Java --本地提交MapReduce作业至集群☞实现 Word Count

                还是那句话，看别人写的的总是觉得心累，代码一贴，一打包，扔到Hadoop上跑一遍就完事了？？？？写个测试样例程序（MapReduce中的Hello World）还要这么麻烦！！！？，还本地打Jar包，传到Linux上，最后再用jar命令运行jar包敲一遍in和out参数，我去，我是受不了了，我很捉急，。

                我就想知道MapReduce的工作原理，而知道原理后，我就想在本地用Java程序跑一遍整个MapReduce的计算过程，这个很难吗？ 搜遍全网，没发现几个是自己想要的（也有可能漏掉了），都是可以参考的，但是零零散散不对胃口，不适合入门级“玩家”像我一样的人，最后，下定决心，看视频搜集资料，从头到尾的捋一下MapReduce的原理，以及如何在本地，通过编写map和reduce函数对一个文本文件中的单词进行出现次数的统计，并将结果输出到HDFS文件系统上

 

               注: 本文最后，还会附上一套自己写的HDFS的文件操作Java API，使用起来也很方便，API还在不断的完善..

 

---

效果：

1、  HelloWorld文本

a b c d
e f a c
a c b f

---

2、上传至HDFS的intput目录下

---

3、客户端提交Job，执行MapReduce

A、map的输出结果

---

B、reduce的输入结果（上一步map的输出）

 

---

C、reduce的计算结果（代码实现细节先暂时忽略，文章中会讲到）

 

 

 

---

D、最后，待任务全部完成，交由HDFS进行结果的文件写入

---

MapReduce中的分区默认是哈希分区，但是我们也可以自己写demo来重写Partitioner类的getPartiton方法，如下：

 

分区规则定后，我们需要指定客户端Job的map task的分区类并设置reducer的个数，如下

 

最后，提交Job跑一遍MapReduce的效果如下：

我们分别下载文件*.*-00000和*.*-00001至本地，并进行结果验证，效果如下：

 

 

分区0对应的reduce结果文件如下：

分区1对应的reduce结果文件如下：

至此，我用效果图的方式，给大家演示了一下MapReduce的前前后后究竟是如何进行map和reduce的，其中发生了什么，最后又发生了什么，很直观，但是，注意，效果图只能帮助你理解MapReduce最终能干什么，具体MapReduce内部的工作原理如何，我下面会继续讲到，而且，博文的末尾，我会附上本篇博文演示要用到的全demo。

 

---

 

一、什么是MapReduce

 

 

我们要数图书馆里面的所有书，你数1号书架，我数2号书架，他数3号书架...这就叫Map

现在我们把所有人统计的图书数加在（归并）一起，这就叫“Reduce”

合起来就是MapReduce【分布式大数据处理功能】！！！

详细的请查看：MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算

 

 

 

二、MapReduce执行过程

补充：

 

1、JobTracker  对应于 NameNode，TaskTracker 对应于 DataNode。

2、JobTracker是一个master服务，软件启动之后JobTracker接收Job，负责调度Job的每一个子任务task运行于TaskTracker上，并监控它们，如果发现有失败的task就重新运行它。一般情况应该把JobTracker部署在单独的机器上。

 

Client         ：客户端提交一个Job给JobTracker

JobTracker ：调度Job的每一个mapper和reducer，并运行在TaskTracker上，并监控它们

Mapper      ：拿到符合自己的InputSplit（输入内容），进行map后，输出MapOutPut（map的输出内容）

Reducer     ： 拿到MapOutPut作为自己的ReduceInput，进行reduce计算，最后输出OutPut结果

 

三、MapReduce工作原理

 

 

注：reducer开始reduce之前，一定要等待mapper完成map后才能开始

 

第一步：Job读取存在于 HDFS文件系统上的文件作为Mapper的输入内容（key，value）并经过特殊的处理（map编程实现）交由Mapper Task

第二步：Mapper Task对map后的数据进行shuffle（洗牌，重组），包括分区、排序或合并（combine）

第三步：Mapper把shuffle后的输出结果（key，values）提供给对应的Reducer Task，由Reducer取走

第四步：Reducer拿到上一步Mapper的输出结果，进行reduce（客户端编程实现）

第五步：Reducer完成reduce计算后，将结果写入HDFS文件系统，不同的reducer对应不同的结果文件

粗犷的图（自己画的）如下

 

 

四、Shuffle过程简介

 

 

 

 

      上图需要注意的就是shuffle过程中的分区，图中很直观的说明了，mapper最后会把key-value键值对数据（输入数据）从缓存中拿出（缓存数据溢出）并根据分区规则进行磁盘文件的写入（注意：这里的磁盘文件不是HDFS文件系统上的文件，且写入文件的内容已经是排序过的了），同时会对不同分区的key-value数据文件进行一个归并，最后分给不同的Reduce任务进行reduce处理，如果有多个Mapper,则Reducer从Map端获取的内容需要再次进行归并（把属于不同的Mapper但属于同一个分区的输出的结果进行归并，并在reduce端也进行shuffle过程，写入磁盘文件，最后进行reduce计算，reduce计算的结果最后以文件的形式输出到HDFS文件系统中）

 

 

五、Map端的Shuffle过程

 

 

 

 

    

 需要知道的是：

 

1、缓存的大小是可以设置的（mapreduce.task.io.sort.mb，默认100M）

2、溢出比（缓存使用率有一个软阈值 == mapreduce.map.sort.spill.percent，默认0.80），当超过阈值时，溢出行为会在后台起一个线程执行从而使Map任务不会因为缓存的溢出而被阻塞。但如果达到硬限制，Map任务会被阻塞，直到溢出行为结束

 

六、如何编写map和reduce函数

 

 

        到这一步，如果你对MapReduce的工作原理已经掌握了，那么接下来，编写客户端程序，利用MapReduce的计算功能，实现文本文件中单词的出现次数的统计，将会是轻而易举的。

       

       首先，我们需要一个mapper（任务），其次是reducer（任务），有了两个任务后，我们需要创建一个Job（作业），将mapper和reducer关联起来，并提交至Hadoop集群，由集群中的JobTracker进行mapper和reducer任务的调度，并最终完成数据的计算工作。

       因此，不难发现，光有mapper和reducer任务，是无法进行MapReduce（分布式大数据计算）的，这里我们需要写三个类，一个是实现Map的类，一个是实现Reduce的类，还有一个就是提交作业的主类（Client Main Class）

      

       由于博主的Hadoop版本是3.1.0的，因此，为了兼顾3.X以下的Hadoop集群环境能够在下面提供的demo中能够跑起来，特将本文中涉及到的Hadoop依赖换成了2.7.X的版本，如下：

 

 

 

注意：不要使用过时的hadoop-core（1.2.1）依赖，否则会出现各种意想不到的的问题

       

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.7.1</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-hdfs</artifactId>
    <version>2.7.1</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.7.1</version>
</dependency>
<!-- common 依赖 tools.jar包 -->
<dependency>
    <groupId>jdk.tools</groupId>
    <artifactId>jdk.tools</artifactId>
    <version>1.8</version>
    <scope>system</scope>
    <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>

 

（1）编写Mapper

 

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/**
 * Mapper 原型 ： Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 * 
 * KEYIN    : 默认情况下，是mr框架所读到的一行文本内容的起始偏移量，Long,
 *            但是在hadoop中有自己的更精简的序列化接口，所以不直接用Long,而用LongWritable
 * VALUEIN  : 默认情况下，是mr框架所读到的一行文本的内容(Java String 对应 Hadoop中的Text)
 * KEYOUT   : 用户自定义逻辑处理完成之后输出数据中的key，在此处是单词(String)，同上用Text
 * VALUEOUT : 用户自定义逻辑处理完成之后输出数据中的value，在这里是单词的次数：Integer，对应Hadoop中的IntWritable
 * 
 * mapper的输入输出参数的类型必须和reducer的一致，且mapper的输出是reducer的输入
 * 
 * @blob   http://blog.csdn.net/appleyk
 * @date   2018年7月3日15:41:13
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

    
    /**
     * map实现数据拆分的操作
     * 本操作主要进行Map的数据处理
     * 在Mapper父类里面接受的内容如下：
     * LongWritable：文本内容的起始偏移量
     * Text:每行的文本数据（行内容）
     * Text:每个单词分解后的统计结果
     * IntWritable：输出记录的结果
     */
     @Override
     protected void map(LongWritable key, Text value,Context context)
             throws IOException, InterruptedException {
       
         System.out.println("文本内容的起始偏移量："+key);
         String line = value.toString()    ;//取出每行的数据
         String[] result  = line.split(" ");//按照空格进行数据拆分
         //循环单词
         for (int i = 0 ;i <result.length ; i++){
            
           //针对每一个单词，构造一个key-value
            System.out.println("key-value : <"+new Text(result[i])+","+new IntWritable(1)+">");
             
            
           /**
            * 将每个单词的key-value写入到输入输出上下文对象中
            * 并传递给mapper进行shuffle过程，待所有mapper task完成后交由reducer进行对号取走
            */
             context.write(new Text(result[i]), new IntWritable(1));
         }
         
         /**        map端的shuffle过程（大致简单的描述一下）
          *                       |
          *                       |  放缓存（默认100M，溢出比是0.8，即80M满进行磁盘写入并清空，
          *                       |  剩余20M继续写入缓存，二者结合完美实现边写缓存边溢写（写磁盘））
          *                       V
          *               <b,1>,<c,1>,<a,1>,<a,1>
          *                         
          *                       |
          *                       | 缓存写满了，开始shuffle（洗牌、重组）  == 包括分区，排序，以及可进行自定的合并（combine）
          *                       V     
          * 写入磁盘文件（not hdfs）并进行文件归并，成一个个的大文件 <a,<1,1>>,<b,1>,<c,1>   
          * 
          *                         |
          *                         |
          *                         V
          *   每一个大文件都有各自的分区，有几个分区就对应几个reducer，随后文件被各自的reducer领走
          *   
          *           !!! 这就是所谓的mapper的输入即是reducer的输出 !!!
          */
     }
}
 

（2）编写Reducer

 

　　

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/**
 * 进行合并后数据的最终统计
 * 本次要使用的类型信息如下：
 * Text:Map输出的文本内容
 * IntWritable:Map处理的个数
 * Text:Reduce输出文本
 * IntWritable:Reduce的输出个数
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
   
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values,Context context)
                    throws IOException, InterruptedException {
       
    //mapper的输出是reducer的输入，因此，这里打一下reducer的接收内容            
    List<Integer> list = new ArrayList<>();
        
    int sum = 0;//记录每个单词（key）出现的次数
        for (IntWritable value : values) {
            //从values集合里面取出key的单个频率数量（其实就是1）进行叠加
            int num = value.get();
            sum += num;
            list.add(num);
          
        }
        
       /**
    * mapper会把一堆key-value进行shuffle操作，其中涉及分区、排序以及合并（combine）
    * 注：上述shuffle中的的合并（combine）区别于map最终的的合（归）并（merge）
    * 比如有三个键值对：<a,1>,<b,1>,<a,1>
    * combine的结果：<a,2>,<b,1>      == 被reducer取走，数据小
    * merage 的结果；<a,<1,1>>,<b,1>  == 被reducer取走，数据较大（相比较上述combine来说）
    * 注：默认combiner是需要用户自定义进行开启的，所以，最终mapper的输出其实是归并（merage）后的的结果
    * 
    * 所以，下面的打印其实就是想看一下mapper在shuffle这个过程后的merage结果（一堆key-values）
    */
    System.out.println("key-values :<"+key+","+list.toString().replace("[", "<")
                .replace("]", ">")+">");
        
    //打印一下reduce的结果
    System.out.println("reduce计算结果 == key-value :<"+key+","+new IntWritable(sum)+">");
    //最后写入到输入输出上下文对象里面，传递给reducer进行shuffle，待所有reducer task完成后交由HDFS进行文件写入
    context.write(key, new IntWritable(sum));
        
     
    }
}
 

（3）编写Partition分区类（如果需要修改Map默认的哈希分区规则的话）

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class PartitionTest extends Partitioner<Text, IntWritable> {

    /**
     * key          : map的输出key 
     * value        : map的输出value 
     * numReduceTask: reduce的task数量
     * 返回值，指定reduce，从0开始
     * 比如，分区0交由reducer0拿走
     */
    @Override
    public int getPartition(Text key, IntWritable value, int numReduceTask) {
        
        if (key.toString().equals("a")) {
            //如果key的值等于a，则将其分区指定为0，对应第一个reducer拿走进行reduce
            return 0;
        } else {
            return 1;
        }
    }
}

（4）编写Job类（Main Class）

 

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import com.appleyk.hdfs.mapper.WordCountMapper;
import com.appleyk.hdfs.part.PartitionTest;
import com.appleyk.hdfs.reducer.WordCountReducer;

/**
 * Client端，提交作业
 * @author yukun24@126.com
 * @blob   http://blog.csdn.net/appleyk
 * @date   2018年7月3日-上午9:51:49
 */
public class WordCountApp {

    public static void main(String[] args) throws Exception{
        
        Configuration conf = new Configuration();
        //配置uri
        conf.set("fs.defaultFS", "hdfs://192.168.142.138:9000");
    
        //创建一个作业，作业名"wordCount"，作用在Hadoop集群上（remote）
        Job job = Job.getInstance(conf, "wordCount");
        
        /**
         * 设置jar包的主类（如果样例demo打成Jar包扔在Linux下跑任务，
         * 需要指定jar包的Main Class,也就是指定jar包运行的主入口main函数）
         */
        job.setJarByClass(WordCountApp.class);
        
        //设置Mapper 任务的类（自己写demo实现map）
        job.setMapperClass(WordCountMapper.class);
        //设置Reducer任务的类（自己写demo实现reduce）
        job.setReducerClass(WordCountReducer.class);

        //指定mapper的分区类
        //job.setPartitionerClass(PartitionTest.class);
        
        //设置reducer（reduce task）的数量（从0开始）
        //job.setNumReduceTasks(2);
        
        
        //设置映射输出数据的键（key）  类（型）
        job.setMapOutputKeyClass(Text.class);
        //设置映射输出数据的值（value）类（型）
        job.setMapOutputValueClass(IntWritable.class);

        //设置作业（Job）输出数据的键（key）  类（型）   == 最后要写入到输出文件里面
        job.setOutputKeyClass(Text.class);
        //设置作业（Job）输出数据的值（value）类（型）   == 最后要写入到输出文件里面
        job.setOutputValueClass(IntWritable.class);

        //设置输入的Path列表（可以是单个文件也可以是多个文件（目录表示即可））
        FileInputFormat.setInputPaths (job, new Path("hdfs://192.168.142.138:9000/input" ));
        //设置输出的目录Path（确认输出Path不存在，如存在，请先进行目录删除）
        FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.142.138:9000/output"));

        //将作业提交到集群并等待它完成。
        boolean bb =job.waitForCompletion(true);
        
        if (!bb) {
            System.out.println("Job作业执行失败！");
        } else {
            System.out.println("Job作业执行成功！");
        }
    }

}

（5）运行main方法，提交作业

 

 

出现异常：

 

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z

 

 

 

由于作业是在本地（Windows）跑的，因此，这里遇到一个本地IO读写权限的问题，具体代码可以见NativeIO这个Java类的源码，在此处：

 

 

 

将源代码全部拷贝出来，在项目下新建一个同包名同类名称的文件如下：

 

打开后，修改代码如下（去掉验证）：

（6）再次运行main方法，提交作业

 

 

再次出现异常：

 

 

org.apache.hadoop.security.AccessControlException:

Permission denied: user=Administrator, access=WRITE,inode="/":root:supergroup:drwxr-xr-x

 

       意思是再说，我当前使用的user是Windows下的Administrator，但是在Hadoop的HDFS文件系统中，没有这个用户，因此，我想用Administrator这个用户向HDFS文件系统Write的时候出现权限不足的异常，因为HDFS文件系统根目录下的文件对其他用户来说，不具备w和r的权限

       原本把mapreduce程序打包放在集群中跑是不用担心用户的hdfs权限问题的，但是，我一开始说了，我不想那么麻烦，无非就是Hadoop开启了HDFS文件系统的权限验证功能，我给它关了（开放）不就行了，因此，我决定直接在hdfs-site.xml配置文件里进行权限验证的修改，添加内容如下：

<property>
    <name>dfs.permissions</name>
    <value>false</value>
</property>

 

保存后，重启Hadoop集群

 

先stop，再start

 

 

（7）再次运行main方法，提交作业

 

 

16:55:44.385 [main] INFO org.apache.hadoop.mapreduce.Job -  map 100% reduce 100%
16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)
16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.387 [main] INFO org.apache.hadoop.mapreduce.Job - Job job_local539916280_0001 completed successfully
16:55:44.388 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getCounters(Job.java:758)
16:55:44.407 [main] INFO org.apache.hadoop.mapreduce.Job - Counters: 35
	File System Counters
		FILE: Number of bytes read=560
		FILE: Number of bytes written=573902
		FILE: Number of read operations=0
		FILE: Number of large read operations=0
		FILE: Number of write operations=0
		HDFS: Number of bytes read=46
		HDFS: Number of bytes written=24
		HDFS: Number of read operations=13
		HDFS: Number of large read operations=0
		HDFS: Number of write operations=4
	Map-Reduce Framework
		Map input records=3
		Map output records=12
		Map output bytes=72
		Map output materialized bytes=102
		Input split bytes=112
		Combine input records=0
		Combine output records=0
		Reduce input groups=6
		Reduce shuffle bytes=102
		Reduce input records=12
		Reduce output records=6
		Spilled Records=24
		Shuffled Maps =1
		Failed Shuffles=0
		Merged Map outputs=1
		GC time elapsed (ms)=3
		Total committed heap usage (bytes)=605028352
	Shuffle Errors
		BAD_ID=0
		CONNECTION=0
		IO_ERROR=0
		WRONG_LENGTH=0
		WRONG_MAP=0
		WRONG_REDUCE=0
	File Input Format Counters 
		Bytes Read=23
	File Output Format Counters 
		Bytes Written=24
16:55:44.407 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
Job作业执行成功！

 

ok，至此，本地执行mapreduce作业已经完成，接下来就是查看我们要的结果了

 

 

 

 

（8）利用Java HDFS API，打开/output/part-r-00000文件内容，输出到控制台

 

a b c d
e f a c
a c b f

 

 

七、GitHub项目地址

 

Java HDFS API ，实现文件的存储和访问 并附带MapReduce作业，本地提交作业至集群实现Word Count的计算