Hadoop MapReduce各阶段执行过程以及Python代码实现简单的WordCount程序

视频资料：黑马程序员大数据Hadoop入门视频教程，适合零基础自学的大数据Hadoop教程

Map阶段执行过程

1. 把输入目录下文件按照一定的标准逐个进行逻辑切片，每个块的默认大小为Split size = Block size(128M)，不足128M的为一个块，每一个切片由一个MapTask处理。
2. 对切片中的数据按照一定的规则读取解析返回<key, value>对。
3. 调用Mapper类中的map方法处理数据。每读取解析出一个<key, value>，调用一次map方法。
4. 按照一定的规则对Map输出的键值对进行分区partition。默认不分区，因为只有一个reducetask。分区的数量就是reducetask运行的数量。
5. Map输出数据写入内存缓冲区Memory Buffer，达到比例溢出到磁盘上。溢出spill的时候根据key进行排序sort。默认根据key字典序排序。
6. 对所有溢出文件进行最终的合并merge，成为一个文件。
   

Reduce阶段执行过程

1. ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据。
2. 把拉取来的数据全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
3. 对排序后的键值对调用reduce方法。键相同的键值对调用一次reduce方法。最后把这些输出的键值对写入到HDFS文件中。

Python代码实现MapReduce的WordCount实例

首先介绍一个叫做Hadoop Streaming的工具，它能够帮助用户创建一类特殊的map/reduce作业，这些特殊的作业是由一些可执行文件或脚本文件充当mapper或者reducer。例如：

$HADOOP_HOME/bin/hadoop  jar $HADOOP_HOME/hadoop-streaming.jar \
    -input myInputDirs \
    -output myOutputDir \
    -mapper mapper.py \
    -reducer reducer.py

Mapper任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入STDIN。 同时，mapper收集可执行文件进程标准输出STDOUT的内容，并把收到的每一行内容转化成key/value对，作为mapper的输出。

Reducer任务运行时，它把输入切分成行并把每一行提供给可执行文件进程的标准输入。 同时，reducer收集可执行文件进程标准输出的内容，并把每一行内容转化成key/value对，作为reducer的输出。

以下内容是代码示例：
新建文件夹WordCountTask，并在该文件夹下新建文本文档word.txt，输入以下内容：

Hello World
Hello Hadoop
Hello MapReduce

在WordCountTask文件夹下分别创建mapper.py和reducer.py两个文件：

mapper.py

#!/usr/bin/python3

import sys

for line in sys.stdin:
    # 去除输入内容首位的空白字符
    line = line.strip()
    # 将输入内容分割为单词
    words = line.split()
    for word in words:
        # 将结果写到标准输出STDOUT，作为Reduce阶段代码的输入
        print("%s\t%s" % (word, 1))

输入命令cat word.txt | ./mapper.py，运行结果如下：

reducer.py

#!/usr/bin/python3

import sys

current_word = None
current_count = 0
word = None

for line in sys.stdin:
    line = line.strip()
    word, count = line.split("\t", 1)
    try:
        count = int(count)
    except ValueError:
        continue
    if current_word == word:
        current_count += count
    else:
        if current_word:
            print("%s\t%s" % (current_word, current_count))
        current_count = count
        current_word = word

if word == current_word:
    print("%s\t%s" % (current_word, current_count))

输入命令cat word.txt | ./mapper.py | sort | ./reducer.py，运行结果如下：

• 解释一下，符号|是Linux系统中的管道符，管道符主要用于多重命令处理，前面命令的打印结果作为后面命令的输入。
• sort命令用于将文本文件内容加以排序。

在Hadoop HDFS文件系统中运行

在三台虚拟机搭建的Hadoop伪分布式系统上运行刚刚写的mapper和reducer

1. 首先需要启动Hadoop及所需组件：
   
2. 在HDFS文件系统根目录下新建文件夹WordCountTask，并将word.txt上传到该目录下：

[root@master ~]# hadoop fs -mkdir /WordCountTask
[root@master ~]# hadoop fs -put WordCountTask/word.txt  /WordCountTask

3. 运行命令：

[root@master ~]# hadoop jar $HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-2.7.1.jar \
-input /WordCountTask/ \
-output /WordCountTask/out \
-file /root/WordCountTask/mapper.py \
-mapper /root/WordCountTask/mapper.py  \
-file /root/WordCountTask/reducer.py \
-reducer /root/WordCountTask/reducer.py 

4. 最终程序的结果在-output参数指定的路径中，此路径为程序自动生成，程序执行前不能有该路径。Hadoop Streaming是Hadoop自带的流处理包。程序的流程是原文本以流式方式传到Map函数，Map函数处理之后把结果传到Reduce函数，最终结果会保存在HDFS上。