授上课时让大家去分析关键路径，无非就是找最省时的任务分解执行方式。在分布式系统中， 机器集群就可以看作硬件资源池，将并行的任务拆分，然后交由每一个空闲机器资源去处理，能够极大地提高计算效率，同时这种资源无关性，对于计算集群的扩展 无疑提供了最好的设计保证。任务分解处理以后，那就需要将处理以后的结果再汇总起来，这就是Reduce要做的工作。结构图如下：

网上有个简单的比喻来解释MapReduce原理：

我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“Map”。我们人越多，数书就更快。

现在我们到一起，把所有人的统计数加在一起。这就是“Reduce”。

Map-Reduce的逻辑过程

假设我们需要处理一批有关天气的数据，其格式如下：

• 按照ASCII码存储，每行一条记录
• 每一行字符从0开始计数，第15个到第18个字符为年
• 第25个到第29个字符为温度，其中第25位是符号+/-

0067011990999991950051507+0000+ 0043011990999991950051512+0022+ 0043011990999991950051518-0011+ 0043012650999991949032412+0111+ 0043012650999991949032418+0078+ 0067011990999991937051507+0001+ 0043011990999991937051512-0002+ 0043011990999991945051518+0001+ 0043012650999991945032412+0002+ 0043012650999991945032418+0078+

现在需要统计出每年的最高温度。

Map-Reduce主要包括两个步骤：Map和Reduce

每一步都有key-value对作为输入和输出：

• map阶段的key-value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进程处理，其中key为此行的开头相对于文件的起始位置，value就是此行的字符文本
• map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应

对于上面的例子，在map过程，输入的key-value对如下：

(0, 0067011990999991950051507+0000+) (33, 0043011990999991950051512+0022+) (66, 0043011990999991950051518-0011+) (99, 0043012650999991949032412+0111+) (132, 0043012650999991949032418+0078+) (165, 0067011990999991937051507+0001+) (198, 0043011990999991937051512-0002+) (231, 0043011990999991945051518+0001+) (264, 0043012650999991945032412+0002+) (297, 0043012650999991945032418+0078+)

在map过程中，通过对每一行字符串的解析，得到年-温度的key-value对作为输出：

(1950, 0) (1950, 22) (1950, -11) (1949, 111) (1949, 78) (1937, 1) (1937, -2) (1945, 1) (1945, 2) (1945, 78)

在reduce过程，将map过程中的输出，按照相同的key将value放到同一个列表中作为reduce的输入

(1950, [0, 22, –11]) (1949, [111, 78]) (1937, [1, -2]) (1945, [1, 2, 78])

在reduce过程中，在列表中选择出最大的温度，将年-最大温度的key-value作为输出：

(1950, 22) (1949, 111) (1937, 1) (1945, 78)

其逻辑过程可用如下图表示：

编写Map-Reduce程序

编写Map-Reduce程序，一般需要实现两个函数：mapper中的map函数和reducer中的reduce函数。

一般遵循以下格式：

• map: (K1, V1)  ->  list(K2, V2)

public interface Mapper<K1, V1, K2, V2> extends JobConfigurable, Closeable {   void map(K1 key, V1 value, OutputCollector<K2, V2> output, Reporter reporter)   throws IOException; }

• reduce: (K2, list(V))  ->  list(K3, V3) 

public interface Reducer<K2, V2, K3, V3> extends JobConfigurable, Closeable {   void reduce(K2 key, Iterator<V2> values,               OutputCollector<K3, V3> output, Reporter reporter)     throws IOException; }

 

对于上面的例子，则实现的mapper如下：

public class MaxTemperatureMapper extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {     @Override     public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {         String line = value.toString();         String year = line.substring(15, 19);         int airTemperature;         if (line.charAt(25) == '+') {             airTemperature = Integer.parseInt(line.substring(26, 30));         } else {             airTemperature = Integer.parseInt(line.substring(25, 30));         }         output.collect(new Text(year), new IntWritable(airTemperature));     } }

实现的reducer如下：

public class MaxTemperatureReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {     public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {         int maxValue = Integer.MIN_VALUE;         while (values.hasNext()) {             maxValue = Math.max(maxValue, values.next().get());         }         output.collect(key, new IntWritable(maxValue));     } }

 

欲运行上面实现的Mapper和Reduce，则需要生成一个Map-Reduce得任务(Job)，其基本包括以下三部分：

• 输入的数据，也即需要处理的数据
• Map-Reduce程序，也即上面实现的Mapper和Reducer
• 此任务的配置项JobConf

欲配置JobConf，需要大致了解Hadoop运行job的基本原理（后面还会细说）：

• Hadoop将Job分成task进行处理，共两种task：map task和reduce task
• Hadoop有两类的节点控制job的运行：JobTracker和TaskTracker
  • JobTracker协调整个job的运行，将task分配到不同的TaskTracker上---分发和收集
  • TaskTracker负责运行task，并将结果返回给JobTracker---执行
• Hadoop将输入的数据分成固定大小的块，我们称之input split
• Hadoop为每一个input split创建一个task，在此task中依次处理此split中的一个个记录(record)
• Hadoop会尽量让输入数据块所在的DataNode和task所执行的DataNode(每个DataNode上都有一个TaskTracker)为同一个，可以提高运行效率，所以input split的大小也一般是HDFS的block的大小。
• Reduce task的输入一般为Map Task的输出，Reduce Task的输出为整个job的输出，保存在HDFS上。
• 在reduce中，相同key的所有的记录一定会到同一个TaskTracker上面运行，然而不同的key可以在不同的TaskTracker上面运行，我们称之为partition
  • partition的规则为：(K2, V2) –> Integer， 也即根据K2，生成一个partition的id，具有相同id的K2则进入同一个partition，被同一个TaskTracker上被同一个Reducer进行处理。

public interface Partitioner<K2, V2> extends JobConfigurable {   int getPartition(K2 key, V2 value, int numPartitions); }

下图大概描述了Map-Reduce的Job运行的基本原理：

 

下面我们讨论JobConf，其有很多的项可以进行配置：

• setInputFormat：设置map的输入格式，默认为TextInputFormat，key为LongWritable, value为Text
• setNumMapTasks：设置map任务的个数，此设置通常不起作用，map任务的个数取决于输入的数据所能分成的input split的个数
• setMapperClass：设置Mapper，默认为IdentityMapper
• setMapRunnerClass：设置MapRunner, map task是由MapRunner运行的，默认为MapRunnable，其功能为读取input split的一个个record，依次调用Mapper的map函数
• setMapOutputKeyClass和setMapOutputValueClass：设置Mapper的输出的key-value对的格式
• setOutputKeyClass和setOutputValueClass：设置Reducer的输出的key-value对的格式
• setPartitionerClass和setNumReduceTasks：设置Partitioner，默认为HashPartitioner，其根据key的hash值来决定进入哪个partition，每个partition被一个reduce task处理，所以partition的个数等于reduce task的个数
• setReducerClass：设置Reducer，默认为IdentityReducer
• setOutputFormat：设置任务的输出格式，默认为TextOutputFormat
• FileInputFormat.addInputPath：设置输入文件的路径，可以使一个文件，一个路径，一个通配符。可以被调用多次添加多个路径
• FileOutputFormat.setOutputPath：设置输出文件的路径，在job运行前此路径不应该存在

当然不用所有的都设置，由上面的例子，可以编写Map-Reduce程序如下：

public class MaxTemperature {     public static void main(String[] args) throws IOException {         if (args.length != 2) {             System.err.println("Usage: MaxTemperature <input path> <output path>");             System.exit(-1);         }         JobConf conf = new JobConf(MaxTemperature.class);         conf.setJobName("Max temperature");         FileInputFormat.addInputPath(conf, new Path(args[0]));         FileOutputFormat.setOutputPath(conf, new Path(args[1]));         conf.setMapperClass(MaxTemperatureMapper.class);         conf.setReducerClass(MaxTemperatureReducer.class);         conf.setOutputKeyClass(Text.class);         conf.setOutputValueClass(IntWritable.class);         JobClient.runJob(conf);     } }