MapReduce介绍-基础篇
一、基础概念
1.1 前言
MAP:映射
Reduce:聚合
MapReduce是一种数据处理编程模型(google并行计算框架)
1.2 Mapreduce组件
名 | 描述 | 数量 |
JobTracker | Mapreduce任务管理器 | 1 |
TaskTracker | 任务运行节点(计算节点) | N |
|
|
|
|
|
|
1.3 Mapreduce概念
名 | 描述 | 数量 |
Jobclient | 任务客户端,向JobTracker提交任务 |
|
Job | JobTracker接收提交的任务,生成一个job |
|
Map | JobTracker将job分解成多个map任务 | N |
Reduce | JobTracker将job分解成多个reduce任务 | N |
二、计算模型
2.1 模型
每个Mapreduce任务都被初始化为一个job,job又可以分为两个阶段:Map阶段、reduce阶段。Map函数会接收一个<key,value>形式的输入,然后产生一个<key,value>输出,然后,hadoop会将具有相同key值的value集合<key,list<value>>,传递给reduce函数处理,reduce处理结束后,输出最终我们想要的结果,形式为<key,value>,输出会对key进行排序
List<Pair<key,value>> map(key,value)
List<Pair<key,value>>Reduce(key,list<value>)
2.2 一个简单的排序任务
对hdfs目录/wolf1下的文件进行排序
bin/hadoopjar contrib/streaming/hadoop-streaming-1.2.1.jar -input /wolf1 -output /wolf2 -mapper /bin/cat-reducer /bin/cat
两张oracle表进行join操作
Hive:用mr框架实现了一个类似sql的数据接口
Impala:cloudera
Select upper(a.name) from a outer left joinb on a.id = b.id
A的每一行作为map的输入,map输出<id,a的行>
B的每一行作为map的输入,map输出<id,b的行>
Reduce的输入<id, List<a的行, b的行>>
Mr是面向大数据的
Reduce1: map1 50G, map2 50G map3 50G
三、Mr任务
3.1、Mr任务启动过程
步骤 | 描述 |
|
1、提交作业 | 1、通过调用JobTracker对象的getNewJobId方法从JobTracker获取job id 2、监察作业相关路径 3、将任务的划分信息写入split文件。Split信息主要包括:split文件头、split文件版本号、split个数。 每一条又包括以下内容:split类型名(默认fileSplit)、split大小、split的内容(对于filesplit:文件名,文件中的位置),split的location信息(在哪个datanode上) 4、将运行所需要的资源上传hdfs:jar包、配置文件。 5、调用JobTracker对象的submitJob方法来真正提交作业 |
|
2、初始化作业 | 1、从hdfs中读取作业对应的job.split 2、创建并初始化Map和reduce任务 |
|
3、分配任务 | 将map、reduce任务分配到tasktracker上 |
|
4、执行任务 | Tasktracker得到任务分配后 1、 将job.split复制到本地 2、 将job.jar赋值到本地 3、 将job的配置信息写入job.xml 4、 创建本地任务目录,解压job.jar 5、 调用launchTaskForJob方法发布任务 |
|
3.2 代码实例
public class WordCount {
public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1); private Text word = new Text();
public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { StringTokenizeritr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } }
public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable();
public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; for (IntWritableval : values) { sum += val.get(); } result.set(sum); context.write(key, result); } }
public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount<in><out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
job.waitForCompletion(true) ; } } |
四、交流
下一节任务:
1、 详细介绍编码,从oracle、hbase读取数据,进行mr处理,输出结果到hbase
调试、编码、性能优化
C++写MR
2、 介绍复杂的mr组合编码