Hadoop入门(四) Hadoop中MapReduce的工作原理并使用Maven搭建开发环境

最新推荐文章于 2022-09-27 16:33:22 发布

别等时光染了梦想

最新推荐文章于 2022-09-27 16:33:22 发布

阅读量537

点赞数 2

分类专栏： Hadoop 文章标签： MapReduce

本文链接：https://blog.csdn.net/wangxueqing52/article/details/79409219

版权

Hadoop 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

MapReduce简介

MapReduce是一种分布式计算模型，是Google提出的，主要用于搜索领域，解决海量数据的计算问题。
MR有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。

MapReduce执行流程

MapReduce原理

MapReduce的执行步骤：

1、Map任务处理

　　1.1 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。 <0,hello you> <10,hello me>

　　1.2 覆盖map()，接收1.1产生的<k,v>，进行处理，转换为新的<k,v>输出。　　　　　　　　　　<hello,1> <you,1> <hello,1> <me,1>

　　1.3 对1.2输出的<k,v>进行分区。默认分为一个区。详见《Partitioner》

　　1.4 对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。　排序后：<hello,1> <hello,1> <me,1> <you,1> 分组后：<hello,{1,1}><me,{1}><you,{1}>

　　1.5 （可选）对分组后的数据进行归约。

2、Reduce任务处理

　　2.1 多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。（shuffle）

　　2.2 对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，　<hello,2> <me,1> <you,1>

　　　　处理后，产生新的<k,v>输出。

　　2.3 对reduce输出的<k,v>写到HDFS中。

Java代码实现

1、准备工作

pom.xml添加依赖

Java初始化hdfs client时出现的，原因是maven依赖的版本和hdfs的版本不一致

maven仓库中的hadoop-core最高只有1.2.1版本， 不能加这个配置， 使用hadoop-common + hadoop-hdfs + hadoop-client的2.7.5版本即可

      <!-- <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-core</artifactId>
        <version>1.2.1</version>
      </dependency> -->

      <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>2.7.5</version>
      </dependency>

      <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>2.7.5</version>
      </dependency>

      <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.7.5</version>
      </dependency>

2、先创建一个test文件，上传到HDFS中

[root@server01 home]# hadoop fs -ls /
Found 2 items
drwxr-xr-x   - root supergroup          0 2018-02-28 17:58 /out
drwx------   - root supergroup          0 2018-02-28 17:57 /tmp
[root@server01 home]# ls
ds  test.txt
[root@server01 home]# cat test.txt
hello world
hello kitty
hello pig
hello dog
[root@server01 home]# hadoop fs -put test.txt /test.txt
[root@server01 home]# hadoop fs -ls /
Found 3 items
drwxr-xr-x   - root supergroup          0 2018-02-28 17:58 /out
-rw-r--r--   1 root supergroup         45 2018-02-28 19:22 /test.txt
drwx------   - root supergroup          0 2018-02-28 17:57 /tmp

3、然后再编写代码，实现文件中的单词个数统计

package mapreduce;


import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;


public class WordCountApp {
    static final String INPUT_PATH = "hdfs://server01:9000/test";
    static final String OUT_PATH = "hdfs://server01:9000/out";


    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);
        Path outPath = new Path(OUT_PATH);
        if (fileSystem.exists(outPath)) {
            fileSystem.delete(outPath, true);
        }


        Job job = new Job(conf, WordCountApp.class.getSimpleName());


        // 1.1指定读取的文件位于哪里
        FileInputFormat.setInputPaths(job, INPUT_PATH);
        // 指定如何对输入的文件进行格式化，把输入文件每一行解析成键值对
        //job.setInputFormatClass(TextInputFormat.class);


        // 1.2指定自定义的map类
        job.setMapperClass(MyMapper.class);
        // map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略
        //job.setOutputKeyClass(Text.class);
        //job.setOutputValueClass(LongWritable.class);


        // 1.3分区
        //job.setPartitionerClass(org.apache.hadoop.mapreduce.lib.partition.HashPartitioner.class);
        // 有一个reduce任务运行
        //job.setNumReduceTasks(1);


        // 1.4排序、分组


        // 1.5归约


        // 2.2指定自定义reduce类
        job.setReducerClass(MyReducer.class);
        // 指定reduce的输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);


        // 2.3指定写出到哪里
        FileOutputFormat.setOutputPath(job, outPath);
        // 指定输出文件的格式化类
        //job.setOutputFormatClass(TextOutputFormat.class);


        // 把job提交给jobtracker运行
        job.waitForCompletion(true);
    }


    /**
     * 
     * KEYIN     即K1     表示行的偏移量 
     * VALUEIN     即V1     表示行文本内容 
     * KEYOUT     即K2     表示行中出现的单词 
     * VALUEOUT 即V2        表示行中出现的单词的次数，固定值1
     * 
     */
    static class MyMapper extends
            Mapper<LongWritable, Text, Text, LongWritable> {
        protected void map(LongWritable k1, Text v1, Context context)
                throws java.io.IOException, InterruptedException {
            String[] splited = v1.toString().split("\t");
            for (String word : splited) {
                context.write(new Text(word), new LongWritable(1));
            }
        };
    }


    /**
     * KEYIN     即K2     表示行中出现的单词 
     * VALUEIN     即V2     表示出现的单词的次数 
     * KEYOUT     即K3     表示行中出现的不同单词
     * VALUEOUT 即V3     表示行中出现的不同单词的总次数
     */
    static class MyReducer extends
            Reducer<Text, LongWritable, Text, LongWritable> {
        protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s,
                Context ctx) throws java.io.IOException,
                InterruptedException {
            long times = 0L;
            for (LongWritable count : v2s) {
                times += count.get();
            }
            ctx.write(k2, new LongWritable(times));
        };
    }
}

4、执行MR的命令：

hadoop jar <jar在linux的路径> <main方法所在的类的全类名> <参数>
例子：
hadoop jar HadoopDemo.jar com.xueqing.demo.test.WordCount hdfs://server01:9000/test /out

5、MR执行流程

(1).客户端提交一个mr的jar包给JobClient(提交方式：hadoop jar ...)
(2).JobClient通过RPC和ResouceManager进行通信，返回一个存放jar包的地址（HDFS）和jobId
(3).client将jar包写入到HDFS当中(path = hdfs上的地址 + jobId)
(4).开始提交任务(任务的描述信息，不是jar, 包括jobid，jar存放的位置，配置信息等等)
(5).ResouceManger进行初始化任务,将描述信息放入调度器中
(6).读取HDFS上的要处理的文件，开始计算输入分片，每一个分片对应一个MapperTask
(7).NodeManager通过心跳机制领取任务（任务的描述信息）
(8).下载所需的jar，配置文件等
(9).NodeManager启动一个yarn child子进程，用来执行具体的任务（MapperTask或ReducerTask）

6、运行成功后，可以在Linux中查看操作的结果

[root@server01 home]# hadoop fs -text /out/part-r-00000
dog	1
hello	4
kitty	1
pig	1
world	1

别等时光染了梦想

关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Hadoop入门(四) Hadoop中MapReduce的工作原理并使用Maven搭建开发环境

MapReduce简介MapReduce是一种分布式计算模型，是Google提出的，主要用于搜索领域，解决海量数据的计算问题。MR有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。MapReduce执行流程MapReduce原理MapReduce的执行步骤：1、Map任务处理　　1.1 读取HDFS中的文件。每一行解析成一个&lt;k,v&...
复制链接

扫一扫

专栏目录