Hadoop - MapReduce

第1 章 MapReduce 概述

1.1 MapReduce 定义

MapReduce 是一个分布式运算程序的编程框架，是用户开发“基于Hadoop 的数据分析
应用”的核心框架。
MapReduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的
分布式运算程序，并发运行在一个Hadoop 集群上。

1.2 MapReduce 优缺点

优点	缺点
MapReduce 易于编程：它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce 编程变得非常流行。	不擅长实时计算：MapReduce 无法像MySQL 一样，在毫秒或者秒级内返回结果。
良好的扩展性：当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。	不擅长流式计算：流式计算的输入数据是动态的，而MapReduce 的输入数据集是静态的，不能动态变化。这是因为MapReduce 自身的设计特点决定了数据源必须是静态的。
高容错性：MapReduce 设计的初衷就是使程序能够部署在廉价的PC 机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop 内部完成的。	不擅长DAG（有向无环图）计算：类似于迭代计算，多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个MapReduce 作业的输出结果都会写入到磁盘， 会造成大量的磁盘IO，导致性能非常的低下。
适合PB 级以上海量数据的离线处理：可以实现上千台服务器集群并发工作，提供数据处理能力。

1.3 MapReduce 核心思想

1、分布式的运算程序往往需要分成至少2 个阶段。
2、第一个阶段的MapTask 并发实例，完全并行运行，互不相干。
3、第二个阶段的ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask 并发实例的输出。
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。
总结：通过编写以下WordCount程序分析数据流走向，深入理解MapReduce 核心思想。

1.4 MapReduce 进程

一个完整的MapReduce 程序在分布式运行时有三类实例进程：

• MrAppMaster：负责整个程序的过程调度及状态协调。
• MapTask：负责Map 阶段的整个数据处理流程。
• ReduceTask：负责Reduce 阶段的整个数据处理流程。

1.5 常用数据序列化类型

Java 类型	Hadoop Writable 类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable
Null	NullWritable

1.6 MapReduce 编程规范

用户编写的程序分成三个部分：Mapper、Reducer 和Driver。
1．Mapper阶段
（1）用户自定义的Mapper要继承自己的父类
（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）
（3）Mapper中的业务逻辑写在重写的map()方法中
（4）Mapper的输出数据是KV对的形式（KV的类型可自定义）
（5）map()方法（MapTask进程）对每一个<K,V>调用一次

2．Reducer阶段
（1）用户自定义的Reducer要继承自己的父类
（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
（3）Reducer的业务逻辑写在重写的reduce()方法中
（4）ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

3．Driver阶段(固定的七步套路写法)
相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是
封装了MapReduce程序相关运行参数的job对象

1.7 WordCount 案例

在给定的文本文件中统计输出每一个单词出现的总次数
按照MapReduce 编程规范，分别编写Mapper，Reducer，Driver。

1、环境准备

（1）创建maven 工程，在pom.xml 文件中添加如下依赖 （这里版本是hadoop-3.1.3）

<dependencies> 
    <dependency> 
        <groupId>org.apache.hadoop</groupId> 
        <artifactId>hadoop-client</artifactId> 
        <version>3.1.3</version> 
    </dependency> 
    <dependency> 
        <groupId>junit</groupId> 
        <artifactId>junit</artifactId> 
        <version>4.12</version> 
    </dependency> 
    <dependency> 
        <groupId>org.slf4j</groupId> 
        <artifactId>slf4j-log4j12</artifactId> 
        <version>1.7.30</version> 
    </dependency> 
</dependencies> 

（2）在项目的src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。

log4j.rootLogger=INFO, stdout   
log4j.appender.stdout=org.apache.log4j.ConsoleAppender   
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout   
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n   
log4j.appender.logfile=org.apache.log4j.FileAppender   
log4j.appender.logfile.File=target/spring.log   
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout   
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n 

2、编写程序

导包时注意一定要导入正确的包，如下图，mapred代表Hadoop1.0的包，mapreduce代表2.0和3.0的包，一定要导对3.0的包

示例：WordCountMapper.java

package cn.jiangyun.mapreduce.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 *  Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 *      KEYIN (行)偏移量
 *      VALUEIN （行）内容
 *      KEYOUT 切割后的单个内容（字符串）
 *      VALUEOUT 字符串次数的值
 */
public class WordCountMapper extends Mapper<LongWritable, Text,Text,IntWritable> {
    //用于转换下面context.write的参数的类型,执行数多的应作为全局变量
    private Text outKey = new Text();
    private IntWritable outValue = new IntWritable(1);//每个单词记为1

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //1.获取一行
        String line = value.toString();
        //2.切分单词
        String[] words = line.split(" ");

        //3.循环写出
        for (String word : words) {
            //封装成Text类型
            outKey.set(word);
            //写出
            context.write(outKey,outValue);
        }
    }
}

示例：WordCountReducer.java

package cn.jiangyun.mapreduce.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * Reducer<Text, IntWritable, Text, IntWritable>
 *     Text 对应map阶段key的输出类型
 *     IntWritable 对应map阶段value的输出类型
 *     Text key最终输出类型
 *     IntWritable value最终输出类型
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    private int sumValue;//记录每个单词总数
    private IntWritable outValue = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        sumValue = 0;//一定要在reduce方法里对该变量赋初值。因为每个单词调用一次reduce方法后，再次调用reduce统计下一个单词时不赋初值 会导致数值累加
        for (IntWritable value : values) {
            //value在map阶段输出的是IntWritable，我们需要获取我们传给它的那个具体的值，如1
            sumValue+=value.get();
        }
        outValue.set(sumValue);//封装成IntWritable类型
        context.write(key,outValue);
    }
}

示例：WordCountDriver.java

package cn.jiangyun.mapreduce.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;


import java.io.IOException;

/**
* @description
* @author 江韵    email:c22676678@163.com
* @version
* @date 2022/11/11
*
*/
public class WordCountDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        /**
         * Driver固定的七步套路(难点在于导入正确的包)
         * 1.获取job
         * 2.设置jar路径
         * 3.关联mapper、reducer
         * 4.设置map输出的<k,v>类型，对应map阶段的输出类型
         * 5.设置最终输出的<k,v>类型，注意：该阶段输出类型不一定是reduce阶段的输出。原因如下：
         *      1.可能没有reduce阶段
         *      2.可能是一个复杂的mapreduce串行程序，map后还是map
         * 6.设置输入输出路径
         * 7.提交job
         */
        //1.获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        //2.设置jar路径
        job.setJarByClass(WordCountDriver.class);//通过反射获取

        //3.关联mapper、reducer
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        //4.设置map输出的<k,v>类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //5.设置最终输出的<k,v>类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //6.设置输入输出路径
        FileInputFormat.setInputPaths(job,new Path(args[0]));//打包时不指定路径，方便部署到集群上，自己写的话指定你自己的路径即可
        FileOutputFormat.setOutputPath(job,new Path(args[1]));

        //7.提交job
        boolean result = job.waitForCompletion(true);//verbose:true表示monitorAndPrintJob
        System.exit(result ? 0 : 1);
    }
}

3、本地测试

（1）需要已经配置好HADOOP_HOME 变量以及Windows 运行依赖
（2）在IDEA/Eclipse 上运行程序
注意：WordCountDriver.java中输入输出路径没有写死，你可以写成自己的路径或运行时传入参数。

4、提交到集群测试

（1）用maven 打jar 包，需要添加的打包插件依赖

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>cn.jiangyun</groupId>
    <artifactId>HDFSClient</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>3.1.3</version>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
        </dependency>
        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>1.7.30</version>
        </dependency>

    </dependencies>


    <!--用maven打jar包，需要添加的打包插件依赖-->
    <build>
        <plugins>
            <plugin>
<!--                <groupId>org.apache.maven.plugins</groupId>-->
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.6.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>

            <plugin>
                <!-- NOTE: We don't need a groupId specification because the group is
                     org.apache.maven.plugins ...which is assumed by default.
                 -->
<!--                <groupId>org.apache.maven.plugins</groupId>-->
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.0.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
            </plugin>

        </plugins>
    </build>
</project>

（2）修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群上
（3）启动Hadoop 集群，执行WordCount 程序

[user@hadoop100 hadoop-3.1.3]$ hadoop jar wordcount.jar cn.jiangyun.mapreduce.wordcount.WordCountDriver /test/input /test/output

输出结果