(上一节我们回顾了HDFS文件系统,以及其架构原理。那么在这一节,我们来介绍Hadoop的离线计算模型——MapReduce,并以wordcount程序为例详细讲解。)
MapReduce——Hadoop的并行计算框架,来源于谷歌,是一种基于HDFS的离线计算框架。在Hadoop2的YARN出现以后,MR便运行在YARN上了。与Hadoop相关的框架如Hive,Hbase,sqoop等其内部计算都是基于MapReduce。所以想学好hadoop,MapReduce是必不可少的一大重点。
MapReduce主要包含五大模块Input,Map,Shuffle,Reduce,Output,其中shuffle过程是MapReduce中最为复杂,也是灵活性最高的一部分。
我们首先以大数据界的“Hello World”——WordCount程序为例来介绍MapReduce。WordCount程序简单的说就是将一个文件中每一个单词出现的次数统计出来。因为是入门级程序,所以在WordCount中我们只涉及到Map和Reduce。
整个WordCount的MapReduce过程如上图(大写的大家默认是小写的吧,忘记修改了):
(1)首先从文件中以键值对的形式读取数据,默认键为行偏移量,值为一行的字符串;
(2)接着进入Map端。每一次在Map端读取的都是一行字符串,我们先将它按空格分隔,并循环逐一输出。输出的键值对为(字符串,1)(因为MapReduce的整个过程都是以键值对的形式进行的,所以在Map端的输入输出都是键值对);
(3)进入shuffle过程,这个过程包括分区、排序、分组等等过程;在这里我们只关注分组,shuffle过程默认把相同key的value值存入一个组中,然后将一个迭代器作为值传入reduce端;
(4)reduce收到shuffle过程传来的键值对为,key-字符串,value-迭代器;我们在reduce阶段循环将迭代器中的数字“1”累加,最后的到一个和,那么这个和就是最终的单词数;
(5)将单词和对应的单词数输出到文件中。
代码结构如下: