从程序角度分析mapreduce原理与代码

1.描述mapper处理的过程？
2.调用一次map方法会输出多少键值对？
3.对于输出的键值对，默认分区标准是什么？
4.分区与reducer任务之间的关系是什么？
5.是什么规约？规约的目的是什么？规约是否必须的？
6.键相等的键值对调用几次reduce方法？

MapReduce运行的时候，会通过Mapper运行的任务读取HDFS中的数据文件，然后调用自己的方法，处理数据，最后输出。Reducer任务会接收Mapper任务输出的数据，作为自己的输入数据，调用自己的方法，最后输出到HDFS的文件中。整个流程如图5-6所示。

图5-6

Mapper任务的执行过程

每个Mapper任务是一个java进程，它会读取HDFS中的文件，解析成很多的键值对，经过我们覆盖的map方法处理后，转换为很多的键值对再输出。整个Mapper任务的处理过程又可以分为以下几个阶段，如图5-7所示。

图5-7

在图5-7中，把Mapper任务的运行过程分为六个阶段。

• 第一阶段是把输入文件按照一定的标准分片(InputSplit)，每个输入片的大小是固定的。默认情况下，输入片(InputSplit)的大小与数据块(Block)的大小是相同的。如果数据块(Block)的大小是默认值64MB，输入文件有两个，一个是32MB，一个是72MB。那么小的文件是一个输入片，大文件会分为两个数据块，那么是两个输入片。一共产生三个输入片。每一个输入片由一个Mapper进程处理。这里的三个输入片，会有三个Mapper进程处理。
  

• 第二阶段是对输入片中的记录按照一定的规则解析成键值对。有个默认规则是把每一行文本内容解析成键值对。“键”是每一行的起始位置(单位是字节)，“值”是本行的文本内容。
  

• 第三阶段是调用Mapper类中的map方法。第二阶段中解析出来的每一个键值对，调用一次map方法。如果有1000个键值对，就会调用1000次map方法。每一次调用map方法会输出零个或者多个键值对。
  

• 第四阶段是按照一定的规则对第三阶段输出的键值对进行分区。比较是基于键进行的。比如我们的键表示省份(如北京、上海、山东等)，那么就可以按照不同省份进行分区，同一个省份的键值对划分到一个区中。默认是只有一个区。分区的数量就是Reducer任务运行的数量。默认只有一个Reducer任务。
  

• 第五阶段是对每个分区中的键值对进行排序。首先，按照键进行排序，对于键相同的键值对，按照值进行排序。比如三个键值对<2,2>、<1,3>、<2,1>，键和值分别是整数。那么排序后的结果是<1,3>、<2,1>、<2,2>。如果有第六阶段，那么进入第六阶段；如果没有，直接输出到本地的linux文件中。
  

• 第六阶段是对数据进行归约处理，也就是reduce处理。键相等的键值对会调用一次reduce方法。经过这一阶段，数据量会减少。归约后的数据输出到本地的linxu文件中。本阶段默认是没有的，需要用户自己增加这一阶段的代码。
• 
  

Reducer任务的执行过程

每个Reducer任务是一个java进程。Reducer任务接收Mapper任务的输出，归约处理后写入到HDFS中，可以分为如图5-8所示的几个阶段。

图5-8

• 第一阶段是Reducer任务会主动从Mapper任务复制其输出的键值对。Mapper任务可能会有很多，因此Reducer会复制多个Mapper的输出。
  

• 第二阶段是把复制到Reducer本地数据，全部进行合并，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。
  

• 第三阶段是对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法，每次调用会产生零个或者多个键值对。最后把这些输出的键值对写入到HDFS文件中。
  

在整个MapReduce程序的开发过程中，我们最大的工作量是覆盖map函数和覆盖reduce函数。

键值对的编号

在对Mapper任务、Reducer任务的分析过程中，会看到很多阶段都出现了键值对，读者容易混淆，所以这里对键值对进行编号，方便大家理解键值对的变化情况，如图5-9所示。

图5-9

在图5-9中，对于Mapper任务输入的键值对，定义为key1和value1。在map方法中处理后，输出的键值对，定义为key2和value2。reduce方法接收key2和value2，处理后，输出key3和value3。在下文讨论键值对时，可能把key1和value1简写为<k1,v1>，key2和value2简写为<k2,v2>，key3和value3简写为<k3,v3>。

举例：单词计数

该业务要求统计指定文件中的所有单词的出现次数。

下面看一下源文件的内容，如图5-9-1所示。

图5-9-1

内容很简单，两行文本，每行的单词中间使用空格区分。

分析思路：最直观的想法是使用数据结构Map。解析文件中出现的每个单词，用单词作为key，出现次数作为value。这个思路没有问题，但是在大数据环境下就不行了。我们需要使用MapReduce来做。根据Mapper任务和Reducer任务的运行阶段，我们知道在Mapper任务的第二阶段是把文件的每一行转化成键值对，那么第三阶段的map方法就能取得每一行文本内容，我们可以在map方法统计本行文本中单词出现的次数，把每个单词的出现次数作为新的键值对输出。在Reducer任务的第二阶段会对Mapper任务输出的键值对按照键进行排序，键相等的键值对会调用一次reduce方法。在这里，“键”就是单词，“值”就是出现次数。因此可以在reduce方法中对单词的不同行中的所有出现次数相加，结果就是该单词的总的出现次数。最后把这个结果输出。

看一下如何覆盖map方法

-------------------------------------------------------------------------------------------------------

static class MyMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

//key2 表示该行中的单词

final Text key2 = new Text();

//value2 表示单词在该行中的出现次数

final IntWritable value2 = new IntWritable(1);

//key 表示文本行的起始位置

//value 表示文本行

protected void map(LongWritable key, Text value, Context context) throws java.io.IOException ,InterruptedException {

final String[] splited = value.toString().split(" ");

for (String word : splited) {

key2.set(word);

//把key2、value2写入到context中

context.write(key2, value2);

}

};

}

-----------------------------------------------------------------------------------------------

上面代码中，注意Mapper类的泛型不是java的基本类型，而是Hadoop的数据类型LongWritable、Text、IntWritable。读者可以简单的等价为java的类long、String、int。下文会有专门讲解Hadoop的数据类型。

代码中Mapper类的泛型依次是<k1,v1,k2,v2>。map方法的第二个形参是行文本内容，是我们关心的。核心代码是把行文本内容按照空格拆分，把每个单词作为新的键，数值1作为新的值，写入到上下文context中。在这里，因为输出的是每个单词，所以出现次数是常量1。如果一行文本中包括两个hello，会输出两次<hello，1>。

再来看一下如何覆盖reduce方法

-----------------------------------------------------------------------------------------------

static class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

//value3表示单词出现的总次数

final IntWritable value3 = new IntWritable(0);

/**

* key 表示单词

* values 表示map方法输出的1的集合

* context 上下文对象

*/

protected void reduce(Text key, java.lang.Iterable<IntWritable> values, Context context) throwsjava.io.IOException ,InterruptedException {

int sum = 0;

for (IntWritable count : values) {

sum += count.get();

}

//执行到这里，sum表示该单词出现的总次数

//key3表示单词，是最后输出的key

final Text key3 = key;

//value3表示单词出现的总次数，是最后输出的value

value3.set(sum);

context.write(key3, value3);

};

}

-------------------------------------------------------------------------------------------------

上面代码中，Reducer类的四个泛型依次是<k2,v2,k3,v3>，要注意reduce方法的第二个参数是java.lang.Iterable类型，迭代的是v2。也就是k2相同的v2都可以迭代出来。

以上就是我们覆盖的map方法和reduce方法。现在要把我们的代码运行起来，需要写驱动代码，如下

-----------------------------------------------------------------------------------------------

/**

* 驱动代码

*/

public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

//输入路径

final String INPUT_PATH = "hdfs://hadoop0:9000/input";

//输出路径，必须是不存在的

final String OUTPUT_PATH = "hdfs://hadoop0:9000/output";

//创建一个job对象，封装运行时需要的所有信息

final Job job = new Job(new Configuration(),"WordCountApp");

//如果需要打成jar运行，需要下面这句

job.setJarByClass(WordCountApp.class);

//告诉job执行作业时输入文件的路径

FileInputFormat.setInputPaths(job, INPUT_PATH);

//设置把输入文件处理成键值对的类

job.setInputFormatClass(TextInputFormat.class);

//设置自定义的Mapper类

job.setMapperClass(MyMapper.class);

//设置map方法输出的k2、v2的类型

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(IntWritable.class);

//设置对k2分区的类

job.setPartitionerClass(HashPartitioner.class);

//设置运行的Reducer任务的数量

job.setNumReduceTasks(1);

//设置自定义的Reducer类

job.setReducerClass(MyReducer.class);

//设置reduce方法输出的k3、v3的类型

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(IntWritable.class);

//告诉job执行作业时的输出路径

FileOutputFormat.setOutputPath(job, new Path(OUTPUT_PATH));

//指明输出的k3类型

job.setOutputKeyClass(Text.class);

//指明输出的v3类型

job.setOutputValueClass(IntWritable.class);

//让作业运行，直到运行结束，程序退出

job.waitForCompletion(true);

}

-----------------------------------------------------------------------------------------------

在以上代码中，我们创建了一个job对象，这个对象封装了我们的任务，可以提交到Hadoop独立运行。最后一句job.waitForCompletion(true)，表示把job对象提交给Hadoop运行，直到作业运行结束后才可以。

以上代码的运行方式有两种，一种是在宿主机的eclipse环境中运行，一种是打成jar包在linux中运行。

第一种运行方式要求宿主机能够访问linux，并且对于输入路径和输出路径中的主机名hadoop0，要在宿主机的hosts文件中有绑定，笔者的hosts文件位于C:\WINDOWS\system32\drivers\etc文件夹。

第二种运行方式，需要把代码打成jar包，在linux下执行命令hadoop jar xxx.jar运行，如下图

图5-10

运行结束后，文件路径在hdfs://hadoop0:9000/output/part-r-00000。我们看一下输出结果，如图5-11

图5-11