mapreduce学习总结
哈哈哈,马上就要大数据竞赛了,这是第二遍看mapreduce了,历经了5天,终于比较详细的mapreduce看完了,还是比较开心的。脑子里有了大体的框架。
首先不谈知识点,我来说下看mapreduce的感受,了解原理真的很重要,第一遍没有做太多的练习。只是看了知识点,尤其在mapreduce的流程和原理。对于原理因为涉及到源码,所以现在还有点欠缺。对java基础要求比较严格。但是原理还是吃的比较透的,原理简单来说就是逻辑。后续写mapreduce程序的时候很多次卡壳,但是就在脑子里回顾流程。对应着每一步写出代码。并且在出错时,也可以借助流程图来判断是不是丢了那一步。
接下来说下知识点吧,主要介绍用mapreduce程序来处理数据。
首先来说下mapreduce的流程,mapreduce程序分为maptask和reducetask两个部分。maptask程序负责读取文件,每次读取一行,将读取的内容以<k,v>形式保存到context中,k表示偏移量,v表示每一行的内容。(这里说一下由context可以获取切片信息,由切片信息又可以获取切片对应的文件信息,包括文件大小和文件名等信息),每读取一行后,就调用一次map方法,map方法里是数据处理的逻辑方法。这是由我们根据题意确定逻辑自己写的。map方法会返回给context(也就是maptask框架)<k2,v2>,接下来map程序会把<k2,v2>写到缓存中。当缓存达到一个阈值后,会输出。注意:输出的时候会经历两个步骤,第一个分区,第二个排序。对于分区规则默认是按照key的hashcode除以numreducetask来分区的,当然分区规则是可以改变的。这就牵扯到了mapreduce程序的一个类别:分区。主要应用在将输出结果多文件输出的案例中,代表题目是按照号码确定省份输出。
第二个是排序,排序默认是在同一个分区内按照key值字典排序。通过修改排序方法可以分为很多种排序。主要是全排序(在一个输出文件中有序排序)。案例代表是流量案例。其次是分区排序,主要是将分区和排序结合起来。
还有一个特殊的排序是分组排序,分组排序一般是针对key有两个或两个以上的字段,按照一个或多个字段设置排序规则进行排序。案例是商品最高成交价格的输出。
排序和分区说完了,我们来介绍其他几个代表的mapreduce案例。
一个是清洗还有个是去重。去重方法是将每一行读取的内容作为key输出,value作为nullwritable输出。这样在reducetask阶段,就会去除重复的行,实质也就是合并了相同的key。将key相同的作为一组。{key:v1,v2,v3…}
清洗就是指数据不一致通过一些过滤方法。