• 从 WordCount 到 MapReduce 计算模型


    概述

    虽然现在都在说大内存时代,不过内存的发展怎么也跟不上数据的步伐吧。所以,我们就要想办法减小数据量。这里说的减小可不是真的减小数据量,而是让数据分散开来。分开存储、分开计算。这就是 MapReduce 分布式的核心。


    版权说明

    著作权归作者所有。
    商业转载请联系作者获得授权,非商业转载请注明出处。
    本文作者:Q-WHai
    发表日期: 2016年5月10日
    本文链接:http://blog.csdn.net/lemon_tree12138/article/details/51367732
    来源:CSDN
    更多内容:分类 >> 大数据之 Hadoop


    目录


    MapReduce 简介

    要了解 MapReduce,首先要了解 MapReduce 的载体是什么。在 Hadoop 中,用于执行 MapReduce 任务的机器有两个角色:一个是 JobTracker,另一个是 TaskTracker。JobTracker 是用于管理和调度工作的,TaskTracker 是用于执行工作的。一个 Hadoop 集群中只有一台 JobTracker(当然在 Hadoop 2.x 中,一个 Hadoop 集群中可能有多个 JobTracker)。


    MapReduce 原理

    MapReduce 模型的精髓在于它的算法思想——分治。对于分治的过程可以参见我之前的一篇博客《大数据算法:对5亿数据进行排序》。还有就是可以去学习一下排序算法中的归并排序,在这个排序算法中就是基于分治思想的。
    回归正题,在 MapReduce 模型中,可以把分治的这一概念表现得淋漓尽致。在处理大量数据的时候(比如说 1 TB,你别说没有这么多的数据,大公司这点数据也不算啥的),如果只是单纯地依赖我们的硬件,就显得有些力不从心了。首先我们的内存没有那么大,如放在磁盘上处理,那么过多的 IO 操作无疑是一个死穴。聪明的 Google 工程师总是给我们这些渣渣带来惊喜,他们想把了把这些数据分散到许多机器上,在这些机器上完成一些初步的计算,再经过一系列的汇总,最后在我们的机器上(Master/Namenode)统计结果。
    要知道我们不可能把我们的数据分散到随意的 N 台机器上。那么我们就必须让这些机器之间建立一种可靠的关联,这样的关联形成了一个计算机集群。这样我们的数据就可以分发到集群中的各个计算机上了。在 Hadoop 里这一操作可以通过 -put 这一指令实现,关于这一点在下面的操作过程中也有体现。
    当数据被上传到 Hadoop 的 HDFS 文件系统上之后,就可以通过 MapReduce 模型中的 Mapper 先将数据读进内存,过程像下面这样:
    这里写图片描述

    经过 Mapper 的处理,数据会变成这样
    这里写图片描述

    好了,到了这里,Map 的过程就已经结束了。接下来就是 Reduce 的过程了。

    这里写图片描述

    可以看到这里有一个 conbin 的过程,这个过程,也可以没有的。而有的时候是一定不能有的,在后面我们可以会单独来说说这里的 conbin,不过不是本文的内容,就不详述了。
    这样整个 MapReduce 过程就已经 over 了,下面看看具体的实现及测试结果吧。


    WordCount 程序

    关于 WordCount 的 MapReduce 计算模型可参见本人的在线绘图工具:https://www.processon.com/view/572bf161e4b0739b929916ea

    需求分析

    1. 现在有大量的文件
    2. 每个文件又有大量的单词
    3. 要求统计每个单词的词频

    逻辑实现

    Mapper

    public static class CoreMapper extends Mapper<Object, Text, Text, IntWritable> {
    
            private static final IntWritable one = new IntWritable(1);
            private static Text label = new Text();
    
            @Override
            protected void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context)
                    throws IOException, InterruptedException {
                StringTokenizer tokenizer = new StringTokenizer(value.toString());
                while(tokenizer.hasMoreTokens()) {
                    label.set(tokenizer.nextToken());
                    context.write(label, one);
                }
            }
        }

    Reducer

    public static class CoreReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    
            private IntWritable count = new IntWritable();
    
            @Override
            protected void reduce(Text key, Iterable<IntWritable> values,
                    Reducer<Text, IntWritable, Text, IntWritable>.Context context)
                    throws IOException, InterruptedException {
                if (null == values) {
                    return;
                }
    
                int sum = 0;
                for (IntWritable intWritable : values) {
                    sum += intWritable.get();
                }
                count.set(sum);
    
                context.write(key, count);
            }
        }

    Client

    public class ComputerClient extends Configuration implements Tool {
    
        public static void main(String[] args) {
            ComputerClient client = new ComputerClient();
    
            args = new String[] {
                    AppConstant.INPUT,
                    AppConstant.OUTPUT
            };
    
            try {
                ToolRunner.run(client, args);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
    
        @Override
        public Configuration getConf() {
            return this;
        }
    
        @Override
        public void setConf(Configuration arg0) {
        }
    
        @Override
        public int run(String[] args) throws Exception {
            Job job = new Job(getConf(), "ComputerClient-job");
            job.setJarByClass(CoreComputer.class);
    
            job.setMapperClass(CoreComputer.CoreMapper.class);
            job.setCombinerClass(CoreComputer.CoreReducer.class);
            job.setReducerClass(CoreComputer.CoreReducer.class);
    
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);
    
            FileInputFormat.addInputPath(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));
    
            return job.waitForCompletion(true) ? 0 : 1;
        }
    }

    本地运行

    关于本地运行没什么好说的,就是在 Eclipse 里配置好运行参数或是直接在代码里指定输入输出路径。然后 Run As 一个 Hadoop 程序即可。

    分布式运行

    在分布式运行 MapReduce 的过程中,主要有以下几个步骤:
    1. 打包
    2. 上传源数据
    3. 分布式运行

    打包

    在打包的过程中,可以使用命令行打包,也可以使用 Eclipse 自带的 Export。在 Eclipse 的打包导出过程中,与打包导出一个 Java 的 jar 过程是一样的。这里就不多说了。假设我们打成的 jar 包为: job.jar

    上传源数据

    上传源数据是指将本地的数据上传到 HDFS 文件系统上。
    在上传源数据之前我们需要在 HDFS 上新建你需要上传的目标路径,然后使用下面的这条指令即可完成数据的上传。

    $ hadoop fs -mkdir <hdfs_input_path>
    $ hadoop fs -put <local_path> <hdfs_input_path>

    如果这里之前你不进行创建目录,上传过程会因为找不到目录而出现异常情况。
    数据上传完成后,这些数据会分布在你整个集群的 DataNode 上,而不只是在你的本地机器上了。

    分布式运行

    等上面的所有事情已经就绪,那么就可以使用下面的 hadoop 指令运行我们的 hadoop 程序。

    $ hadoop jar job.jar <hdfs_input_path> <hdfs_output_path>

    结果视窗

    打开浏览器
    这里是程序中执行的过程中,进度的变化情况
    这里写图片描述
    下面是程序执行完成时的网页截图

    这里写图片描述

    这里写图片描述


    Ref

    • 《Hadoop 实战》

  • 相关阅读:
    float、定位、inline-block、兼容性需注意的特性总结
    meta 标签 详细说明
    兼容探讨一
    javascript性能优化总结二(转载)
    javascript性能优化总结一(转载人家)
    特效合集(原生JS代码)适合初学者
    svg实现简单沙漏旋转
    SVG制作简单的图形
    SVG的简单介绍
    jQuery之效果
  • 原文地址:https://www.cnblogs.com/fengju/p/6335989.html
Copyright © 2020-2023  润新知