diff --git a/notes/Hadoop-MapReduce.md b/notes/Hadoop-MapReduce.md index 15f3d16..573c2ad 100644 --- a/notes/Hadoop-MapReduce.md +++ b/notes/Hadoop-MapReduce.md @@ -1,23 +1,28 @@ # 分布式计算框架——MapReduce - - -## 一、MapReduce 概述 +## 一、MapReduce概述 Hadoop MapReduce是一个分布式计算框架，用于编写批处理应用程序。编写好的程序可以提交到Hadoop集群上用于并行处理大规模的数据集。 -MapReduce作业通过将输入的数据集拆分为独立的块，这些块由`map`以并行的方式处理；框架对`map`的输出进行排序，然后输入到`reduce`中。MapReduce框架专门用于``键值对处理，也就是说，框架将作业的输入视为一组``对，并生成一组``对作为输出。输出和输出的`key`和`value`都必须实现[Writable](http://hadoop.apache.org/docs/stable/api/org/apache/hadoop/io/Writable.html) 接口。 +MapReduce作业通过将输入的数据集拆分为独立的块，这些块由`map`以并行的方式处理，框架对`map`的输出进行排序，然后输入到`reduce`中。MapReduce框架专门用于``键值对处理，它将作业的输入视为一组``对，并生成一组``对作为输出。输出和输出的`key`和`value`都必须实现[Writable](http://hadoop.apache.org/docs/stable/api/org/apache/hadoop/io/Writable.html) 接口。 ``` (input) -> map -> -> combine -> -> reduce -> (output) @@ -25,9 +30,9 @@ MapReduce作业通过将输入的数据集拆分为独立的块，这些块由`m -## 二、MapReduce 编程模型简述 +## 二、MapReduce编程模型简述 -这里以词频统计为例说明MapReduce的编程模型，下图为词频统计的流程图： +这里以词频统计为例进行说明，MapReduce处理的流程如下：
@@ -39,7 +44,7 @@ MapReduce作业通过将输入的数据集拆分为独立的块，这些块由`m 4. **shuffling**：由于`Mapping`操作可能是在不同的机器上并行处理的，所以需要通过`shuffling`将相同`key`值的数据分发到同一个节点上去合并，这样才能统计出最终的结果，此时得到`K2`为每一个单词，`List(V2)`为可迭代集合，`V2`就是Mapping中的V2； 5. **Reducing** : 这里的案例是统计单词出现的总次数，所以`Reducing`对`List(V2)`进行归约求和操作，最终输出。 -MapReduce编程模型中`splitting` 和`shuffing`操作都是由框架实现的，需要我们自己编程实现的只有`mapping`和`reducing`，这也就是框架MapReduce名字的来源。 +MapReduce编程模型中`splitting` 和`shuffing`操作都是由框架实现的，需要我们自己编程实现的只有`mapping`和`reducing`，这也就是MapReduce这个称呼的来源。 @@ -49,36 +54,17 @@ MapReduce编程模型中`splitting` 和`shuffing`操作都是由框架实现的 ### 3.1 InputFormat & RecordReaders -`InputFormat`将输出文件拆分为多个`InputSplit`，并由`RecordReaders`将`InputSplit`转换为标准的键值对，作为map的输出。这一步的意义在于只有先进行逻辑拆分并转为标准的键值对格式后，才能为多个`map`提供输入，进行并行处理。 +`InputFormat`将输出文件拆分为多个`InputSplit`，并由`RecordReaders`将`InputSplit`转换为标准的键值对，作为map的输出。这一步的意义在于只有先进行逻辑拆分并转为标准的键值对格式后，才能为多个`map`提供输入，以便进行并行处理。 -`InputFormat` 为一个抽象类，其中只定义了两个抽象方法，具体的操作则由其实现类来进行。其源码如下： -- **getSplits**：将输入文件拆分为多个InputSplit； -- **createRecordReader**: 定义RecordReader的创建方法； -```java -public abstract class InputFormat { - - public abstract - List getSplits(JobContext context) throws IOException, InterruptedException; - - - public abstract - RecordReader createRecordReader(InputSplit split, - TaskAttemptContext context - ) throws IOException, - InterruptedException; - -} -``` - -### 3.2 combiner +### 3.2 Combiner `combiner`是`map`运算后的可选操作，它实际上是一个本地化的`reduce`操作，它主要是在`map`计算出中间文件后做一个简单的合并重复`key`值的操作。这里以词频统计为例： `map`在遇到一个hadoop的单词时就会记录为1，但是这篇文章里hadoop可能会出现n多次，那么`map`输出文件冗余就会很多，因此在`reduce`计算前对相同的key做一个合并操作，那么需要传输的数据量就会减少，传输效率就可以得到提升。 -但并非所有场景都适合使用`combiner`，使用它的原则是`combiner`的输出不会影响到`reduce`计算的最终输入，例如：如果计算只是求总数，最大值，最小值时都可以使用`combiner`，但是做平均值计算则不能使用`combiner`。 +但并非所有场景都适合使用`combiner`，使用它的原则是`combiner`的输出不会影响到`reduce`计算的最终输入，例如：求总数，最大值，最小值时都可以使用`combiner`，但是做平均值计算则不能使用`combiner`。 不使用combiner的情况： @@ -90,21 +76,19 @@ public abstract class InputFormat { -可以看到使用combiner的时候，需要传输到reducer中的数据由12keys，降低到10keys。降低的幅度取决于你keys的重复率，后文词频统计案例可以直观演示用combiner降低数百倍的传输量。 +可以看到使用combiner的时候，需要传输到reducer中的数据由12keys，降低到10keys。降低的幅度取决于你keys的重复率，下文词频统计案例会演示用combiner降低数百倍的传输量。 -### 3.3 partitioner +### 3.3 Partitioner -`partitioner`可以理解成分类器，将`map`的输出按照key值的不同分别分给对应的`reducer`，支持自定义实现，在后文案例中会有演示。 +`partitioner`可以理解成分类器，将`map`的输出按照key值的不同分别分给对应的`reducer`，支持自定义实现，下文案例会给出演示。 -## 四、MapReduce 词频统计案例 - -> 源码下载地址：[hadoop-word-count](https://github.com/heibaiying/BigData-Notes/tree/master/code/Hadoop/hadoop-word-count) +## 四、MapReduce词频统计案例 ### 4.1 项目简介 -这里给出一个经典的案例:词频统计。统计如下样本数据中每个单词出现的次数。 +这里给出一个经典的词频统计的案例：统计如下样本数据中每个单词出现的次数。 ```properties Spark HBase @@ -122,89 +106,29 @@ Hive Flink Hadoop HBase Hive ``` -为方便大家开发，我在项目源码中放置了一个工具类`WordCountDataUtils`，用于产生词频统计样本文件： +为方便大家开发，我在项目源码中放置了一个工具类`WordCountDataUtils`，用于模拟产生词频统计的样本，生成的文件支持输出到本地或者直接写到HDFS上。 + +> 项目完整源码下载地址：[hadoop-word-count](https://github.com/heibaiying/BigData-Notes/tree/master/code/Hadoop/hadoop-word-count) -```java -public class WordCountDataUtils { - public static final List WORD_LIST = Arrays.asList("Spark", "Hadoop", "HBase", - "Storm", "Flink", "Hive"); +### 4.2 项目依赖 +想要进行MapReduce编程，需要导入`hadoop-client`依赖： - /** - * 模拟产生词频数据 - * - * @return 词频数据 - */ - private static String generateData() { - StringBuilder builder = new StringBuilder(); - for (int i = 0; i < 1000; i++) { - Collections.shuffle(WORD_LIST); - Random random = new Random(); - int endIndex = random.nextInt(WORD_LIST.size()) % (WORD_LIST.size()) + 1; - String line = StringUtils.join(WORD_LIST.toArray(), "\t", 0, endIndex); - builder.append(line).append("\n"); - } - return builder.toString(); - } - - - /** - * 模拟产生词频数据并输出到本地 - * - * @param outputPath 输出文件路径 - */ - private static void generateDataToLocal(String outputPath) { - try { - java.nio.file.Path path = Paths.get(outputPath); - if (Files.exists(path)) { - Files.delete(path); - } - Files.write(path, generateData().getBytes(), StandardOpenOption.CREATE); - } catch (IOException e) { - e.printStackTrace(); - } - } - - /** - * 模拟产生词频数据并输出到HDFS - * - * @param hdfsUrl HDFS地址 - * @param user hadoop用户名 - * @param outputPathString 存储到HDFS上的路径 - */ - private static void generateDataToHDFS(String hdfsUrl, String user, String outputPathString) { - FileSystem fileSystem = null; - try { - fileSystem = FileSystem.get(new URI(hdfsUrl), new Configuration(), user); - Path outputPath = new Path(outputPathString); - if (fileSystem.exists(outputPath)) { - fileSystem.delete(outputPath, true); - } - FSDataOutputStream out = fileSystem.create(outputPath); - out.write(generateData().getBytes()); - out.flush(); - out.close(); - fileSystem.close(); - } catch (Exception e) { - e.printStackTrace(); - } - } - - public static void main(String[] args) { - //generateDataToLocal("input.txt"); - generateDataToHDFS("hdfs://192.168.0.107:8020", "root", "/wordcount/input.txt"); - } -} +```xml + + org.apache.hadoop + hadoop-client + ${hadoop.version} + ``` -### 4.2 WordCountMapper +### 4.3 WordCountMapper + +将每行数据按照指定分隔符进行拆分： ```java -/** - * 将每行数据按照指定分隔符进行拆分 - */ public class WordCountMapper extends Mapper { @Override @@ -219,8 +143,13 @@ public class WordCountMapper extends Mapper + + + +`WordCountMapper`继承自`Mappe`r类，这是一个泛型类，定义如下： ```java public class Mapper { @@ -228,21 +157,20 @@ public class Mapper { } ``` -+ **KEYIN** : mapping输入的key的数据类型，即每行的偏移量(每行第一个字符在文本中的位置)，Long类型，对应Hadoop中的LongWritable类型； -+ **VALUEIN** : mappin输入的value的数据类型，即每行数据；String类型，对应Hadoop中Text类型； -+ **KEYOUT** ：mapping输出的key的数据类型，即每个单词；String类型，对应Hadoop中Text类型； -+ **VALUEOUT**：mapping输出的value的数据类型，即每个单词出现的次数；这里用int类型，对应Hadoop中IntWritable类型； ++ **KEYIN** : `mapping`输入的key的数据类型，即每行的偏移量(每行第一个字符在整个文本中的位置)，`Long`类型，对应Hadoop中的`LongWritable`类型； ++ **VALUEIN** : `mapping`输入的value的数据类型，即每行数据；`String`类型，对应Hadoop中`Text`类型； ++ **KEYOUT** ：`mapping`输出的key的数据类型，即每个单词；`String`类型，对应Hadoop中`Text`类型； ++ **VALUEOUT**：`mapping`输出的value的数据类型，即每个单词出现的次数；这里用`int`类型，对应Hadoop中`IntWritable`类型； 在MapReduce中必须使用Hadoop定义的类型，因为Hadoop预定义的类型都是可序列化，可比较的，所有类型均实现了`WritableComparable`接口。 -
-### 4.3 WordCountReducer + +### 4.4 WordCountReducer + +在Reduce中进程单词出现次数统计： ```java -/** - * 进行词频统计 - */ public class WordCountReducer extends Reducer { @Override @@ -257,7 +185,7 @@ public class WordCountReducer extends Reducer @@ -334,19 +262,17 @@ public class WordCountApp { } ``` -这里说明一下：`setMapOutputKeyClass`和`setOutputValueClass`用于设置reducer函数的输出类型。map函数的输出类型默认情况下和reducer函数式相同的，如果不同，则必须通过`setMapOutputKeyClass`和`setMapOutputValueClass`进行设置。 +需要注意的是：如果不设置`Mapper`操作的输出类型，则程序默认它和`Reducer`操作输出的类型相同。 ### 4.5 提交到服务器运行 -在实际开发中，可以在本机配置hadoop开发环境，直接运行`main`方法既可。这里主要介绍一下打包提交到服务器运行： - -由于本项目没有使用除Hadoop外的第三方依赖，直接打包即可： +在实际开发中，可以在本机配置hadoop开发环境，直接在IDE中启动进行测试。这里主要介绍一下打包提交到服务器运行。由于本项目没有使用除Hadoop外的第三方依赖，直接打包即可： ```shell # mvn clean package ``` -使用以下命令运行作业： +使用以下命令提交作业： ```shell hadoop jar /usr/appjar/hadoop-word-count-1.0.jar \ @@ -368,40 +294,40 @@ hadoop fs -cat /wordcount/output/WordCountApp/part-r-00000 -## 五、词频统计案例进阶 +## 五、词频统计案例进阶之Combiner -## 5.1 combiner +### 5.1 代码实现 -### 1. combiner的代码实现 - -combiner的代码实现比较简单，只要在组装作业时，添加下面一行代码即可： +想要使用`combiner`功能只要在组装作业时，添加下面一行代码即可： ```java // 设置Combiner job.setCombinerClass(WordCountReducer.class); ``` -### 2. 测试结果 +### 5.2 执行结果 -加入combiner后统计结果是不会有变化的，但是我们可以从打印的日志看出combiner的效果： +加入`combiner`后统计结果是不会有变化的，但是可以从打印的日志看出`combiner`的效果： -没有加入combiner的打印日志： +没有加入`combiner`的打印日志：
-加入combiner后的打印日志如下。 +加入`combiner`后的打印日志如下：
-这里我们只有一个输入文件并且小于128M，所以只有一个Map进行处理，可以看到经过combiner后，records由3519降低为6（样本中单词种类就只有6个），在这个用例中combiner就能极大地降低需要传输的数据量。 +这里我们只有一个输入文件并且小于128M，所以只有一个Map进行处理。可以看到经过combiner后，records由`3519`降低为`6`(样本中单词种类就只有6种)，在这个用例中combiner就能极大地降低需要传输的数据量。 -## 5.2 Partitioner -### 1. 默认Partitioner规则 -这里假设有个需求：将不同单词的统计结果输出到不同文件。这种需求实际上比较常见，比如统计产品的销量时，需要将结果按照产品分类输出。 +## 六、词频统计案例进阶之Partitioner -要实现这个功能，就需要用到自定义Partitioner，这里我们先说一下默认的分区规则：在构建job时候，如果不指定，默认的使用的是`HashPartitioner`，其实现如下： +### 6.1 默认的Partitioner + +这里假设有个需求：将不同单词的统计结果输出到不同文件。这种需求实际上比较常见，比如统计产品的销量时，需要将结果按照产品种类进行拆分。要实现这个功能，就需要用到自定义`Partitioner`。 + +这里先介绍下MapReduce默认的分类规则：在构建job时候，如果不指定，默认的使用的是`HashPartitioner`：对key值进行哈希散列并对`numReduceTasks`取余。其实现如下： ```java public class HashPartitioner extends Partitioner { @@ -414,16 +340,11 @@ public class HashPartitioner extends Partitioner { } ``` -对key进行哈希散列并对`numReduceTasks`取余，这里由于`numReduceTasks`默认值为1，所以我们之前的统计结果都输出到同一个文件中。 +### 6.2 自定义Partitioner -### 2. 自定义Partitioner - -这里我们继承`Partitioner`自定义分区规则，这里按照单词进行分区： +这里我们继承`Partitioner`自定义分类规则，这里按照单词进行分类： ```java -/** - * 自定义partitioner,按照单词分区 - */ public class CustomPartitioner extends Partitioner { public int getPartition(Text text, IntWritable intWritable, int numPartitions) { @@ -432,7 +353,7 @@ public class CustomPartitioner extends Partitioner { } ``` -并在构建job时候指定使用我们自己的分区规则，并设置reduce的个数： +在构建`job`时候指定使用我们自己的分类规则，并设置`reduce`的个数： ```java // 设置自定义分区规则 @@ -443,9 +364,9 @@ job.setNumReduceTasks(WordCountDataUtils.WORD_LIST.size()); -### 3. 测试结果 +### 6.3 执行结果 -测试结果如下，分别生成6个文件，每个文件中为对应单词的统计结果。 +执行结果如下，分别生成6个文件，每个文件中为对应单词的统计结果：