Hadoop 之 MapReduce

1 MapReduce 概述

MapReduce 是一个分布式运算程序的编程框架，是用户开发基于 Hadoop 的数据分析应用的核心框架。

MapReduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop 集群上。

1.1 MapReduce 优缺点

优点：

• MapReduce 易于编程

  它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC 机器上运行，也就是说写一个分布式程序，跟写一个简单的串行程序是一模一样的，就是因为这个特点使得 MapReduce 编程变得非常流行。

• 良好的扩展性

  当计算资源不能得到满足的时候，可以通过简单的增加机器来扩展它的计算能力。

• 高容错性

  MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高的容错性，比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。

• 适合 PB 级以上海量数据的离线处理

  可以实现上千台服务器集群并发工作，提供数据处理能力。

缺点：

• 不擅长实时计算

  MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。

• 不擅长流式计算

  流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

• 不擅长DAG（有向图）计算

  多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出，在这种情况下，MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

1.2 MapReduce 核心思想

分布式的运算程序往往需要分成至少 2 个阶段。

第一个阶段的 MapTask 并发实例，完全并行运行，互不相干。

第二个阶段的 ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有 MapTask 并发实例的输出。

MapReduce 编程模型只能包含一个 Map 阶段和一个 Reduce 阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce 程序，串行运行。

1.3 MapReduce 进程

一个完整的 MapReduce 程序在分布式运行时有三类实例进程：

MrAppMaster 负责整个程序的过程调度及状态协调

MapTask 负责 Map 阶段的整个数据处理流程。

ReduceTask 负责 Reduce 阶段的整个数据处理流程。

1.4 常用数据序列化类型

Java 类型	Hadoop Writable 类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable

1.5 MapReduce 编程规范

用户编写的程序分成三个部分：

Mapper 阶段

• 用户自定义的 Mapper 要继承自己的父类
• Mapper 的输入数据是 KV 对的形式（KV的类型可自定义
• Mapper 中的业务逻辑写在 map() 方法中
• Mapper的输出数据是 KV对的形式（KV的类型可自定义）
• map() 方法（MapTask 进程）对每一个 <k,v> 调用一次

Reduce 阶段

• 用户自定义的 Reducer 要继承自己的父类
• Reducer 的输入数据类型对应 Mapper 的输出数据类型，也是 KV
• Reducer 的业务逻辑写在 reduce() 方法中
• ReduceTask 进程对每一组相同 k 的 <k,v> 组调用一次reduce()方法

Driver 阶段

• 相当于 YARN 集群的客户端，用于提交我们整个程序到 YARN 集群，提交的是封装了 MapReduce 程序相关运行参数的job对象

1.6 WordCount 案例实操

导入依赖

<dependencies>
    <dependency>
        <groupid>junit</groupid>
        <artifactid>junit</artifactid>
        <version>RELEASE</version>
    </dependency>
    <dependency>
        <groupid>org.apache.logging.log4j</groupid>
        <artifactid>log4j-core</artifactid>
        <version>2.8.2</version>
    </dependency>
    <dependency>
        <groupid>org.apache.hadoop</groupid>
        <artifactid>hadoop-common</artifactid>
        <version>2.7.2</version>
    </dependency>
    <dependency>
        <groupid>org.apache.hadoop</groupid>
        <artifactid>hadoop-client</artifactid>
        <version>2.7.2</version>
    </dependency>
    <dependency>
        <groupid>org.apache.hadoop</groupid>
        <artifactid>hadoop-hdfs</artifactid>
        <version>2.7.2</version>
    </dependency>
    <dependency>
        <groupid>jdk.tools</groupid>
        <artifactid>jdk.tools</artifactid>
        <version>1.8</version>
        <scope>system</scope>
        <systempath>${JAVA_HOME}/lib/tools.jar</systempath>
    </dependency>
</dependencies>

log4j.properties

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

WcMapper

package com.djm.mapreduce;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class WcMapper extends Mapper<longwritable, text,text, intwritable> {
   

    private Text key = new Text();

    private IntWritable one = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   
        String line = value.toString();
        String[] words = line.split(" ");
        for (String word : words) {
   
            this.key.set(word);
            context.write(this.key, this.one);
        }
    }
}

WcReduce

package com.djm.mapreduce;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class WcReduce extends Reducer<text, intwritable, text, intwritable> {
   

    private IntWritable total = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<intwritable> values, Context context) throws IOException, InterruptedException {
   
        int sum = 0;
        for (IntWritable count : values) {
   
            sum += 1;
        }
        this.total.set(sum);
        context.write(key, this.total);
    }
}

WcDriver

package com.djm.mapreduce;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class WcDriver {
   
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
   
        // 获得任务
        Job job = Job.getInstance(new Configuration());
        // 设置Classpath
        job.setJarByClass(WcDriver.class);
        // 设置Mapper
        job.setMapperClass(WcMapper.class);
        // 设置Reducer
        job.setReducerClass(WcReduce.class);
        // 设置Mapper的输出key和value的类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 设置Reducer的输出key和value的类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }
}

2 Hadoop 序列化

2.1 为什么不使用 Java 序列化框架进行序列化

Serializable 是一个重量级的 Java 序列框架，一个对象被序列化后，会产生很多额外的信息（各种校验信息，Header，继承体系等），会产生大量的 IO，所以不适合在网络中高效的传输，所以，Hadoop 自己开发了一个轻量级的序列化框架（Writable）。

Hadoop序列化特点：

1、紧凑：高效使用存储空间。

2、快速：读写数据的额外开销小

3、可扩展：随着通信协议的升级而可升级。

4、 互操作：支持多语言的交互。

2.2 自定义 bean 对象实现序列化接口

在开发过程中往往提供的基本序列化类型不能满足要求，一般情况都需要创建一个 Bean 实现 Writable 接口。

具体实现 bean 对象序列化步骤如下 7 步：

1、实现 Writable 接口

2、反序列化时，需要反射调用空参构造函数，必须提供空参构造

3、重写序列化方法

4、重写反序列方法

5、反序列化和序列化的顺序必须完全一致

6、要想把结果显示在文件中，需要重写 toString()

7、如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口，因为 MapReduce 框中的 Shuffle 过程要求对 key 必须能排序

2.3 序列化案例实操

统计每一个手机号耗费的总上行流量、下行流量、总流量

输入数据格式：id 手机号码 网络ip 上行流量 下行流量 网络状态码

输出数据格式：手机号码 上行流量 下行流量 总流量

FlowBean

package com.djm.mapreduce.flow;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class FlowBean implements Writable {
   

    private long upFlow;

    private long downFlow;

    private long sumFlow;

    public FlowBean() {
   
    }

    public void set(long upFlow, long downFlow) {
   
        this.upFlow = upFlow;
        this.downFlow = downFlow;
        this.sumFlow = this.upFlow + this.downFlow;
    }

    public long getUpFlow() {
   
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
   
        this.upFlow = upFlow;
    }

    public long getDownFlow() {
   
        return downFlow;
    }

    public void setDownFlow(long downFlow) {
   
        this.downFlow = downFlow;
    }

    public long getSumFlow() {
   
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
   
        this.sumFlow = sumFlow;
    }

    @Override
    public String toString() {
   
        return upFlow + "\t" + downFlow + "\t" + sumFlow;
    }

    public void write(DataOutput out) throws IOException {
   
        out.writeLong(upFlow);
        out.writeLong(downFlow);
        out.writeLong(sumFlow);
    }

    public void readFields(DataInput in) throws IOException {
   
        this.upFlow = in.readLong();
        this.downFlow = in.readLong();
        this.sumFlow = in.readLong();
    }
}

FlowMapper

package com.djm.mapreduce.flow;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class FlowMapper extends Mapper<longwritable, text, flowbean> {
   

    private FlowBean flowBean = new FlowBean();
    private Text phone = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
   
        String line = value.toString();
        String[] words = line.split("\t");
        phone.set(words[1]);
        long upFlow = Long.parseLong(words[words.length - 3]);
        long downFlow = Long.parseLong(words[words.length - 2]);
        flowBean.set(upFlow, downFlow);
        context.write(phone, flowBean);