详细 Hadoop MapReduce 图文并茂
概观:
Hadoop MapReduce是一个软件框架,用于轻松编写应用程序,以可靠,容错的方式在大型集群(数千个节点)的商用硬件上并行处理大量数据(多TB数据集)。
MapReduce 作业通常将输入数据集拆分为独立的块,这些块由map任务以完全并行的方式处理。框架对地图的输出进行排序,然后输入到reduce任务。通常,作业的输入和输出都存储在文件系统中。该框架负责调度任务,监视任务并重新执行失败的任务。
通常,计算节点和存储节点是相同的,即MapReduce框架和Hadoop分布式文件系统(请参阅HDFS体系结构指南)在同一组节点上运行。此配置允许框架有效地在已存在数据的节点上调度任务,从而在集群中产生非常高的聚合带宽。
MapReduce框架由单个主ResourceManager
,每个集群节点一个从NodeManager
和每个应用程序的MRAppMaster组成
(参见YARN体系结构指南)。
最低限度,应用程序通过适当的接口和/或抽象类的实现来指定输入/输出位置并提供映射和减少功能。这些和其他作业参数包括作业配置。
然后,Hadoop 作业客户端将作业(jar /可执行文件等)和配置提交给ResourceManager
,然后ResourceManager
负责将软件/配置分发给从站,调度任务并监视它们,为作业提供状态和诊断信息 -客户。
虽然Hadoop框架是用Java™实现的,但MapReduce应用程序不需要用Java编写。
- Hadoop Streaming 是一个实用程序,它允许用户使用任何可执行文件(例如shell实用程序)作为映射器和/或reducer创建和运行作业。
- Hadoop Pipes 是一个与SWIG兼容的C ++ API,用于实现MapReduce应用程序(非基于JNI™)。
MapReduce 是一种程序开发模式,可以使用大量服务器来并行处理。MapReduce,简单来说,Map就是分配工作,Reduce就是将工作结果汇总整理。
1、首先使用 Map 将待处理的数据分割成很多的小份数据,由每台服务器分别运行。
2、再通过 Reduce 程序进行数据合并,最后汇总整理出结果。
简单介绍 WordCount.java
顺序 | 开发步骤 | 说明 |
---|---|---|
1 | 编辑 WordCount.java | 使用 getdit 编辑 WordCount.java |
2 | 编译 WordCount.java | 编译、打包 WordCount.java 程序 |
3 | 创建测试文本文件 | 使用 Hadoop 目录下的 LICENSE.txt 文件作为测试文件,并上传文本文件至HDFS |
4 | 运行 WordCount.java | 在 Hadoop 环境运行 WordCount |
5 | 查看运行结果 | 运行会产生输出文件并存储到 HDFS 中,可使用 HDFS 命令查看 |
编辑 WordCount.java
在此我们使用最简单的方式(使用 gedit)编辑 WordCount.java
1、创建 wordcount 目录
1.1 创建 wordcount 测试目录
mkdir -p ~/wordcount/input
1.2 切换至 wordcount 测试目录
cd ~/wordcount
2、复制 Wordcount.java 程序代码
在 Hadoop 说明文件中就具有 WordCount.java 的程序代码,在浏览器输入下列网址就可以看到原文的详细说明与源代码。
http://hadoop.apache.org/docs/current/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapReduceTutorial.html
3、编辑 WordCount.java
3.1 使用 gedit 编辑 WordCount.java
sudo gedit WordCount.java
import java.io.IOException;
import java.util.StringTokenizer;
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.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 WordCount {
}
4、 Import 相关的Lib 并创建 WordCount.java 类
首先要 Import 相关的 Lib 链接库,并且创建 WordCount 类 class ,后续的程序都是引入到 WordCount 类中。
4.1 创建 main function
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
4.2 创建 TokenizerMapper 类
在 TokenizerMapper 类的 map 方法中,先创建 StringTokenizer,然后使用 while(itr.hasMoreTokens())读取每一个 word 并写入 context.write(word,one),创建 key/value(word,1)。
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}
4.3 创建 IntSumReducer 类
在 IntSumReducer 类的 reduce 方法中,先使用 for(IntWritable val:values)读取每一个数值,并使用 sum+=val.get() 求和,最后写入结果。
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}
编译 WordCount.java
接下来编译 WordCount.java,只是需要先设置环境变量。
1、修改编译所需要的环境变量文件
1.1 编译 ~/.bashrc
sudo gedit ~/.bashrc
export PATH=${JAVA_HOME}/bin:${PATH}
export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jar
1.2 设置 PATH
export PATH = $ {JAVA_HOME} / bin:$ {PATH}
因为我们后续要使用的命令(例如jar)存在 /usr/lib/jvm/java-7-openjdk-amd64/bin,所以将 ${JAVA_HOME}/bin 加入 PATH,这样,切换到其他目录时也就能够使用此命令了。
1.3 设置 HADOOP_CLASSPATH,编译时才找得到链接库export
HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jar
2、让 ~/.bashrc 修改的设置值生效
当我们修改 ~/.bashrc 之后,可以先从系统注销再重新登录,该设置会生效;或者使用 source 让命令 ~/.bashrc 设置立即生效。
2.1 让 ~/.bashrc 设置生效
source ~/.bashrc
3、开始编辑
使用下列命令进行编译,编译完成后,就会生成 wc.jar 文件
命令 | 说明 |
---|---|
hadoop com.sun.tools.javac.Main WordCount.java | 编辑 WordCount 程序 |
jar cf wc.jar WordCount*.class | 把 WordCount 类打包成 wc.jar |
ll | 查看目录内容 |
jar 文件(java ARchive)是一种压缩文件,包含 Class 与相关资源(文字、图片等),之后就可以运行 wc.jar 这个程序了。
创建测试文本文件
为了测试 WordCount 程序,我们可以使用 Hadoop 目录下的 LICENSE.txt 文件。
1、复制 LICENSE.txt
1.1 切换到输入目录
cp /usr/local/hadoop/LICENSE.txt ~/wordcount/input
ll ~/wordcount/input
1.2 启动所有虚拟服务器
1.3 进入 master 虚拟机,启动 Hadoop Multi-Node Cluster
启动 Hadoop Multi-Node Cluster
Start-all.sh
1.4 上传测试文件到 HDFS 目录
在 HDFS 创建目录
hadoop fs -mkdir -p /user/hduser/wordcount/input
切换到 ~/wordcount/input 数据文件目录
cd ~/wordcount/input
上传文本文件到 HDFS
hadoop fs -copyFromLocal LICENSE.txt /user/hduser/wordcount/input
列出 HDFS 文件
hadoop fs -ls /user/hduser/wordcount/input
运行 WordCount.java
1、切换目录
cd ~/wordcount
2、运行 WordCount.java 程序
hadoop jar wc.jar WordCount /user/hduser/wordcount/input/LICENSE.txt /user/hduser/wordcount/output
运行 WordCount 程序,语句格式为 “hadoop jar wc.jar [输入文件] [输出目录]"。如上述命令所示,程序会读取输入文件 /user/hduser/wordcount/input/LICENSE.txt ,处理完成后将结果写入 /user/hduser/wordcount/output 目录。
查看运行结果
运行后,程序会将结果存储到 /user/hduser/wordcount/output 目录中。
1、查看输出目录
1.1 查看 HDFS 的目录
hadoop fs -ls /user/hduser/wordcount/output
_SUCCESS :代表程序运行成功
part-r-00000:运行结果的文本文件
2、 查看输出文件
2.1 查看 HDFS 中的输文件内容
hadoop fs -cat /user/hduser/wordcount/output/part-r-00000|more
3、删除输出目录
如果要再次执行 WordCount 程序,请先删除输出目录,这样才不会出现文件已经存在的包错信息。
hadoop fs -rm -R /user/hduser/wordcount/output
结论:
本章介绍了 Hadoop MapReduce,同时发现它有以下缺点:
1、程序设计模式不容易使用,而且 Hadoop 的 Map Reduce API 太过低级,很难提高开发者的效率。
2、有运行效率问题,MapReduce 需要将中间产生的数据保存到硬盘中,因此会有读写数据延迟问题。
3、不支持实时处理,它原始的设计就是以批处理为主。