MapReduce 入门与 WordCount 讲解

目录

• 1. MapReduce的思想核心是“分而治之”
• 2. MapReduce 编程规范
• 3. WordCount 实例
  • step 1:Mapper类
  • step2 reducer 类
  • step 3 主函数 Main
  • step4 打包 jar，并上传
  • step5 执行程序，获得统计词频的输出
• 问题及回答
  • mapreduce 需要注意什么

1. MapReduce的思想核心是“分而治之”

Map负责“分”，即把复杂的任务分解为若干个“简单的任务”来并行处理。可以进行拆分的前提是这些小任务可以并行计算，彼此间几乎没有依赖关系。

Reduce负责“合”，即对map阶段的结果进行全局汇总。

MapReduce运行在yarn集群

1. ResourceManager
2. NodeManager

Map和Reduce为程序员提供了一个清晰的操作接口抽象描述。MapReduce中定义了如下的Map和Reduce两个抽象的编程接口，由用户去编程实现.Map和Reduce,MapReduce处理的数据类型是<key,value>键值对。

Map: (k1; v1) → [(k2; v2)]
Reduce: (k2; [v2]) → [(k3; v3)]

2. MapReduce 编程规范

MapReduce 的开发一共有八个步骤, 其中 Map 阶段分为 2 个步骤，Shuffle阶段4个步骤，Reduce阶段分为2个步骤

Map 阶段 2 个步骤

1. 设置 InputFormat 类, 将数据切分为 Key-Value(K1和V1) 对, 输入到第二步
2. 自定义 Map 逻辑, 将第一步的结果转换成另外的 Key-Value（K2和V2） 对, 输出结果

Shuffe 阶段 4 个步骤

3. 分区 Partitioner 对输出的 Key-Value 对进行分区
4. 排序 Sort 对不同分区的数据按照相同的 Key 排序
5. 规约 Combiner (可选) 对分组过的数据初步规约, 降低数据的网络拷贝
6. 分组 parse 对数据进行分组, 相同 Key 的 Value 放入一个集合中

Reduce 阶段 2 个步骤

7. 对多个 Map 任务的结果进行排序以及合并, 编写 Reduce 函数实现自己的逻辑, 对输入的 Key-Value 进行处理, 转为新的 Key-Value（K3和V3）输出
8. 设置 OutputFormat 处理并保存 Reduce 输出的 Key-Value 数据

3. WordCount 实例

step 1:Mapper类

/**
 * @Author hwj
 * @Date 2020/8/7 12:54
 * @Desc: 将 k1 v1 转换为 k2 v2
 **/
/*
k1 行偏移量   LongWritable
v1 行文本     Text
k2 单词文本   Text
v2 个数       LongWritable
 */
/*
步骤：重写提供的map方法
1. 拆开文本数据
2. 获取 k2,v2
3. 将 k2,v2 写入上下文中
 */
public class WordCountMapper extends Mapper<LongWritable, Text,Text,LongWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        Text text = new Text();
        LongWritable longWritable = new LongWritable();
        // 拿到一行数据转换为 String
        // 将这一行切分成各个单词
        // 遍历数组，输出 k2,v2，写入到上下文中
        String line = value.toString();
        String[] words = line.split(" ");
        for(String word: words){
            text.set(word);
            longWritable.set(1);
            context.write(text,longWritable);
        }
    }
}

step2 reducer 类

/**
 * @Author hwj
 * @Date 2020/8/7 16:11
 * @Desc: 将 k2 v2 转化为 k3,v3
 **/
/*
k2 单词文本            Text
v2 <迭代器> 个数       LongWritable    <1,1,1,1>
k3 单词文本             Text
v3 每个单词累积个数  LongWritable       4
 */
public class WordCountReducer extends Reducer<Text, LongWritable,Text,LongWritable> {
    /*
步骤：重写提供的 reduce 方法
1. 拆开文本数据
2. 获取 k2,v2
3. 将 k2,v2 写入上下文中
 */
    @Override
    protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
        long count=0;
        for(LongWritable value:values){
            count=count+value.get();
        }
        context.write(key,new LongWritable(count));
    }
}

step 3 主函数 Main

/**
 * @Author hwj
 * @Date 2020/8/7 16:26
 * @Desc: 将业务逻辑相关的信息：哪个是 Mapper,哪个是 reducer,要处理的数据在哪，输出的数据放哪) 描述成一个 job对象
 *
 **/
public class WordCountMain {
    // 将这个描述好的对象提交给集群去运行
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        //  Configuration 封装了对应客户端或服务器的配置
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        job.setJarByClass(WordCountMain.class);
        // 指定Map阶段的处理方式
        job.setMapperClass(WordCountMapper.class);
        // 指定 reduce 阶段的处理方式
        job.setReducerClass(WordCountReducer.class);
        // 指定 Map 阶段键值对输出的数据类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);
        // 指定 reduce 阶段输出到文件的键值对类型

//        FileInputFormat.setInputPaths(job,new Path("file:///G:\input"));
        FileInputFormat.setInputPaths(job,"hdfs://node01:8020/wordcount");
        FileOutputFormat.setOutputPath(job,new Path("hdfs://node01:8020/wordcount/output"));
        // 向 yarn 集群提交这个 job
        boolean res=job.waitForCompletion(true);
        System.exit(res?0:1);
    }
}

• 若是输入输出路径均在本地，则直接运行程序。
• 这里建议现在本地运行，查看代码是否有错。
• 输出路径一定要不存在，已存在会报错
• 下面是当输入输出路径在hdfs文件系统中的后续步骤

step4 打包 jar，并上传

• 在 maven 区 clean-->package
• 上传到node01节点的相应路径下

step5 执行程序，获得统计词频的输出

在jar包存放目录下执行
hadoop jar mapreduce_wordcount-1.0-SNAPSHOT.jar pers.hwj.WordCountMain
其中，pers.hwj.WordCountMain，是主函数的路径（主函数右键 Copy Reference）

问题及回答

mapreduce 需要注意什么

1. 文件输入，若文件都是小文件，可以先做小文件的合并
2. 若设置分区，则主函数里面要配置 reducetask 的个数
3. 注意输入输出的k,v相应的数据类型要考虑清楚

---

源码 : https://github.com/aliyundata/HadoopProject/tree/master/mapreduce_wordcount