3.2 Mapreduce实例—WordCount

实验3.2 Mapreduce实例—WordCount

字体：

实验目的

1.准确理解Mapreduce的设计原理

2.熟练掌握WordCount程序代码编写

3.学会自己编写WordCount程序进行词频统计

实验原理

MapReduce采用的是“分而治之”的思想，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从节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单来说，MapReduce就是“任务的分解与结果的汇总”。

1.MapReduce的工作原理

在分布式计算中，MapReduce框架负责处理了并行编程里分布式存储、工作调度，负载均衡、容错处理以及网络通信等复杂问题，现在我们把处理过程高度抽象为Map与Reduce两个部分来进行阐述，其中Map部分负责把任务分解成多个子任务，Reduce部分负责把分解后多个子任务的处理结果汇总起来，具体设计思路如下。

（1）Map过程需要继承org.apache.hadoop.mapreduce包中Mapper类，并重写其map方法。通过在map方法中添加两句把key值和value值输出到控制台的代码，可以发现map方法中输入的value值存储的是文本文件中的一行（以回车符为行结束标记），而输入的key值存储的是该行的首字母相对于文本文件的首地址的偏移量。然后用StringTokenizer类将每一行拆分成为一个个的字段，把截取出需要的字段（本实验为买家id字段）设置为key，并将其作为map方法的结果输出。

（2）Reduce过程需要继承org.apache.hadoop.mapreduce包中Reducer类，并重写其reduce方法。Map过程输出的<key,value>键值对先经过shuffle过程把key值相同的所有value值聚集起来形成values，此时values是对应key字段的计数值所组成的列表，然后将<key,values>输入到reduce方法中，reduce方法只要遍历values并求和，即可得到某个单词的总次数。

在main()主函数中新建一个Job对象，由Job对象负责管理和运行MapReduce的一个计算任务，并通过Job的一些方法对任务的参数进行相关的设置。本实验是设置使用将继承Mapper的doMapper类完成Map过程中的处理和使用doReducer类完成Reduce过程中的处理。还设置了Map过程和Reduce过程的输出类型：key的类型为Text，value的类型为IntWritable。任务的输出和输入路径则由字符串指定，并由FileInputFormat和FileOutputFormat分别设定。完成相应任务的参数设定后，即可调用job.waitForCompletion()方法执行任务，其余的工作都交由MapReduce框架处理。

2.MapReduce框架的作业运行流程

 

（1）ResourceManager：是YARN资源控制框架的中心模块，负责集群中所有资源的统一管理和分配。它接收来自NM(NodeManager)的汇报，建立AM，并将资源派送给AM(ApplicationMaster)。

（2）NodeManager：简称NM，NodeManager是ResourceManager在每台机器上的代理，负责容器管理，并监控他们的资源使用情况（cpu、内存、磁盘及网络等），以及向ResourceManager提供这些资源使用报告。

（3）ApplicationMaster：以下简称AM。YARN中每个应用都会启动一个AM，负责向RM申请资源，请求NM启动Container，并告诉Container做什么事情。

（4）Container：资源容器。YARN中所有的应用都是在Container之上运行的。AM也是在Container上运行的，不过AM的Container是RM申请的。Container是YARN中资源的抽象，它封装了某个节点上一定量的资源（CPU和内存两类资源）。Container由ApplicationMaster向ResourceManager申请的，由ResouceManager中的资源调度器异步分配给ApplicationMaster。Container的运行是由ApplicationMaster向资源所在的NodeManager发起的，Container运行时需提供内部执行的任务命令（可以是任何命令，比如java、Python、C++进程启动命令均可）以及该命令执行所需的环境变量和外部资源（比如词典文件、可执行文件、jar包等）。

    另外，一个应用程序所需的Container分为两大类，如下：

①运行ApplicationMaster的Container：这是由ResourceManager（向内部的资源调度器）申请和启动的，用户提交应用程序时，可指定唯一的ApplicationMaster所需的资源。

②运行各类任务的Container：这是由ApplicationMaster向ResourceManager申请的，并为了ApplicationMaster与NodeManager通信以启动的。

以上两类Container可能在任意节点上，它们的位置通常而言是随机的，即ApplicationMaster可能与它管理的任务运行在一个节点上。

实验环境

elementary 14.04

1.8.0_151-linux-x64

hadoop-2.6.5

hadoop-eclipse-plugin-2.6.5-.jar

eclipse-java-oxygen-1a-linux-gtk-x86_64.tar.gz

实验内容

    现有某电商网站用户对商品的收藏数据，记录了用户收藏的商品id以及收藏日期，名为buyer_favorite1。

buyer_favorite1包含：买家id，商品id，收藏日期这三个字段，数据以“\t”分割，样本数据及格式如下：

1. 买家id   商品id    收藏日期  

2. 10181   1000481   2010-04-04 16:54:31  

3. 20001   1001597   2010-04-07 15:07:52  

4. 20001   1001560   2010-04-07 15:08:27  

5. 20042   1001368   2010-04-08 08:20:30  

6. 20067   1002061   2010-04-08 16:45:33  

7. 20056   1003289   2010-04-12 10:50:55  

8. 20056   1003290   2010-04-12 11:57:35  

9. 20056   1003292   2010-04-12 12:05:29  

10. 20054   1002420   2010-04-14 15:24:12  

11. 20055   1001679   2010-04-14 19:46:04  

12. 20054   1010675   2010-04-14 15:23:53  

13. 20054   1002429   2010-04-14 17:52:45  

14. 20076   1002427   2010-04-14 19:35:39  

15. 20054   1003326   2010-04-20 12:54:44  

16. 20056   1002420   2010-04-15 11:24:49  

17. 20064   1002422   2010-04-15 11:35:54  

18. 20056   1003066   2010-04-15 11:43:01  

19. 20056   1003055   2010-04-15 11:43:06  

20. 20056   1010183   2010-04-15 11:45:24  

21. 20056   1002422   2010-04-15 11:45:49  

22. 20056   1003100   2010-04-15 11:45:54  

23. 20056   1003094   2010-04-15 11:45:57  

24. 20056   1003064   2010-04-15 11:46:04  

25. 20056   1010178   2010-04-15 16:15:20  

26. 20076   1003101   2010-04-15 16:37:27  

27. 20076   1003103   2010-04-15 16:37:05  

28. 20076   1003100   2010-04-15 16:37:18  

29. 20076   1003066   2010-04-15 16:37:31  

30. 20054   1003103   2010-04-15 16:40:14  

31. 20054   1003100   2010-04-15 16:40:16  

        要求编写MapReduce程序，统计每个买家收藏商品数量。统计结果数据如下：

1. 买家id 商品数量  

2. 10181   1  

3. 20001   2  

4. 20042   1  

5. 20054   6  

6. 20055   1  

7. 20056   12  

8. 20064   1  

9. 20067   1  

10. 20076   5