MapReduce教程指导

概述

Hadoop MapReduce是一个软件框架，为在大集群中海量数据的并行处理提供了一种易于编写实现的编程模型，以及可靠的，容错的方式。

一个MapReduce job通常将输入数据集分割为独立的块，每个块由单独的map任务以完全并行的方式来处理。框架会对map任务的输出做排序，然后这些输出结果数据会输入到reduce任务。通常，整个job的输入和输出数据都存放在一个文件系统中。框架关心的是任务的调度，任务监控以及重新计算失败的任务。

通常，计算节点和数据存储节点是相同的，也就是说MapReduce框架和HDFS运行在同一个集群中。这样的配置使得任务可以直接在数据节点上调度，从而使集群在一种高带宽的模式下高效的工作。

MapReduce框架由单个master节点(ResourceManager)，集群中每个节点上的NodeManager作为slave，以及针对应用存在的MRAppMaster组成。(看YARN架构理解)

最低限度地，应用会指定输入/输出数据路径，以及提供实现自接口或抽象类的map和reduce方法，这些跟其他的job参数组成了job配置。

然后Hadoop的job client提交job和它的配置信息到ResourceManager。

输入和输出

MapReduce框架仅仅只操作< key, value >键值对类型数据，也就是说框架会把输入数据看做< key, value >键值对的集合，然后产生一个< key, value >键值对的输出集合。其中键值对中的key和value必须能被框架序列化，因此他们的实际类型必须继承自hadoop中的Writable接口，此外，key class必须要实现WritableComparable接口以使框架能够对key进行排序操作。一个MapReduce job的数据输入和输出过程：
(input)< k1, v1 > -> map -> < k2, v2 > -> combine -> < k2, v2 > -> reduce -> < k3, v3 >(output)

例子：WordCount v1.0

在我们详细介绍MapReduce的细节前，让我们看一个例子来了解一个MapReduce job是怎么工作的。WordCount是一个最简单的MapReduce应用，它的作用是计算输入数据中每个单词的出现次数。

源码

import java.io.IOException;
import java.util.StringTokenizer;

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

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 {
      StringTokenizer itr = 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 (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job job = Job.getInstance(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(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

运行

1. 假设

   • /user/joe/wordcount/input - 在HDFS上