1、 MapReduce框架的角色
MapReduce有两大角色:Master和Worker
1.1、Master作用
1.1.1、管理所有的作业
1.1.2、将作业分解成一系列的任务
1.1.3、将任务指派给 Worker
1.1.4、作业、任务的监控以及错误处理等
1.2、Worker作用
1.2.1、运行Map Task和Reduce Task
1.2.2、与Master进行交互,执行命令,并汇报任务执行状态
2、MapReduce框架的原理
2.1、MapReduce分布式的运算程序至少2个阶段。
2.2、第一个阶段的MapTask并发实例,完全并行运行,互不相干。
2.3、第二个阶段的ReduceTask并发实例互不相干,但是它们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
2.4、MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段,如果用户的业务逻辑非常复杂,那就只能多个MapReduce程序,串行运行。
3、MapReduce框架核心机制示
Mapper阶段,在对数据进行具体的计算之前,会对数据先进行切片。
默认的切片规则是实现类FileInputFormat,默认把切片变成key,value值的实现类为TextInputFormat(按行读取每条记录,键是存储该行在整个文件中的起始偏移量,LongWritable类型;值是这行内容 Text类型),它返回的RecordReader类型为LineRecordReader。
默认的FileInputFormat–TextInputFormat
public class TextInputFormat extends FileInputFormat<LongWritable, Text> {
@Override
public RecordReader<LongWritable, Text> createRecordReader(InputSplit split,TaskAttemptContext context) {
String delimiter = context.getConfiguration().get("textinputformat.record.delimiter");
byte[] recordDelimiterBytes = null;
if (null != delimiter){recordDelimiterBytes = delimiter.getBytes(Charsets.UTF_8);}
return new LineRecordReader(recordDelimiterBytes);
}
}
MapTask的数量是由InputFormat来指定的,InputFormat生成多少个InputSpilt切片数就会有多少个task。
MapTask并行度决定机制
数据块:Block是HDFS物理上把数据分成一块一块。
数据切片:数据切片只是在逻辑上对输入进行分片,并不会在磁盘上将其切分成片进行存储。
@一个job的map阶段的并行度是由客户端提交job时的切片数决定的;
@每一个split切片分配一个MapTask实例并行实行;
@默认情况下,BlockSize=切片大小;
@切片时不考虑数据整体,而是针对每一个文件单独切片;
@文件的剩余长度小于切片大小的1.1倍,则划分为一个切片。
假设Block大小为128m
假设切片split大小为100m
一个300m的文件切片如下(红色线是切片,蓝色的是hdfs中block大小):
MapTask的并行度决定Map阶段的任务处理并发度,进而影响到整个Job的处理速度。
4、MapReduce框架数据处理示意图以及wordcount代码示例
4.1、wordcount程序之Mapper
package cn.edu360.mr.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
* 四个泛型类型参数的解释: LongWritable, Text, Text, IntWritable 1、表示worker(map
* task)传入的KEY的数据类型,默认是一行的起始偏移量 2、表示worker(map task)传入的VALUE的数据类型,默认是一行的文本内容
* 3、表示我们自己的 map方法产生的结果数据的KEY的类型 4、表示我们自己的map方法产生的结果数据的VALUE的类型
*/
public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
/**
* map()方法是被谁调?—— map task这个worker worker是如何调?——
* 它每读一行数据就调一次,并将这一行的偏移量传入参数key,这一行的内容传入参数value
*/
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)
throws IOException, InterruptedException {
// 对这一行文本切单词
String line = value.toString();
String[] words = line.split(" ");
// 将每一个单词输出为 <单词,1>这样的kv数据返回给worker
for (String word : words) {
context.write(new Text(word), new IntWritable(1));
}
}
}
4.2、wordcount程序之Reducer
package cn.edu360.mr.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
/**
* reduce()方法是谁在调?—— worker(reduce task)在调 worker怎么调?——
* 它将收到的数据按相同key分成若干组,然后,对每一组调一次reduce()方法
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values,
Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
// 将这一组<单词,1>数据的value进行累加即可得到这个单词的总次数
int count = 0;
for (IntWritable value : values) {
count += value.get();
}
// 然后将《单词,总数》这个kv数据返回给worker即可
context.write(key, new IntWritable(count));
}
}
4.3、wordcount程序之JobSubmitter
package cn.edu360.mr.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;
/**
* 这是一个用来提交mapreduce程序的程序
* 或者也可以称为一个 Yarn客户端程序
* 将工程打成jar包,然后拷贝到linux机器上
* 然后用hadoop命令辅助启动jar包中的客户端main程序
* hadoop jar wc.jar cn.edu360.mr.wordcount.JobSubmitter
*/
public class JobSubmitter {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.set("fs.defaultFS", "hdfs://hadoop01:9000");
conf.set("mapreduce.framework.name", "yarn");
conf.set("yarn.resourcemanager.hostname", "hadoop01");
Job job = Job.getInstance(conf);
// 指定整个程序的jar包文件在哪?
// job.setJar("/root/wc.jar");
job.setJarByClass(JobSubmitter.class);
// 指定这个job所要使用的mapper类
job.setMapperClass(WordcountMapper.class);
// 指定这个job所要使用的reducer类
job.setReducerClass(WordcountReducer.class);
// 指定map阶段输出的key-value的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 指定reduce阶段输出的key-value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 指定job所要处理的数据文件所在路径
FileInputFormat.setInputPaths(job, new Path(args[1]));
// 指定job输出结果的路径
FileOutputFormat.setOutputPath(job, new Path(args[2]));
// 指定要启动的reduce task数量,默认为1
job.setNumReduceTasks(Integer.parseInt(args[0]));
boolean res = job.waitForCompletion(true);
System.exit(res?0:1);
}
}