385 lines
16 KiB
Markdown
385 lines
16 KiB
Markdown
# 分布式计算框架——MapReduce
|
||
|
||
<nav>
|
||
<a href="#一MapReduce概述">一、MapReduce概述</a><br/>
|
||
<a href="#二MapReduce编程模型简述">二、MapReduce编程模型简述</a><br/>
|
||
<a href="#三combiner--partitioner">三、combiner & partitioner</a><br/>
|
||
<a href="#四MapReduce词频统计案例">四、MapReduce词频统计案例</a><br/>
|
||
<a href="#41-项目简介">4.1 项目简介</a><br/>
|
||
<a href="#42-项目依赖">4.2 项目依赖</a><br/>
|
||
<a href="#43-WordCountMapper">4.3 WordCountMapper</a><br/>
|
||
<a href="#44-WordCountReducer">4.4 WordCountReducer</a><br/>
|
||
<a href="#44-WordCountApp">4.4 WordCountApp</a><br/>
|
||
<a href="#45-提交到服务器运行">4.5 提交到服务器运行</a><br/>
|
||
<a href="#五词频统计案例进阶之Combiner">五、词频统计案例进阶之Combiner</a><br/>
|
||
<a href="#六词频统计案例进阶之Partitioner">六、词频统计案例进阶之Partitioner</a><br/>
|
||
</nav>
|
||
|
||
|
||
|
||
|
||
## 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`<key，value>`键值对处理，它将作业的输入视为一组`<key，value>`对，并生成一组`<key，value>`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) <k1, v1> -> map -> <k2, v2> -> combine -> <k2, v2> -> reduce -> <k3, v3> (output)
|
||
```
|
||
|
||
|
||
|
||
## 二、MapReduce编程模型简述
|
||
|
||
这里以词频统计为例进行说明，MapReduce处理的流程如下：
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/mapreduceProcess.png"/> </div>
|
||
|
||
1. **input** : 读取文本文件；
|
||
|
||
2. **splitting** : 将文件按照行进行拆分，此时得到的`K1`行数，`V1`表示对应行的文本内容；
|
||
|
||
3. **mapping** : 并行将每一行按照空格进行拆分，拆分得到的`List(K2,V2)`，其中`K2`代表每一个单词，由于是做词频统计，所以`V2`的值为1，代表出现1次；
|
||
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MapReduce这个称呼的来源。
|
||
|
||
|
||
|
||
## 三、combiner & partitioner
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/Detailed-Hadoop-MapReduce-Data-Flow-14.png"/> </div>
|
||
|
||
### 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<key，value>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。
|
||
|
||
|
||
|
||
### 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：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：
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/mapreduce-without-combiners.png"/> </div>
|
||
|
||
使用combiner的情况：
|
||
|
||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/mapreduce-with-combiners.png"/> </div>
|
||
|
||
|
||
|
||
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
|
||
|
||
`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
|
||
|
||
### 4.1 项目简介
|
||
|
||
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
|
||
Hive Flink Storm Hadoop HBase Spark
|
||
Flink
|
||
HBase Storm
|
||
HBase Hadoop Hive Flink
|
||
HBase Flink Hive Storm
|
||
Hive Flink Hadoop
|
||
HBase Hive
|
||
Hadoop Spark HBase Storm
|
||
HBase Hadoop Hive Flink
|
||
HBase Flink Hive Storm
|
||
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)
|
||
|
||
|
||
|
||
### 4.2 项目依赖
|
||
|
||
想要进行MapReduce编程，需要导入`hadoop-client`依赖：
|
||
|
||
```xml
|
||
<dependency>
|
||
<groupId>org.apache.hadoop</groupId>
|
||
<artifactId>hadoop-client</artifactId>
|
||
<version>${hadoop.version}</version>
|
||
</dependency>
|
||
```
|
||
|
||
### 4.3 WordCountMapper
|
||
|
||
将每行数据按照指定分隔符进行拆分。这里需要注意在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。
|
||
|
||
```java
|
||
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
|
||
|
||
@Override
|
||
protected void map(LongWritable key, Text value, Context context) throws IOException,
|
||
InterruptedException {
|
||
String[] words = value.toString().split("\t");
|
||
for (String word : words) {
|
||
context.write(new Text(word), new IntWritable(1));
|
||
}
|
||
}
|
||
|
||
}
|
||
```
|
||
|
||
`WordCountMapper`对应下图的Mapping操作：
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-code-mapping.png"/> </div>
|
||
|
||
|
||
|
||
`WordCountMapper`继承自`Mappe`r类，这是一个泛型类，定义如下：
|
||
|
||
```java
|
||
WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>
|
||
|
||
public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {
|
||
......
|
||
}
|
||
```
|
||
|
||
+ **KEYIN** : `mapping`输入key的类型，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value的类型，即每行数据；`String`类型，对应Hadoop中`Text`类型；
|
||
+ **KEYOUT** ：`mapping`输出的key的类型，即每个单词；`String`类型，对应Hadoop中`Text`类型；
|
||
+ **VALUEOUT**：`mapping`输出value的类型，即每个单词出现的次数；这里用`int`类型，对应Hadoop中`IntWritable`类型。
|
||
|
||
|
||
|
||
### 4.4 WordCountReducer
|
||
|
||
在Reduce中进程单词出现次数统计：
|
||
|
||
```java
|
||
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
|
||
|
||
@Override
|
||
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException,
|
||
InterruptedException {
|
||
int count = 0;
|
||
for (IntWritable value : values) {
|
||
count += value.get();
|
||
}
|
||
context.write(key, new IntWritable(count));
|
||
}
|
||
}
|
||
```
|
||
|
||
如下图，`shuffling`的输出是reduce的输入。这里的key是每个单词，values是一个可迭代的数据类型，类似`(1,1,1,...)`。
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-code-reducer.png"/> </div>
|
||
|
||
### 4.4 WordCountApp
|
||
|
||
组装MapReduce作业，并提交到服务器运行，代码如下：
|
||
|
||
```java
|
||
|
||
/**
|
||
* 组装作业 并提交到集群运行
|
||
*/
|
||
public class WordCountApp {
|
||
|
||
|
||
// 这里为了直观显示参数 使用了硬编码，实际开发中可以通过外部传参
|
||
private static final String HDFS_URL = "hdfs://192.168.0.107:8020";
|
||
private static final String HADOOP_USER_NAME = "root";
|
||
|
||
public static void main(String[] args) throws Exception {
|
||
|
||
// 文件输入路径和输出路径由外部传参指定
|
||
if (args.length < 2) {
|
||
System.out.println("Input and output paths are necessary!");
|
||
return;
|
||
}
|
||
|
||
// 需要指明hadoop用户名，否则在HDFS上创建目录时可能会抛出权限不足的异常
|
||
System.setProperty("HADOOP_USER_NAME", HADOOP_USER_NAME);
|
||
|
||
Configuration configuration = new Configuration();
|
||
// 指明HDFS的地址
|
||
configuration.set("fs.defaultFS", HDFS_URL);
|
||
|
||
// 创建一个Job
|
||
Job job = Job.getInstance(configuration);
|
||
|
||
// 设置运行的主类
|
||
job.setJarByClass(WordCountApp.class);
|
||
|
||
// 设置Mapper和Reducer
|
||
job.setMapperClass(WordCountMapper.class);
|
||
job.setReducerClass(WordCountReducer.class);
|
||
|
||
// 设置Mapper输出key和value的类型
|
||
job.setMapOutputKeyClass(Text.class);
|
||
job.setMapOutputValueClass(IntWritable.class);
|
||
|
||
// 设置Reducer输出key和value的类型
|
||
job.setOutputKeyClass(Text.class);
|
||
job.setOutputValueClass(IntWritable.class);
|
||
|
||
// 如果输出目录已经存在，则必须先删除，否则重复运行程序时会抛出异常
|
||
FileSystem fileSystem = FileSystem.get(new URI(HDFS_URL), configuration, HADOOP_USER_NAME);
|
||
Path outputPath = new Path(args[1]);
|
||
if (fileSystem.exists(outputPath)) {
|
||
fileSystem.delete(outputPath, true);
|
||
}
|
||
|
||
// 设置作业输入文件和输出文件的路径
|
||
FileInputFormat.setInputPaths(job, new Path(args[0]));
|
||
FileOutputFormat.setOutputPath(job, outputPath);
|
||
|
||
// 将作业提交到群集并等待它完成，参数设置为true代表打印显示对应的进度
|
||
boolean result = job.waitForCompletion(true);
|
||
|
||
// 关闭之前创建的fileSystem
|
||
fileSystem.close();
|
||
|
||
// 根据作业结果,终止当前运行的Java虚拟机,退出程序
|
||
System.exit(result ? 0 : -1);
|
||
|
||
}
|
||
}
|
||
```
|
||
|
||
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
|
||
```
|
||
|
||
使用以下命令提交作业：
|
||
|
||
```shell
|
||
hadoop jar /usr/appjar/hadoop-word-count-1.0.jar \
|
||
com.heibaiying.WordCountApp \
|
||
/wordcount/input.txt /wordcount/output/WordCountApp
|
||
```
|
||
|
||
作业完成后查看HDFS上生成目录：
|
||
|
||
```shell
|
||
# 查看目录
|
||
hadoop fs -ls /wordcount/output/WordCountApp
|
||
|
||
# 查看统计结果
|
||
hadoop fs -cat /wordcount/output/WordCountApp/part-r-00000
|
||
```
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-wordcountapp.png"/> </div>
|
||
|
||
|
||
|
||
## 五、词频统计案例进阶之Combiner
|
||
|
||
### 5.1 代码实现
|
||
|
||
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);
|
||
```
|
||
|
||
### 5.2 执行结果
|
||
|
||
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：
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-no-combiner.png"/> </div>
|
||
|
||
加入`combiner`后的打印日志如下：
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-combiner.png"/> </div>
|
||
|
||
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。
|
||
|
||
|
||
|
||
## 六、词频统计案例进阶之Partitioner
|
||
|
||
### 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<K, V> extends Partitioner<K, V> {
|
||
|
||
public int getPartition(K key, V value,
|
||
int numReduceTasks) {
|
||
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
|
||
}
|
||
|
||
}
|
||
```
|
||
|
||
### 6.2 自定义Partitioner
|
||
|
||
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
|
||
public class CustomPartitioner extends Partitioner<Text, IntWritable> {
|
||
|
||
public int getPartition(Text text, IntWritable intWritable, int numPartitions) {
|
||
return WordCountDataUtils.WORD_LIST.indexOf(text.toString());
|
||
}
|
||
}
|
||
```
|
||
|
||
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
|
||
job.setPartitionerClass(CustomPartitioner.class);
|
||
// 设置reduce个数
|
||
job.setNumReduceTasks(WordCountDataUtils.WORD_LIST.size());
|
||
```
|
||
|
||
|
||
|
||
### 6.3 执行结果
|
||
|
||
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：
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hadoop-wordcountcombinerpartition.png"/> </div>
|
||
|
||
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
1. [分布式计算框架MapReduce](https://zhuanlan.zhihu.com/p/28682581)
|
||
2. [Apache Hadoop 2.9.2 > MapReduce Tutorial](http://hadoop.apache.org/docs/stable/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapReduceTutorial.html)
|
||
3. [MapReduce - Combiners]( https://www.tutorialscampus.com/tutorials/map-reduce/combiners.htm)
|
||
|
||
|
||
|