hadoop之mapreduce

mapreduce

核心思想：让我们的运算程序并行在多台机器上执行！

mapreduce运行平台YARN
mapreduce程序应该是在很多机器上并行启动，而且先执行map task，当众多的maptask都处理完自己的数据后，还需要启动众多的reduce task，这个过程如果用用户自己手动调度不太现实，需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN

yarn的基本概念

yarn是一个分布式程序的运行调度平台
yarn中有两大核心角色：
1、Resource Manager
接受用户提交的分布式计算程序，并为其划分资源
管理、监控各个Node Manager上的资源情况，以便于均衡负载
2、Node Manager
管理它所在机器的运算资源（cpu + 内存）
负责接受Resource Manager分配的任务，创建容器、回收资源

安装yarn集群
yarn集群中有两个角色：
主节点：Resource Manager 1台
从节点：Node Manager N台

Resource Manager一般安装在一台专门的机器上
Node Manager应该与HDFS中的data node重叠在一起

修改配置文件：
yarn-site.xml

yarn.resourcemanager.hostname
hdp-04

yarn.nodemanager.aux-services mapreduce_shuffle yarn.nodemanager.resource.memory-mb 2048 yarn.nodemanager.resource.cpu-vcores 2

然后复制到每一台机器上

然后在hdp-04上，修改hadoop的slaves文件，列入要启动nodemanager的机器
然后将hdp-04到所有机器的免密登陆配置好
然后，就可以用脚本启动yarn集群：
sbin/start-yarn.sh
停止：
sbin/stop-yarn.sh

启动完成后，可以在windows上用浏览器访问resourcemanager的web端口：
http://hdp-04:8088
看resource mananger是列出了所有的node manager节点

运行mapreduce程序
首先，为你的mapreduce程序开发一个提交job到yarn的客户端类（模板代码）：
 描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)
 将信息和整个工程的jar包一起交给yarn
然后，将整个工程（yarn客户端类+ mapreduce所有jar和自定义类）打成jar包
然后，将jar包上传到hadoop集群中的任意一台机器上
最后，运行jar包中的（YARN客户端类）

[root@hdp-04 ~]# hadoop jar wc.jar cn.edu360.hadoop.mr.wc.JobSubmitter

wordcount程序整体运行流程示意图

map阶段： 将每一行文本数据变成<单词,1>这样的kv数据
reduce阶段：将相同单词的一组kv数据进行聚合：累加所有的v
注意点：mapreduce程序中，
map阶段的进、出数据，
reduce阶段的进、出数据，
类型都应该是实现了HADOOP序列化框架的类型，如：
String对应Text
Integer对应IntWritable
Long对应LongWritable