大数据MapReduce的原理小结

MapReduce定义

1. MapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.
2. MapReduce是分布式运行的，由两个阶段组成：Map和Reduce，Map阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。Reduce阶段是一个独立的程序，有很多个节点同时运行，每个节点处理一部分数据。
3. MapReduce框架都有默认实现，用户只需要覆盖map()和reduce()两个函数，即可实现分布式计算，非常简单。

原理

• 在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个map任务的输入。
• 当Hadoop处理很多小文件（文件大小小于hdfs block大小）的时候，由于FileInputFormat不会对小文件进行划分，所以每一个小文件都会被当做一个split并分配一个map任务，会有大量的map task运行，导致效率底下。

map阶段

• 框架使用InputFormat类的子类把输入文件(夹)划分为很多InputSplit，默认，每个HDFS的block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认，框架对每个InputSplit中的每一行，解析成一个<k1,v1>。
• 框架调用Mapper类中的map(…)函数，map函数的形参是<k1,v1>对，输出是<k2,v2>对。一个InputSplit对应一个map task。程序员可以覆盖map函数，实现自己的逻辑。
• (假设reduce存在)框架对map输出的<k2,v2>进行分区。不同的分区中的<k2,v2>由不同的reduce task处理。默认只有1个分区。(假设reduce不存在)框架对map结果直接输出到HDFS中。
• (假设reduce存在)框架对每个分区中的数据，按照k2进行排序、分组。分组指的是相同k2的v2分成一个组。注意：分组不会减少<k2,v2>数量。
• (假设reduce存在，可选)在map节点，框架可以执行reduce归约。
• (假设reduce存在)框架会对map task输出的<k2,v2>写入到linux 的磁盘文件中。 至此，整个map阶段结束.

reduce阶段

• 框架对多个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。这个过程称作shuffle。
• 框架对reduce端接收的[map任务输出的]相同分区的<k2,v2>数据进行合并、排序、分组。
• 框架调用Reducer类中的reduce方法，reduce方法的形参是<k2,{v2…}>，输出是<k3,v3>。一个<k2,{v2…}>调用一次reduce函数。程序员可以覆盖reduce函数，实现自己的逻辑.
• 框架把reduce的输出保存到HDFS中。 至此，整个reduce阶段结束。

代码示例1（单词统计）

package deno;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class MapReduceWC {
//第一部分，写map阶段
//指定map输出输出的key和value的序列化类型。
	public static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
//map函数，处理每一行数据。一行数据是一个对象，调用一次map函数。
//	context 这个参数是上下文的意思，里面包括整个任务信息，可以执行数据写入写出
		protected void map(LongWritable key, Text value,
				org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, Text, LongWritable>.Context context)
				throws java.io.IOException, InterruptedException {
			// 先将该行数据转换成字符串类型
			String line = value.toString();
			// 将一行数据进行切分。按照数据的分隔符。
			String[] split = line.split(",");
			// 遍历数组
			for (String word : split) {
				// 组建 k2和v2，单词统计将 value写死 是 1
				// 数据通过context写入到磁盘
				context.write(new Text(word), new LongWritable(1L));
			}
		};
	}

//第二部分，写Reduce阶段	
	public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable> {
		// 同样是有reduce函数
		@Override
		protected void reduce(Text k2, Iterable<LongWritable> v2s,
				Reducer<Text, LongWritable, Text, LongWritable>.Context context)
				throws IOException, InterruptedException {
			// 将value加起来，聚合
			long count = 0l;
			for (LongWritable value : v2s) {
				count += value.get();
			}
			// 将结果输出，输出到hdfs上
			context.write(k2, new LongWritable(count));
		}
	}

	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		// 设置配置参数
		Configuration conf = new Configuration();
		// 创建任务
		Job job = Job.getInstance(conf, MapReduceWC.class.getSimpleName());
		// 指定jar文件
		job.setJarByClass(MapReduceWC.class);
		// 指定输入路径，数据在hdfs上的输入路径,指定第一个参数是hdfs输入路径
		FileInputFormat.addInputPath(job, new Path(args[0]));
		// 指定map的类
		job.setMapperClass(MyMapper.class);
		// 指定map输出的key和value的数据类型。
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(LongWritable.class);

		// 指定reduce类以及输出数据类型。
		job.setReducerClass(MyReduce.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(LongWritable.class);
		// 指定输出路径hdfs
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		// 提交任务，如果是true，会返回任务执行的进度信息等。
		job.waitForCompletion(true);

	}

}

代码示例2(求和）

package deno;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import deno.MapReduce_Sum.MyMap.MyReduce;

public class MapReduce_Sum {
	public static class MyMap extends Mapper<LongWritable, Text, Text, LongWritable> {
		@Override
		protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)
				throws IOException, InterruptedException {
			// 数据样式：张三,12月3号,20，三个字段
			String line = value.toString();
			String[] split = line.split(",");
			// 对数据进行过滤，将数组长度是3的过滤出来

			// 取出姓名字段
			String name = split[0];
			// 取出money字段
			long money = Long.parseLong(split[2]);
			context.write(new Text(name), new LongWritable(money));
		}

		public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable> {
			@Override
			protected void reduce(Text k2, Iterable<LongWritable> v2s,
					Reducer<Text, LongWritable, Text, LongWritable>.Context context)
					throws IOException, InterruptedException {
				long sum = 0l;
				for (LongWritable value : v2s) {
					sum += value.get();
				}
				context.write(k2, new LongWritable(sum));
			}
		}
	}
	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		// 设置配置参数
		Configuration conf = new Configuration();
		// 创建任务
		Job job = Job.getInstance(conf, MapReduce_Sum.class.getSimpleName());
		// 指定jar文件
		job.setJarByClass(MapReduce_Sum.class);
		// 指定输入路径，数据在hdfs上的输入路径,指定第一个参数是hdfs输入路径
		FileInputFormat.addInputPath(job, new Path(args[0]));
		// 指定map的类
		job.setMapperClass(MyMap.class);
		// 指定map输出的key和value的数据类型。
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(LongWritable.class);

		// 指定reduce类以及输出数据类型。
		job.setReducerClass(MyReduce.class);
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(LongWritable.class);
		// 指定输出路径hdfs
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		// 提交任务，如果是true，会返回任务执行的进度信息等。
		job.waitForCompletion(true);

	}

}

打成JAR包
1、鼠标右击项目，点击Export；
2、选择java–>jar file；

打成的JAR包，上传到hadoop
hadoop 提交mapreduce任务的命令 hadoop jar jar路径 程序的主类名 hdfs的输入路径 hdfs的输出路径

hadoop fs -put WC_test.txt /data
hadoop fs -ls /data/
hadoop jar shujia_WC.jar deno.MapReduceWC /data/WC_test.txt /MapOut/001
hadoop fs -ls /MapOut/001
hadoop fs -cat /MapOut/001/part-r-00000