Hadoop自学笔记（三）MapReduce简介

1. MapReduce Architecture

MapReduce是一套可编程的框架，大部分MapReduce的工作都可以用Pig或者Hive完成，但是还是要了解MapReduce本身是如何工作的，因为这才是Hadoop的核心，并且可以为以后优化和自己写做准备。

 

Job Client, 就是用户

Job Tracker和Task Tracker也是一种Master - Slave构建

 

工作流程（MapReduce Pipeline）

 

Job Client提交了MapReduce的程序（比如jar包中的二进制文件），所需要的数据，结果输出位置，提交给Job Tracker. Job Tracker会首先询问Name Node, 所需要的数据都在哪些block里面，然后就近选择一个Task Tracker(离这些所需数据最近的一个task tracker,可能是在同一个Node上或者同一个Rack上或者不同rack上)，把这个任务发送给该Task Tracker， Task Tracker来真正执行该任务。Task Tracker内部有Task Slots来真正执行这些任务。如果执行失败了，Task Tracker就好汇报给Job Tracker， Job Tracker就再分配给别的Task Tracker来执行。Task Tracker在执行过程中要不断的向Job Tracker汇报。最后Task Tracker执行完成后，汇报给Job Tracker，Job Tracker就更新任务状态为成功。

 

注意，当用户提交一个MapReduce任务的时候，不仅仅同时把任务提交给Job Tracker，同时还会拷贝一份到HDFS的一个公共位置（图中的咖啡位置），因为传递代码和命令相对要容易一些，然后Task Tracker就可以很方便的得到这些代码。

 

具体步骤就是图中的7步。

2. MapReduce Internals

 

Split阶段：根据Input Format，把输入数据分割成小部分，该阶段与Map任务同时运行，分割后就放到不同的Mapper里面。

Input Format: 决定了数据如何被分割放入Mapper。比如Log, 数据库，二进制码，等。

Map阶段：把分割后传入的splits转化成一些key-value对，如何转化取决于用户代码怎么写的。

Shuffle & Sort阶段：把Map阶段得到的数据归类，然后送给Reducers。

Reduce阶段：把送入的Map数据（Key, Value）按照用户的代码进行整合处理。

Output Format: Reduce阶段处理完后，结果按照此格式放入HDFS的输出目录。

 

Imperative Programming Paradigm: 把计算当做一系列改变程序状态的过程。也就是程序化编程。更加关注对象和状态。

 

Functional Programming Paradigm: 大致就是函数化编程，把一系列计算作为一个数学函数。Hadoop使用的是这种编程范式。有输入，有输出；没有对象没有状态。

 

为了优化起见，Hadoop还添加了更多的一个接口，combine阶段，见下图。主要是在输送到Shuffle/sort阶段前，现在本地进行一次小的Reduce计算。这样可以省很多带宽（还记得job的代码放入一个公共区域了吗）

上面的整个过程看上去可能不那么直观，但是这是Hadoop最难理解的部分了。理解了这个流程（Hadoop Pipeline），就更容易理解以后的内容了。

 

3. MapReduce Example

 

举例子来说明，在实际的机器操作中Hadoop如何完成上述任务。

 

在Windows环境下安装了一个hyperV软件，里面有四个Hadoop节点，每个Hadoop节点都是一个Ubuntu环境。

可以看到上面有一个Name Node,还有三个Data Node。

首先，连接上Name Node，并且打开一个Data Node节点。进入Name Node的Ubuntu系统中，打开一个终端，输入jps，可以看到jvm里面正在运行的东西。

在Data Node机器中运行同样命令，可以看到里面运行着DataNode, Jps, TaskTracker三个内容。

 

首先进入Data Node的机器里面，到根目录下面创建一个文件，叫words.txt，文件内容就是上图中要分析的一些词。

第二步，把这个Words.txt文件放入HDFS中。

首先

hadoop/bin/hadoop fs -ls 

查看目前HDFS中的文件

然后新建一个文件夹

Hadoop/bin/hadoop fs -mkdir /data

我们可以使用浏览器来看看HDFS中的文件系统

浏览器中输入hnname:50070，打开Web UI

可以再Live Nodes里面看到刚刚新建的data文件夹，执行

hadoop/bin/hadoop fs -copyFromLocal words.txt /data

然后words.txt就拷贝到/data文件夹下了，可以使用Web UI来验证。

 

第三步，执行MapReduce 任务。这个任务是统计单词频率，这个任务已经由现成的jar包写好了，在hadoop/bin/目录下，hadoop-examples-1.2.0.jar. 这个文件里面有很多很多写好的MapReduce任务。

执行命令：

Hadoop/bin/hadoop jar hadoop/hadoop*examples.jar wordcount /data/words.txt /data/results

 

先指定jar包，再指定程序名wordcount, 再指定输入数据/data/words.txt 最后是输出目录/data/results， 没有目录会创建一个。

执行完成后，可以通过Web UI来看执行结果。

我擦，原来的图片太多了发不了，不得不说删掉几张。。。。