一、概述
-
分布式并行编程
-
Google首先提出分布式并行编程模型MapReduce,Hadoop MapReduce是它的开源实现;
-
分布式程序运行在大规模计算机集群上,能够并行执行大规模数据处理任务而获得海量的计算能力;
-
MapReduce与传统的并行计算框架(eg. MPI)的比较(Why MapReduce?)
传统并行计算框架 MapReduce 集群架构/容错性 共享式(共享内存/共享存储),容错性差 非共享性,容错性好 硬件/价格/扩展性 刀片服务器、高速网、SAN,价格贵,扩展性差 普通PC,便宜,扩展性好 编程/学习难度 what-how,难 what,简单 适用场景 实时、细粒度计算、计算密集型 批处理、非实时、数据密集型
-
-
MapReduce模型简介
- MapReduce将复杂的,运行于大规模集群上的并行计算过程高度地抽象到了两个函数:Map和Reduce;
- MapReduce采用“分而治之”策略,存储在分布式文件系统中的大规模数据集,会被切分成许多独立的分片(split),这些分片可以被多个Map任务并行处理;
- MapReduce设计的一个理念就是“计算向数据靠拢”,而不是“数据向计算靠拢”,因为移动数据需要大量的网络传输开销;
- MapReduce框架采用Master/Slave,包括一个Master和若干个Slave;
- Master上运行JobTracker,Slave上运行TaskTracker;
- Hadoop框架是用Java实现的但MapReduce应用程序不一定要用Java来写;
-
Map和Reduce函数
二、MapReduce的体系结构
-
MapReduce体系结构主要由四个部分组成,分别是:Client、JobTracker、TaskTracker以及Task
- Client
- 用户编写的MapReduce程序通过Client提交到JobTracker端;
- 用户可通过Client提供的一些接口查看作业运行状态;
- JobTracker
- JobTracker 负责资源监控和作业调度;
- JobTracker 监控所有TaskTracker与Job的健康状况,一旦发现失败,就将相应的任务转移到其他节点;
- JobTracker 会跟踪任务的执行进度、资源使用量等信息,并将这些信息告诉任务调度器(TaskScheduler),而调度器会在资源出现空闲时,选择合适的任务去使用这些资源;
- TaskTraker
- TaskTracker 会周期性地通过“心跳”把本节点上资源的使用情况和任务的运行进度汇报给JobTracker,同时接收JobTracker发送过来的命令并执行相应的操作(如启动新任务、杀死任务等).
- TaskTracker 使用“slot”等量划分本节点上的资源量(CPU、内存等):一个 Task 获取一个slot 后才有机会运行,而Hadoop调度器的作用就是将各个TaskTracker上的空闲slot分配给Task使用(slot 分为Map slot 和Reduce slot 两种,分别供MapTask 和Reduce Task 使用).
- Task
- Task分为Map Task和Reduce Task,均由TaskTracker启动
- Client
三、MapReduce工作流程
-
工作流程概述
- 不同的Map任务之间不会进行通信;
- 不同的Reduce任务之间不会发生任何信息交换;
- 用户不能显示地重一台机器向另一台机器发送信息;
- 所有的数据交换都是通过MapReduce框架自身去实现的;
-
MapReduce 各个执行阶段
RR:Record Reader 记录阅读器
-
Split(分片)
- HDFS以固定大小的block为基本单位存储数据,而对于MapReduce而言,其处理单位是split;
- split是一个逻辑概念,它自包含一些元数据信息,比如数据起始位置、数据长度、数据所在节点等;
- split的划分方法完全由用户自己决定;
-
Map任务的数量
- Hadoop为每个split创建一个Map任务,split 的多少决定了Map任务的数目;
- 大多数情况下,理想的分片大小是一个HDFS块;
-
Reduce任务的数量
- 最优的Reduce任务个数取决于集群中可用的reduce任务槽(slot)的数目;
- 通常设置比reduce任务槽数目稍微小一些的Reduce任务个数以预留一些系统资源处理可能发生的错误;
-
-
Shuffle 过程详解
-
Shuffle过程
-
Map端的Shuffle过程
- 每个Map任务分配一个缓存;
- MapReduce默认100MB缓存;
-
设置溢写比例0.8(防止Map任务的输出丢失);
-
分区默认采用哈希函数;
-
排序是默认的操作;
-
排序后可以合并(Combine);
-
合并不能改变最终结果;
合并(Combine)和归并(Merge)的区别:
两个键值对<“a”,1>和<“a”,1>,如果合并,会得到<“a”,2>,如果归并,会得到<“a”,<1,1>>
- 在Map任务全部结束之前进行归并;
- 归并得到一个大的文件,放在本地磁盘;
- 文件归并时,如果溢写文件数量大于预定值(默认是3)则可以再次启动Combiner,少于3不需要;
- JobTracker会一直监测Map任务的执行,并通知Reduce任务来领取数据;
-
Reduce端的Shuffle过程
- Reduce任务通过RPC向JobTracker询问Map任务是否已经完成,若完成,则领取数据;
- Reduce领取数据先放入缓存,来自不同Map机器,先归并,再合并,写入磁盘;
- 多个溢写文件归并成一个或多个大文件,文件中的键值对是排序的;
- 当数据很少时,不需要溢写到磁盘,直接在缓存中归并,然后输出给Reduce;
-
-
MapReduce应用程序执行过程
四、实例分析:WordCount
-
WordCount程序任务
-
WordCount设计思路
- 首先,需要检查WordCount程序任务是否可以采用MapReduce来实现;
- 其次,确定MapReduce程序的设计思路;
- 最后,确定MapReduce程序的执行过程;
-
WordCount执行过程实例
-
(未定义Combine)
-
(定义Combine)
五、MapReduce的具体应用
- 各种计算问题
- 关系代数运算(选择、投影、并、交、差、连接)
- 分组与聚合运算
- 矩阵-向量乘法
- 矩阵乘法
- Ex:用MapReduce实现关系的自然连接
- 假设有关系R(A,B)和S(B,C),对二者进行自然连接操作;
- 使用Map过程,把来自R的每个元组<a,b>转换成一个键值对<b, <R,a>>,其中的键就是属性B的值(把关系R包含到值中,这样做使得我们可以在Reduce阶段,只把那些来自R的元组和来自S的元组进行匹配); 类似地,使用Map过程,把来自S的每个元组<b,c>,转换成 一个键值对<b,<S,c>>;
- 所有具有相同B值的元组被发送到同一个Reduce进程中,Reduce进程的任务是,把来自关系R和S的、具有相同属性B值的元组进行合并;
- Reduce进程的输出则是连接后的元组<a,b,c>,输出被写到一个单独的输出文件;
六、MapReduce编程实践
-
任务要求-统计单词数
- 附:统计单词数的同时按照单词数分区
-
新建Maven项目,配置依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-common</artifactId>
<version>3.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.2.1</version>
</dependency>
</dependencies>
-
新建WordCount类(略)
-
编写WordCount.java内部类TokenizerMapper:map处理逻辑
map输入类型为<key,value>,期望的map输出类型为<单词,出现次数>;
map输入类型最终确定为<Object,Test>,输出类型确定为<Test,IntWritable>;
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
private static final IntWritable one = new IntWritable(1);
private final Text word = new Text();
/*
--------------
key_in value_in
0 China is my motherland
23 I love China
0 I am from China # Another file
-------------
key_out value_out
China 1
is 1
my 1
motherland 1
I 1
love 1
China 1
......
-------------
Shuffle
key_in value_in
China <1,1,1>
I <1,1>
am <1>
from <1>
is <1>
...
*/
@Override
public void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
System.out.println("Begin map sentence:"+value.toString()+"(key:"+key.toString()+")");
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
String str = itr.nextToken();
this.word.set(str);
context.write(this.word, one);
}
}
}
-
编写WordCount.java内部类TokenizerMapper:reduce()处理逻辑
在Reduce处理数据之前,Map的结果首先通过Shuffle阶段整理;
Reduce阶段的任务:对输入数字序列进行求和;
Reduce的输入数据为<key,Iterable容器>;
public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private final IntWritable result = new IntWritable();
/*
------------
key_in value_in
China <1,1,1>
I <1,1>
am <1>
from <1>
is <1>
...
----------
key_out value_out
China 3
I 2
am 1
from 1
is 1
...
*/
@Override
public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
IntWritable val;
for (Iterator<IntWritable> i = values.iterator(); i.hasNext(); sum+=val.get()){
val = i.next();
}
this.result.set(sum);
context.write(key, this.result);
}
}
- 编写Partitioner类,用于单词分区
public class WordPartitioner extends Partitioner<Text, IntWritable> {
@Override
public int getPartition(Text key, IntWritable value, int i) {
if(key.toString().length() >= 3){
return 0;
}else{
return 1;
}
}
}
- 编写main方法
package org.example.wordcount;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FileSystem;
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.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
/**
* @author hadoop
*/
public class PartitionMain extends Configured implements Tool {
@Override
public int run(String[] strings) throws Exception {
Job job = Job.getInstance(super.getConf(),"Word Counter");
job.setJarByClass(PartitionMain.class);
// Set read file's format
job.setInputFormatClass(TextInputFormat.class);
for (int i=0; i<strings.length-1; ++i){
TextInputFormat.addInputPath(job, new Path(strings[i]));
}
// Set Mapper
job.setMapperClass(WordCount.TokenizerMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// --- Shuffle: Partition
job.setPartitionerClass(WordPartitioner.class); // This is for partion
// Set Reducer
job.setReducerClass(WordCount.IntSumReducer.class);
// Set reduce task number
job.setNumReduceTasks(2); //This is for partion,too
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// Set output file's format
job.setOutputFormatClass(TextOutputFormat.class);
TextOutputFormat.setOutputPath(job,new Path(strings[strings.length-1]));
return job.waitForCompletion(true)?0:1;
}
public static void main(String[] args) throws Exception {
System.setProperty("HADOOP_USER_NAME", "hadoop");
Configuration conf = new Configuration();
conf.set("fs.defaultFS", "hdfs://master:9000");
String[] argus = new String[]{"source/wordfileA.txt", "source/wordfileB.txt", "destination"};
FileSystem fileSystem = FileSystem.get(conf);
if(fileSystem.exists(new Path(argus[argus.length-1]))){
System.out.println("Already exists, delete");
// 递归删除
fileSystem.delete(new Path(argus[argus.length-1]),true);
}
int run = ToolRunner.run(conf, new PartitionMain(), argus);
System.exit(run);
}
}
-
编译打包为jar,并运行
-
IDEA->File->Project Structure
-
Then:
-
And Then:
-
cd ~
-
vim wordfileA.txt(内容如题)
-
vim wordfileB.txt(内容如题)
-
hdfs dfs -put wordfileA.txt source destination(确保HDFS用户目录下无source与destination目录,若有,删除or换目录名)
-
hdfs dfs -put wordfileB.txt source destination
-
hadoop jar app/mapreduce.jar org.example.mapreduce.WordCount source destination
若出现Error: Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMaster
见CentOS7伪分布式配置 -
运行结果(未分区的结果):hdfs dfs -cat detination/*
-
附-IDEA Maven项目打包方式:
点击IEDA最右侧mavan栏,选择LifeCycle,clean
→
\rightarrow
→package ,完成之后会现target目录,即jar所在目录
Source:Hadoop Course PPT of NEU