4.1 MapReduce概述
2003年和2004年,Google公司在国际会议上分别发表了两篇关于Google分布式文件系统和MapReduce的论文,公布了Google的GFS和MapReduce的基本原理和主要设计思想。
4.1.1 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。
MapReduce采用"分而治之"思想,把对大规模数据集的操作,分发给一个主节点管理下的各个子节点共同完成,然后整合各个子结点的中间结果,得到最终的计算结果。简而言之,MapReduce就是"分散任务,汇总结果"
4.1.2 MapReduce优缺点
MapReduce擅长的场景:
- 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。
- 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。
- 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。
- 能对PB级以上的海量数据离线处理
可以实现上千台服务器集群并发工作,提供数据处理能力。
MapReduce不擅长的场景:
- 实时计算
MapReduce无法像MySQL一样,在毫秒或者秒级内返回结果。
- 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。
- DAG(有向图)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,降低使用性能。
4.2 MapReduce编程模型
从MapReduce自身的命名特点可以看出,MapReduce至少由两部分组成:Map和Reduce。Map理解为"映射",Reduce理解为"化简"。用户只需要编写map()和reduce()两个函数即可完成简单的分布式程序的设计。
- 输入(input)一个大文件,通过拆分(Split)之后,将其分为多个分片。
- 每个文件分片由单独的主机处理,这就是Map方法。
- 将各个主机计算的结果进行汇总并得到最终结果,这就是Reduce方法。
MapReduce编程模型如下的几个要点:
- 任务Job = Map + Reduce
- Map的输出是Reduce的输入。
- 所有的输入和输出都是<Key,Value>的形式。
<k1,v1>是Map的输入,<k2,v2>是Map的输出。
<k3,v3>是Reduce的输入,<k4,v4>是Reduce的输出。
- k2=k3, v3是一个集合,v3的元素就是v2,表示为v3=list(v2)。
- 所有的输入和输出的数据类型必须是Hadoop的数据类型,数据类型如下表:
MapReduce要求<key, value>的key和value都要实现Writable接口,从而支持Hadoop的序列化和反序列化。上面的Hadoop的内置类型都实现了Writable接口,用户也必须对自定义的类实现Writable接口。
- MapReduce处理的数据都是HDFS的数据(或HBase)。
4.2.1 MapReduce编程模型概述
MapReduce大致工作流程:
主要分为八个步骤:
(1)对输入文件进行切片规划。
(2)启动相应数量的Map Task进程。
(3)调用InputFormat中的RecordReader,读一行数据并封装为<k1,v1>,并将<k1,v1>传给map函数。
(4)调用自定义的map函数计算,并输出<k2,v2>。
(5)收集map的输出,进行分区和排序(shuffle)。
(6)Reduce Task任务启动,并从map端拉取数据。Reduce Task获取到输入数据<k3,v3>。
(7)Reduce Task调用自定义的reduce函数进行计算,得到输出<k4,v4>。
(8)调用Outputformat的RecordWriter将结果数据输出。
4.2.2 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:
(1)MrAppMaster:负责整个程序的过程调度及状态协调。
(2)MapTask:负责Map阶段的整个数据处理流程。
(3)ReduceTask:负责Reduce阶段的整个数据处理流程。
4.2.3 MapReduce编程规范
用户编写的程序分成三个部分:Mapper、Reducer和Driver。
- Mapper阶段
- 用户自定义的Mapper要继承自己的父类;
- Mapper的输入数据是k,v对的形式(k,v的类型可自定义);
- Mapper中的业务逻辑写在map()方法中;
- Mapper的输入数据是k,v对的形式(k,v的类型可自定义);
- map()方法(Map Task进程)对每一个<k, v>调用一次;
- Reducer阶段
- 用户自定义的Reducer要继承自己的父类;
- Reducer的输入数据类型对应Mapper的输出数据类型,也是k, v;
- Reducer的业务逻辑卸载reduce()方法中;
- Reduce Task进程对每一组相同k的<k, v>组调用一次reduce()方法。
- Driver阶段
相当于YARN集群的客户端,用于提交整个程序到YARN集群,提交的是封装了MapReduce程序相关运行参数的job对象。
4.2.4 MapReduce编程实例
案例一:WordCount
WordCount案例是大数据并行计算的经典案例,它的主要功能是统计文本中每个单词出现的次数。
-
使用Hadoop自带的WordCount代码处理数据
/input/data.txt是保存在HDSF中的根目录下的,手动创建这个文件,并输入如下内容:
a goog beginning is half the battle where there is a will there is a way
运行Hadoop自带的MapReduce程序,命令为:
hadoop jar hadoop-mapreduce-examples-3.1.3.jar wordcount /input/data.txt /output/wordcount
map阶段
这个内容分片,送到Map阶段。输入是<k1,v1>,k1是一个偏移量,是一个长整数类型。偏移量即这一行内容首字母在整个文档中偏移的字节。
举个例子,文件内容(\n表示换行符)是:
12\n34
两行,那么第一行的偏移量是0,第二行的偏移量是3。
而v1则是这一行的文件内容。
比如第一行的:a good beginning is half the battle。v1的类型则是字符串,对应Hadoop的类型是Text。
<k1,v1>的类型和含义即:
k1:偏移量 LongWritable
v1:数据 Text
v1要计算单词次数的,拆出来后则分别是:
a、good、 beginning、 is、 half、 the、 battle
对每个单词标记次数1,输出<k2,v2>。<k2,v2>的含义和类型基本也清楚了,即:
k2:单词 Text
v2:1 IntWritable
按MapReduce编程模型要点,k2=k3,v3是一个集合,v3的元素是v2。那<k3,v3>其实与<k2,v2>的类似和含义是相似的。
<k3,v3>是:
k3:单词 Text
v3:1 IntWritable
在Reduce阶段,<k3,v3>中,k3已经是某个单词,v3是这个单词出现的次数组成的集合。那对这个集合进行遍历,把次数相加,则得到这个单词出现的总数输出<k4,v4>。
<k4,v4>是:
k4:单词 Text
v4:频率 IntWritable
再将<k4,v4>再输出到HDFS。
这样,整个MapReduce的数据处理过程就结束了。
- 开发自己的WordCount程序
自动动手实现WordCount程序,分为以下几个步骤:
① 准备好开发环境
采用IDEA和Maven开发。
②添加依赖
在pom.xml文件中添加如下依赖:
<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>
③在项目的src/main/resources目录下,新建一个文件,命名为“log4j.properties”,填入如下内容:
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
④创建包名:com.li.mapreduce.wordcount
⑤编写程序
继承Mapper类实现自己的Mapper类,并重写map()方法
package com.li.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
Text k = new Text();
IntWritable v = new IntWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();
// 2 切割
String[] words = line.split(" ");
// 3 输出
for (String word : words) {
k.set(word);
context.write(k, v);
}
}
}
继承Reducer类,实现自己的Reducer类,并重写reduce()方法:
package com.li.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
int sum;
IntWritable v = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
// 1 累加求和
sum = 0;
for (IntWritable count : values) {
sum += count.get();
}
// 2 输出
v.set(sum);
context.write(key,v);
}
}
程序主入口类:
import java.io.IOException;
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;
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 1 获取配置信息以及获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
// 2 关联本Driver程序的jar
job.setJarByClass(WordCountDriver.class);
// 3 关联Mapper和Reducer的jar
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
// 4 设置Mapper输出的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 5 设置最终输出kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 6 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
⑥构建
通过执行mvn clean package对工程进行构建
a. 用maven打jar包,需要添加的打包插件依赖,添加在POM.xml文件中
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.6.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
注意:如果工程上显示红叉。在项目上右键->maven->Reimport刷新即可。
b. 将程序打成jar包
c. 修改不带依赖的jar包名称为wc.jar,并使用远程工具将该jar包到Hadoop集群的/opt/module/hadoop-3.1.3路径。
⑦运行
启动集群
[li@hadoop102 bin]$ myhadoop.sh start
使用vim在wcinput目录中创建words.txt文件,文件内容为:
a good beginning is half the battle
where there is a will there is a way
将words.txt文件上传到hdfs的/input目录下
[li@hadoop102 wcinput]$ hadoop fs -put words.txt /input
执行WordCount程序
[li@hadoop102 hadoop-3.1.3]$ hadoop jar wc.jar com.li.mapreduce.wordcount.WordCountDriver /input/words.txt /output1
运行完毕后通过浏览器查看输出结果:
output1目录中存放了计算结果:
查看结果:
从结果可以看出不仅统计了单词出现的次数,还按照字母先后顺序进行了排序。
案例二:
统计各部门员工薪水总和
员工工资表,通过MapReduce来统计每个部门的工资总额
数据为三个表:emp.csv、dept.csv、sales.csv文件,存放地址:https://mp.csdn.net/mp_download/manage/download/UpDetailed
emp.csv表结构:
字段名 | 类型 | 说明 |
---|---|---|
EMPNO | INT | 员工ID |
ENAME | VARCHAR(10) | 员工名称 |
JOB | VARCHAR(9) | 员工职位 |
MGR | INT | 直接领导的员工ID |
HIREDATE | DATE | 雇佣时间 |
SAL | INT | 工资 |
COMM | INT | 奖金 |
DEPTNO | CHAR(5) | 部门号 |
(1)分析:求每个部门的工资总额数据的处理过程
① Map阶段
输入数据<k1, v1>,k1是偏移量,类型固定为LongWritable, v1是每一行的文本,类型为Text。为了计算每个部门的工资总额,SAL(薪金)、DEPTNO(部门号)是主要字段。
可以把DEPTNO(部门号)作为k2,类型是IntWritable;SAL(薪金)作为v2,类型是IntWritable。
map()函数把输入按照“,”拆分,并取到SAL、DEPTNO的值。以DEPTNO为k2,SAL为v2,输出<k2,v2>
② Reduce阶段
输入<k3,v3>,k3和k2一样,是DEPTNO,类型是IntWritable,v3则是v2的集合,集合中每个元素的类型是IntWritable。对于reduce()函数,它已经取得输入的值<k3,v3>。因为v3即list(v2),对于v3这个集合进行遍历,把每个元素相加,即得到该部门的总薪金,作为v4。k4则还是DEPTNO,输出<k4, v4>。
(2)开发自己的MapReduce
Mapper类:
Reducer类:
程序主入口: