初识MapReduce

最新推荐文章于 2023-12-21 14:30:23 发布

杏仁豆腐乳

最新推荐文章于 2023-12-21 14:30:23 发布

阅读量241

点赞数

文章标签： mapreduce hadoop 大数据

本文链接：https://blog.csdn.net/qq_65274143/article/details/128155929

版权

（一）、相识MapReduce

MapReduce的主题思想就是：“任务的分解与结果的汇总”。

设计理念：“计算向数据靠拢”

（二）、MapReduce编程实例--磁盘统计思路

Map阶段(映射阶段）

输入键值对 ==》输出键值对

Reduce阶段（归并阶段)

(三)、MapReduce编程实例--词频统计实现

启动Hadoop服务

1、准备数据文件

在虚拟机上创建文本文件----创建wordcount目录，在里面创建words.txt文件

2、上传文件到HDFS指定目录

创建/wordcount/input目录，执行：hdfs dfs -mkdir -p /wordcount/input

将文本文件words.txt，上传到HDFS的/wordcount/input目录

在Hadoop WebUI 界面上查看上传的文件

2、创建Maven项目

创建Manven项目-----MRWordCount

3、添加相关依赖

在pom.xml文件里添加hadoop和junit依赖

注：

<dependencies>

<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>

<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.13.2</version>
</dependency>
</dependencies>

4、创建日志属性文件

在resources目录里创建log4j.properties文件

注：

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

5、创建词频统计映射器类

创建net.hw.mr包，在包中创建wordCountMapper类

注：

package net.hw.mr;

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

import java.io.IOException;

public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 直接将键值对数据传到下一个阶段
context.write(key, value);
}
}

注：为了更好的理解Mapper类的作用，在Map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value

Mapper<泛型参数1，泛型参数2，泛型参数3，泛型参数4>参数说明

注：

MR应用，必须有映射器（Mapper),归并器（Reducer)可有可无

知识点：JAVA数据类型与Hadoop数据类型对应关系

Hadoop类型数据调用get()方法转化JAVA类型数据

JAVA类型数据通过new XXXWritable（x)方式转换成对应的Hadoop类型数据

6、创建词频统计驱动器类

net.hw.mr创建wordCountDriver类

注：

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
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.net.URI;

public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);

// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
job.waitForCompletion(true);

// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}

导包问题

7、运行词频统计驱动类，查看结果【若运行报错，参看

运行--统计结果之前会显示大量信息

注：若不想看到统计结果之前的大堆信息，可以修改log4.properties文件，

将INFO改为ERROR

运行程序，查看结果

利用Hadoop WebUI界面查看结果文件

8、修改词频统计映射器类

行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。
将每行按空格拆分成单词数组，输出<单词, 1>的键值对

注：

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}

由于WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver

9、修改词频统计驱动器类

修改map任务输出键值类型

10、启动词频统计驱动器类，查看结果

观察输出结果，map阶段会按键排序输出

Reducer组件进行归并处理，结果如下：

映射任务与归并任务示意图

11、创建词频统计归并器类
一个类继承Reducer，变成一个Reducer组件类

Reducer组件会接收Mapper组件的输出结果

第一个泛型对应的是Mapper输出key类型

第二个泛型对应的是Mapper输出value类型

第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型

Reducer组件不能单独存在，但是Mapper组件可以单独存在

当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value

在net.hw.mr包里创建WordCountReducer类

注：

package net.hw.mr;

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

import java.io.IOException;

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 遍历输出值迭代对象，统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}

由于引入了词频统计归并器，所以必须在词频统计驱动器类进行设置

12、修改词频统计驱动器类

设置WordCountReducer,设置归并任务的输出键值类型--Text

注：

// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(Text.class);

13、启动词频统计驱动器类，查看结果

统计出每个单词出现的次数--【更新词频统计器，将每个键[单词]的值的迭代器进行累加，得到每个单词出现的总次数】

14、修改词频统计归并器类

输出键值类型为IntWritable,遍历值迭代器，累加得到单词出现次数

注：

package net.hw.mr;

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

import java.io.IOException;

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义键出现次数
int count = 0;
// 遍历输入值迭代器
for (IntWritable value : values) {
count += value.get(); // 其实针对此案例，可用count++来处理
}
// 输出新的键值对，注意要将java的int类型转换成hadoop的IntWritable类型
context.write(key, new IntWritable(count));
}
}

--【由于修改了词频统计输出值的类型[Text类型转变成了IntWritable类型]，所以必须在词频统计驱动器内进行设置

15、修改词频统计驱动器类

修改归并任务的输出值类型（IntWritable类型）

16、启动词频统计驱动器类，查看结果--【显现每个单词出现的次数】

17、采用多个Reduce做合并

用多个Reduce做合并相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。

17、1 MR默认哈希分区HashPartitioner---【Mapper输出key.hashcode & Integer.MAX_VALUE % Reduce任务数量】

17、2 修改词频统计驱动器类，设置分区数量--分区数量3

运行程序，查看结果

18、打包上传到虚拟机上运行

1、利用Maven打包--【双击package命令，若报错，可能是maven版本不对】

若maven版本不对，则需修改pom.xml文件，修改完成，及时刷新maven，然后再次进行打包

注：

2、将jar包上传到虚拟机

查看上传结果

3、运行jar包，查看结果

4、降低项目JDK版本，重新打包

重新打包：

5、重新上传jar包到虚拟机

先删除master虚拟机上的jar包，执行：rm -rf MRWordCount-1.0-SNAPSHOT.jar

6、运行jar包，查看结果--执行：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriver

19、创建新词频统计驱动器类

由用户指定输入路径和输出路径，如果用户不指定，那么由程序来设置 [创建WordCountDriverNew]类

注：

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.net.URI;

public class WordCountDriverNew {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriverNew.class);

// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);

// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);

// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 声明输入目录
Path inputPath = null;
// 声明输出目录
Path outputPath = null;
// 判断输入参数个数
if (args.length == 0) {
// 创建输入目录
inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
outputPath = new Path(uri + "/wordcount/output");
} else if (args.length == 2) {
// 创建输入目录
inputPath = new Path(uri + args[0]);
// 创建输出目录
outputPath = new Path(uri + args[1]);
} else {
// 提示用户参数个数不符合要求
System.out.println("参数个数不符合要求，要么是0个，要么是2个！");
// 结束应用程序
return;
}

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
job.waitForCompletion(true);

20、重新打包上传虚拟机并执行

删除先前的jar包，执行：rm -rf MRWordCount-1.0-SNAPSHOT.jar

上传新的jar包

执行：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew,不指定输入和输出路径参数

执行：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input /winter/output，指定输入路径和输出路径参数

执行：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input，指定输入路径参数，不指定输出路径参数

21、将三个类合并成一个类完成词频统计-【创建WordCount类】

注：

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;
import java.net.URI;

public class WordCount extends Configured implements Tool {

public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 清洗所有英文标点符号（\p——属性[property]，P——标点符号[Punctuation]）
line = line.replaceAll("[\\pP]", "");
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}

public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 历输出值迭代对象，统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}

@Override
public int run(String[] strings) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);

// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount2/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount2/output");

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
boolean res = job.waitForCompletion(true);

if (res) {
return 0;
} else {
return -1;
}
}

public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new WordCount(), args);
System.exit(res);
}
}

上传一个有标点符号的单词文件

运行程序，查看结果--【若出现无效版本，则需将JDK版本降低到8，因此还得修改编译器配置文件】

运行程序，查看结果

22、合并分区导致的多个结果文件

问：

采用分区来处理，确实提高了效率，但是现在有多个结果文件，怎么合并它们成为一个最终的一个结果文件呢？

利用hadoop的-getmerge命令来完成：hdfs dfs -getmerge /wordcount/result part-r-final