3 MapReduce计算模型

MapReduce被广泛应用于日志分析、海量数据排序、在海量数据中查找特定模式等场景中。

MapReduceJob

在Hadoop中，每个MapReduce任务都被初始化为一个Job。

每个Job又可以分为两个阶段：Map阶段和Reduce阶段。这两个阶段分别用Map函数和Reduce函数来表示。

Map函数接收一个<key,value>形式的输入，然后产生另一种<key,value>的中间输出，Hadoop负责将所有具有相同中间key值的value集合到一起传递给Reduce函数；Reduce函数接收一个如<key,(list of values)>形式的输入，然后对这个value集合进行处理并输出结果，Reduce的输出也是<key,value>形式的。

InputFormat()和InputSplit

InputSplit是Hadoop中用来把输入数据传送给每个单独的Map，InputSplit存储的并非数据本身，而是起始位置、分片长度和一个记录数据所在主机的数组。生成InputSplit的方法可以通过InputFormat()来设置。当数据传送给Map时，Map会将输入分片传送到InputFormat()上，InputFormat调用getRecordReader()方法生成RecordReader，RecordReader在通过creatKey()、createValue()方法将InputSplit创建成可供Map处理的<key,value>对。即，InputFormat()方法是用来生成可供Map处理的<key,value>对的。

InputFormat

    BaileyBorweinPlouffe.BbpInputFormat

    ComposableInputFormat

    CompositeInputFormat

    DBInputFormat

    DistSum.Machine.AbstractInputFormat

    FileInputFormat

        CombineFileInputFormat

        KeyValueTextInputFormat

        NLineInputFormat

        SequenceFileInputFormat

        TeraInputFormat

        TextInputFormat

TextInputFormat是Hadoop默认的输入方式。在TextInputFormat中，每个文件（或其一部分）都会单独作为Map的输入，而这是继承自FileInputFormat的。之后，每行数据都会生成一条记录，每条记录则表示成<key,value>形式。

key值是每个数据记录在数据分片中的字节偏移量，数据类型是LongWritable；

value值是每行的内容，数据类型是Text。

如：

file1:

0 hello world bye world

file2:

0 hello hadoop bye hadoop

两个文件都会被单独输入到一个Map中，因此它们的值都是0。

OutputFormat()

默认的输出格式是TextOutputFormat，每条记录以一行的形式存入文本文件，键和值是任意形式的，程序内部调用toString()方法将键和值转换为String类型再输出。

Map函数和Reduce函数：

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

    protected void map(LongWritable key, Text value,Context context)
                       throws IOException, InterruptedException {
        String[] words = StringUtils.split(value.toString(), ' ');
        for(String w :words){
            context.write(new Text(w), new IntWritable(1));
        }
    }
}

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

    protected void reduce(Text key, Iterable<IntWritable> values,Context context)
                        throws IOException, InterruptedException {
        int sum =0;
        for(IntWritable i: values){
            sum=sum+i.get();
        }
        arg2.write(key, new IntWritable(sum));
    }
}

public class RunJob {

    public static void main(String[] args) {
        Configuration config =new Configuration();
//      config.set("fs.defaultFS", "hdfs://node1:8020");
//      config.set("yarn.resourcemanager.hostname", "node1");
        config.set("mapred.jar", "C:\\Users\\Administrator\\Desktop\\wc.jar");
        try {
            FileSystem fs =FileSystem.get(config);
			
            Job job =Job.getInstance(config);
            job.setJarByClass(RunJob.class);
			
            job.setJobName("wc");
			
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReducer.class);
			
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);
			
            FileInputFormat.addInputPath(job, new Path("/usr/input/"));
			
            Path outpath =new Path("/usr/output/wc");
            if(fs.exists(outpath)){
                fs.delete(outpath, true);
            }
            FileOutputFormat.setOutputPath(job, outpath);
			
            boolean f= job.waitForCompletion(true);
            if(f){
                System.out.println("job completion");
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

注意两种情况：

1、Reduce Task的数量可以由程序指定，当存在多个Reduce Task时，每个Reduce会搜集一个或多个key值。当存在多个Reduce Task时，每个Reduce Task都会生成一个输出文件；

2、没有Reduce任务的时候，系统会直接将Map的输出结果作为最终结果，有多少个Map就有多少个输出。

MapReduce任务的优化

如何完成这个任务，怎么能让程序运行的更快。

MapReduce计算模型的优化主要集中在两个方面：计算性能方面；IO操作方面。

1、任务调度；

计算方面：优先将任务分配给空闲机器；

IO方面：尽量将Map任务分配给InputSplit所在的机器。

2、数据预处理与InputSplit的大小

MapReduce擅长处理少量的大数据，在处理大量的小数据时性能会很逊色。

因此在提交MapReduce任务前可以先对数据进行一次预处理，将数据合并以提高MapReduce任务的执行效率。

另一方面是参考Map任务的运行时间，当一个Map任务只需要运行几秒就可以结束时，就需要考虑是否应该给它分配更多的数据。通常而言，一个Map任务的运行时间在一分钟左右比较合适。

在FileInputFormat中（除了CombineFileInputFormat），Hadoop会在处理每个Block后将其作为一个InputSplit，因此合理地设置block块大小是很重要的调节方式。

3、Map和Reduce任务的数量

Map/Reduce任务槽：集群能够同时运行的Map/Reduce任务的最大数量。

如100台机器，每台最多同时运行10个Map和5个Reduce，则Map任务槽为1000，Reduce任务槽为500。

设置Map任务的数量主要参考的是Map的运行时间，设置Reduce任务的数量主要参考的是Reduce槽的数量。

Reduce任务槽的0.95倍，如果一个Reduce任务失败，可以很快找到一个空闲的机器重新执行；

Reduce任务槽的1.75倍，执行快的机器可以获得更多的Reduce任务，因此可以使负载更加均衡，以提高任务的处理速度。

4、Combine函数

用于本地合并数据，以减少网络IO操作的消耗。

合理的设计combine函数会有效减少网络传输的数据量，提高MapReduce的效率。

job.setCombinerClass(combine.class);

在WordCount中，可以指定Reduce类为combine函数：

job.setCombinerClass(Reduce.class);

5、压缩

可以选择对Map的输出和最终的输出结果进行不同压缩方式的压缩。

在一些情况下，Map的中间输出可能会很大，对其进行压缩可以有效地减少网络上的数据传输量。

6、自定义comparator

自定义Hadoop数据类型时，推荐自定义comparator来实现数据的比较，这样可以省去数据序列化和反序列化的时间，提高程序的运行效率。