MapReduce与MySQL交互

MapReduce与MySQL交互

　　MapReduce技术推出后，曾遭到关系数据库研究者的挑剔和批评，认为MapReduce不具备有类似于关系数据库中的结构化数据存储和处理能力。为此，Google和MapReduce社区进行了很多努力。一方面，他们设计了类似于关系数据中结构化数据表的技术（Google的BigTable，Hadoop的HBase）提供一些粗粒度的结构化数据存储和处理能力；另一方面，为了增强与关系数据库的集成能力，Hadoop MapReduce提供了相应的访问关系数据库库的编程接口。

　　MapReduce与MySQL交互的整体架构如下图所示。

图2-1整个环境的架构

　　具体到MapReduce框架读/写数据库，有2个主要的程序分别是DBInputFormat和DBOutputFormat，DBInputFormat 对应的是SQL语句select，而DBOutputFormat 对应的是Inster/update，使用DBInputFormat和DBOutputForma时候需要实现InputFormat这个抽象类，这个抽象类含有getSplits()和createRecordReader()抽象方法，在DBInputFormat类中由 protected String getCountQuery() 方法传入结果集的个数，getSplits()方法再确定输入的切分原则，利用SQL中的 LIMIT 和 OFFSET 进行切分获得数据集的范围 ，请参考DBInputFormat源码中public InputSplit[] getSplits(JobConf job, int chunks) throws IOException的方法，在DBInputFormat源码中createRecordReader()则可以按一定格式读取相应数据。

1）建立关系数据库连接

• DBConfiguration：提供数据库配置和创建连接的接口。

DBConfiguration类中提供了一个静态方法创建数据库连接：

public static void configureDB(Jobjob,StringdriverClass,StringdbUrl,StringuserName,StringPassword)

其中，job为当前准备执行的作业，driverClasss为数据库厂商提供的访问其数据库的驱动程序，dbUrl为运行数据库的主机的地址，userName和password分别为数据库提供访问地用户名和相应的访问密码。

2）相应的从关系数据库查询和读取数据的接口

• DBInputFormat：提供从数据库读取数据的格式。
• DBRecordReader：提供读取数据记录的接口。

　　3）相应的向关系数据库直接输出结果的编程接口

• DBOutputFormat：提供向数据库输出数据的格式。
• DBRecordWrite：提供数据库写入数据记录的接口。

　　数据库连接完成后，即可完成从MapReduce程序向关系数据库写入数据的操作。为了告知数据库将写入哪个表中的哪些字段，DBOutputFormat中提供了一个静态方法来指定需要写入的数据表和字段：

public static void setOutput(Job job,String tableName,String ... fieldName)

其中，tableName指定即将写入的数据表，后续参数将指定哪些字段数据将写入该表。

2.1 从数据库中输入数据

虽然Hadoop允许从数据库中直接读取数据记录作为MapReduce的输入，但处理效率较低，而且大量频繁地从MapReduce程序中查询和读取关系数据库可能会大大增加数据库的访问负载，因此DBInputFormat仅适合读取小量数据记录的计算和应用，不适合数据仓库联机数据分析大量数据的读取处理。

读取大量数据记录一个更好的解决办法是：用数据库中的Dump工具将大量待分析数据输出为文本数据文件，并上载到HDFS中进行处理。

1）首先创建要读入的数据

• Windows环境

　　首先创建数据库"school"，使用下面命令进行：

create database school;

然后通过以下几句话，把我们事先准备好的sql语句（student.sql事先放到了D盘目录）导入到刚创建的"school"数据库中。用到的命令如下：

use school;

source d:\student.sql

"student.sql"中的内容如下所示：

DROP TABLE IF EXISTS `school`.`student`;

CREATE TABLE `school`.`student` (

`id` int(11) NOT NULL default '0',

`name` varchar(20) default NULL,

`sex` varchar(10) default NULL,

`age` int(10) default NULL,

PRIMARY KEY (`id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

INSERT INTO `student` VALUES ('201201', '张三', '男', '21');

INSERT INTO `student` VALUES ('201202', '李四', '男', '22');

INSERT INTO `student` VALUES ('201203', '王五', '女', '20');

INSERT INTO `student` VALUES ('201204', '赵六', '男', '21');

INSERT INTO `student` VALUES ('201205', '小红', '女', '19');

INSERT INTO `student` VALUES ('201206', '小明', '男', '22');

执行结果如下所示：

查询刚才创建的数据库表"student"的内容。

结果发现显示是乱码，记得我当时是设置的UTF-8，怎么就出现乱码了呢？其实我们使用的操作系统的系统为中文，且它的默认编码是gbk，而MySQL的编码有两种，它们分别是：

　　【client】：客户端的字符集。客户端默认字符集。当客户端向服务器发送请求时，请求以该字符集进行编码。

　　【mysqld】：服务器字符集，默认情况下所采用的。

找到安装MySQL目录，比如我们的安装目录为：

E:\HadoopWorkPlat\MySQL Server 5.5

从中找到"my.ini"配置文件，最终发现my.ini里的2个character_set把client改成gbk，把server改成utf8就可以了。

【client】端：

[client]

port=3306

[mysql]

default-character-set=gbk

【mysqld】端：

[mysqld]

# The default character set that will be used when a new schema or table is

# created and no character set is defined

character-set-server=utf8

按照上面修改完之后，重启MySQL服务。

此时在Windows下面的数据库表已经准备完成了。

• Linux环境

　　首先通过"FlashFXP"把我们刚才的"student.sql"上传到"/home/hadoop"目录下面，然后按照上面的语句创建"school"数据库。

　　

查看我们上传的"student.sql"内容：

　　

创建"school"数据库，并导入"student.sql"语句。

　　

显示数据库"school"中的表"student"信息。

　　

显示表"student"中的内容。

　　

到此为止在"Windows"和"Linux"两种环境下面都创建了表"student"表，并初始化了值。下面就开始通过MapReduce读取MySQL库中表"student"的信息。

2）使MySQL能远程连接

MySQL默认是允许别的机器进行远程访问地，为了使Hadoop集群能访问MySQL数据库，所以进行下面操作。

• 用MySQL用户"root"登录。

mysql -u root -p

• 使用下面语句进行授权，赋予任何主机访问数据的权限。

GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'hadoop' WITH GRANT OPTION;

• 刷新，使之立即生效。

FLUSH PRIVILEGES;

执行结果如下图。

Windows下面：

　　

Linux下面：

　　

到目前为止，如果连接Win7上面的MySQL数据库还不行，大家还应该记得前面在Linux下面关掉了防火墙，但是我们在Win7下对防火墙并没有做任何处理，如果不对防火墙做处理，即使执行了上面的远程授权，仍然不能连接。下面是设置Win7上面的防火墙，使远程机器能通过3306端口访问MySQL数据库。

解决方案：只要在'入站规则'上建立一个3306端口即可。

　　执行顺序：控制面板à管理工具à高级安全的Windows防火墙à入站规则

　　然后新建规则à选择'端口'à在'特定本地端口'上输入一个'3306'à选择'允许连接'=>选择'域'、'专用'、'公用'=>给个名称，如：MySqlInput

3）对JDBC的Jar包处理

因为程序虽然用Eclipse编译运行但最终要提交到Hadoop集群上，所以JDBC的jar必须放到Hadoop集群中。有两种方式：

（1）在每个节点下的${HADOOP_HOME}/lib下添加该包，重启集群，一般是比较原始的方法。

我们的Hadoop安装包在"/usr/hadoop"，所以把Jar放到"/usr/hadoop/lib"下面，然后重启，记得是Hadoop集群中所有的节点都要放，因为执行分布式是程序是在每个节点本地机器上进行。

（2）在Hadoop集群的分布式文件系统中创建"/lib"文件夹，并把我们的的JDBC的jar包上传上去，然后在主程序添加如下语句，就能保证Hadoop集群中所有的节点都能使用这个jar包。因为这个jar包放在了HDFS上，而不是本地系统，这个要理解清楚。

DistributedCache.addFileToClassPath(new Path("/lib/mysql-connector-java-5.1.18-bin.jar"), conf);

我们用的JDBC的jar如下所示：

mysql-connector-java-5.1.18-bin.jar

通过Eclipse下面的DFS Locations进行创建"/lib"文件夹，并上传JDBC的jar包。执行结果如下：

　　

备注：我们这里采用了第二种方式。

4）源程序代码如下所示

packagecom.hebut.mr;

importjava.io.IOException;

importjava.io.DataInput;

importjava.io.DataOutput;

importjava.sql.Connection;

importjava.sql.DriverManager;

importjava.sql.PreparedStatement;

importjava.sql.ResultSet;

importjava.sql.SQLException;

importorg.apache.hadoop.filecache.DistributedCache;

importorg.apache.hadoop.fs.Path;

importorg.apache.hadoop.io.LongWritable;

importorg.apache.hadoop.io.Text;

importorg.apache.hadoop.io.Writable;

importorg.apache.hadoop.mapred.JobClient;

importorg.apache.hadoop.mapred.JobConf;

importorg.apache.hadoop.mapred.MapReduceBase;

importorg.apache.hadoop.mapred.Mapper;

importorg.apache.hadoop.mapred.OutputCollector;

importorg.apache.hadoop.mapred.FileOutputFormat;

importorg.apache.hadoop.mapred.Reporter;

importorg.apache.hadoop.mapred.lib.IdentityReducer;

importorg.apache.hadoop.mapred.lib.db.DBWritable;

importorg.apache.hadoop.mapred.lib.db.DBInputFormat;

importorg.apache.hadoop.mapred.lib.db.DBConfiguration;

publicclassReadDB {

publicstaticclassMapextendsMapReduceBaseimplements

Mapper<LongWritable, StudentRecord, LongWritable, Text> {

//实现map函数

publicvoidmap(LongWritable key, StudentRecord value,

OutputCollector<LongWritable, Text> collector, Reporter reporter)

throwsIOException {

collector.collect(newLongWritable(value.id),

newText(value.toString()));

}

}

publicstaticclassStudentRecordimplementsWritable, DBWritable {

publicintid;

publicStringname;

publicStringsex;

publicintage;

@Override

publicvoidreadFields(DataInput in)throwsIOException {

this.id= in.readInt();

this.name= Text.readString(in);

this.sex= Text.readString(in);

this.age= in.readInt();

}

@Override

publicvoidwrite(DataOutput out)throwsIOException {

out.writeInt(this.id);

Text.writeString(out,this.name);

Text.writeString(out,this.sex);

out.writeInt(this.age);

}

@Override

publicvoidreadFields(ResultSet result)throwsSQLException {

this.id= result.getInt(1);

this.name= result.getString(2);

this.sex= result.getString(3);

this.age= result.getInt(4);

}

@Override

publicvoidwrite(PreparedStatement stmt)throwsSQLException {

stmt.setInt(1,this.id);

stmt.setString(2,this.name);

stmt.setString(3,this.sex);

stmt.setInt(4,this.age);

}

@Override

publicString toString() {

returnnewString("学号："+this.id+"_姓名："+this.name

+"_性别："+this.sex+"_年龄："+this.age);

}

}

publicstaticvoidmain(String[] args)throwsException {

JobConf conf =newJobConf(ReadDB.class);

//这句话很关键

conf.set("mapred.job.tracker","192.168.1.2:9001");

//非常重要，值得关注

DistributedCache.addFileToClassPath(newPath(

"/lib/mysql-connector-java-5.1.18-bin.jar"), conf);

//设置输入类型

conf.setInputFormat(DBInputFormat.class);

//设置输出类型

conf.setOutputKeyClass(LongWritable.class);

conf.setOutputValueClass(Text.class);

//设置Map和Reduce类

conf.setMapperClass(Map.class);

conf.setReducerClass(IdentityReducer.class);

//设置输出目录

FileOutputFormat.setOutputPath(conf,newPath("rdb_out"));

//建立数据库连接

DBConfiguration.configureDB(conf,"com.mysql.jdbc.Driver",

"jdbc:mysql://192.168.1.24:3306/school","root","hadoop");

//读取"student"表中的数据

String[] fields = {"id","name","sex","age"};

DBInputFormat.setInput(conf, StudentRecord.class,"student",null,"id", fields);

JobClient.runJob(conf);

}

}

备注：由于Hadoop1.0.0新的API对关系型数据库暂不支持，只能用旧的API进行，所以下面的"向数据库中输出数据"也是如此。

5）运行结果如下所示

经过上面的设置后，已经通过连接Win7和Linux上的MySQL数据库，执行结果都一样。唯独变得就是代码中"DBConfiguration.configureDB"中MySQL数据库所在机器的IP地址。

2.2 向数据库中输出数据

基于数据仓库的数据分析和挖掘输出结果的数据量一般不会太大，因而可能适合于直接向数据库写入。我们这里尝试与"WordCount"程序相结合，把单词统计的结果存入到关系型数据库中。

1）创建写入的数据库表

我们还使用刚才创建的数据库"school"，只是在里添加一个新的表"wordcount"，还是使用下面语句执行：

use school;

sourcesql脚本全路径

下面是要创建的"wordcount"表的sql脚本。

DROP TABLE IF EXISTS `school`.`wordcount`;

CREATE TABLE `school`.`wordcount` (

`id` int(11) NOT NULL auto_increment,

`word` varchar(20) default NULL,

`number` int(11) default NULL,

PRIMARY KEY (`id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

执行效果如下所示：

• Windows环境

• Linux环境

2）程序源代码如下所示

packagecom.hebut.mr;

importjava.io.IOException;

importjava.io.DataInput;

importjava.io.DataOutput;

importjava.sql.PreparedStatement;

importjava.sql.ResultSet;

importjava.sql.SQLException;

importjava.util.Iterator;

importjava.util.StringTokenizer;

importorg.apache.hadoop.filecache.DistributedCache;

importorg.apache.hadoop.fs.Path;

importorg.apache.hadoop.io.IntWritable;

importorg.apache.hadoop.io.Text;

importorg.apache.hadoop.io.Writable;

importorg.apache.hadoop.mapred.FileInputFormat;

importorg.apache.hadoop.mapred.JobClient;

importorg.apache.hadoop.mapred.JobConf;

importorg.apache.hadoop.mapred.MapReduceBase;

importorg.apache.hadoop.mapred.Mapper;

importorg.apache.hadoop.mapred.OutputCollector;

importorg.apache.hadoop.mapred.Reducer;

importorg.apache.hadoop.mapred.Reporter;

importorg.apache.hadoop.mapred.TextInputFormat;

importorg.apache.hadoop.mapred.lib.db.DBOutputFormat;

importorg.apache.hadoop.mapred.lib.db.DBWritable;

importorg.apache.hadoop.mapred.lib.db.DBConfiguration;

publicclassWriteDB {

// Map处理过程

publicstaticclassMapextendsMapReduceBaseimplements

Mapper<Object, Text, Text, IntWritable> {

privatefinalstaticIntWritableone=newIntWritable(1);

privateTextword=newText();

@Override

publicvoidmap(Object key, Text value,

OutputCollector<Text, IntWritable> output, Reporter reporter)

throwsIOException {

String line = value.toString();

StringTokenizer tokenizer =newStringTokenizer(line);

while(tokenizer.hasMoreTokens()) {

word.set(tokenizer.nextToken());

output.collect(word,one);

}

}

}

// Combine处理过程

publicstaticclassCombineextendsMapReduceBaseimplements

Reducer<Text, IntWritable, Text, IntWritable> {

@Override

publicvoidreduce(Text key, Iterator<IntWritable> values,

OutputCollector<Text, IntWritable> output, Reporter reporter)

throwsIOException {

intsum = 0;

while(values.hasNext()) {

sum += values.next().get();

}

output.collect(key,newIntWritable(sum));

}

}

// Reduce处理过程

publicstaticclassReduceextendsMapReduceBaseimplements

Reducer<Text, IntWritable, WordRecord, Text> {

@Override

publicvoidreduce(Text key, Iterator<IntWritable> values,

OutputCollector<WordRecord, Text> collector, Reporter reporter)

throwsIOException {

intsum = 0;

while(values.hasNext()) {

sum += values.next().get();

}

WordRecord wordcount =newWordRecord();

wordcount.word= key.toString();

wordcount.number= sum;

collector.collect(wordcount,newText());

}

}

publicstaticclassWordRecordimplementsWritable, DBWritable {

publicStringword;

publicintnumber;

@Override

publicvoidreadFields(DataInput in)throwsIOException {

this.word= Text.readString(in);

this.number= in.readInt();

}

@Override

publicvoidwrite(DataOutput out)throwsIOException {

Text.writeString(out,this.word);

out.writeInt(this.number);

}

@Override

publicvoidreadFields(ResultSet result)throwsSQLException {

this.word= result.getString(1);

this.number= result.getInt(2);

}

@Override

publicvoidwrite(PreparedStatement stmt)throwsSQLException {

stmt.setString(1,this.word);

stmt.setInt(2,this.number);

}

}

publicstaticvoidmain(String[] args)throwsException {

JobConf conf =newJobConf(WriteDB.class);

//这句话很关键

conf.set("mapred.job.tracker","192.168.1.2:9001");

DistributedCache.addFileToClassPath(newPath(

"/lib/mysql-connector-java-5.1.18-bin.jar"), conf);

//设置输入输出类型

conf.setInputFormat(TextInputFormat.class);

conf.setOutputFormat(DBOutputFormat.class);

//不加这两句，通不过，但是网上给的例子没有这两句。

conf.setOutputKeyClass(Text.class);

conf.setOutputValueClass(IntWritable.class);

//设置Map和Reduce类

conf.setMapperClass(Map.class);

conf.setCombinerClass(Combine.class);

conf.setReducerClass(Reduce.class);

//设置输如目录

FileInputFormat.setInputPaths(conf,newPath("wdb_in"));

//建立数据库连接

DBConfiguration.configureDB(conf,"com.mysql.jdbc.Driver",

"jdbc:mysql://192.168.1.24:3306/school","root","hadoop");

//写入"wordcount"表中的数据

String[] fields = {"word","number"};

DBOutputFormat.setOutput(conf,"wordcount", fields);

JobClient.runJob(conf);

}

}

3）运行结果如下所示

• Windows环境

　　测试数据：

（1）file1.txt

hello word

hello hadoop

（2）file2.txt

虾皮 hadoop

虾皮 word

软件 软件

运行结果：

我们发现上图中出现了"?"，后来查找原来是因为我的测试数据时在Windows用记事本写的然后保存为"UTF-8"，在保存时为了区分编码，自动在前面加了一个"BOM"，但是不会显示任何结果。然而我们的代码把它识别为"?"进行处理。这就出现了上面的结果，如果我们在每个要处理的文件前面的第一行加一个空格，结果就成如下显示：

接着又做了一个测试，在Linux上面用下面命令创建了一个文件，并写上中文内容。结果显示并没有出现"?"，而且网上说不同的记事本软件（EmEditor、UE）保存为"UTF-8"就没有这个问题。经过修改之后的Map类，就能够正常识别了。

// Map处理过程

publicstaticclassMapextendsMapReduceBaseimplements

Mapper<Object, Text, Text, IntWritable> {

privatefinalstaticIntWritableone=newIntWritable(1);

privateTextword=newText();

@Override

publicvoidmap(Object key, Text value,

OutputCollector<Text, IntWritable> output, Reporter reporter)

throwsIOException {

String line = value.toString();

//处理记事本UTF-8的BOM问题

if(line.getBytes().length> 0) {

if((int) line.charAt(0) == 65279) {

line = line.substring(1);

}

}

StringTokenizer tokenizer =newStringTokenizer(line);

while(tokenizer.hasMoreTokens()) {

word.set(tokenizer.nextToken());

output.collect(word,one);

}

}

}

处理之后的结果：

从上图中得知，我们的问题已经解决了，因此，在编辑、更改任何文本文件时，请务必使用不会乱加BOM的编辑器。Linux下的编辑器应该都没有这个问题。Windows下，请勿使用记事本等编辑器。推荐的编辑器是： Editplus 2.12版本以上； EmEditor； UltraEdit（需要取消'添加BOM'的相关选项）； Dreamweaver（需要取消'添加BOM'的相关选项） 等。

　　对于已经添加了BOM的文件，要取消的话，可以用以上编辑器另存一次。（Editplus需要先另存为gb，再另存为UTF-8。） DW解决办法如下： 用DW打开指定文件，按Ctrl+Jà标题/编码à编码选择"UTF-8"，去掉"包括Unicode签名(BOM)"勾选à保存/另存为，即可。

国外有一个牛人已经把这个问题解决了，使用"UnicodeInputStream"、"UnicodeReader"。

地址：http://koti.mbnet.fi/akini/java/unicodereader/

示例：Java读带有BOM的UTF-8文件乱码原因及解决方法

代码：http://download.csdn.net/detail/xia520pi/4146123

• Linux环境

　　测试数据：

（1）file1.txt

MapReduce is simple

（2）file2.txt

MapReduce is powerful is simple

（3）file2.txt

Hello MapReduce bye MapReduce

运行结果：

到目前为止，MapReduce与关系型数据库交互已经结束，从结果中得知，目前新版的API还不能很好的支持关系型数据库的操作，上面两个例子都是使用的旧版的API。