Hadoop学习笔记(2) 关于MapReduce

1. 查找历年最高的温度。

MapReduce任务过程被分为两个处理阶段：map阶段和reduce阶段。每个阶段都以键/值对作为输入和输出，并由程序员选择它们的类型。程序员还需具体定义两个函数：map函数和reduce函数。

对应的Java MapReduce代码如下：

public class MaxTemperature{
    static class MaxTemperatureMapper 
    extends Mapper<LongWritable,Text,Text,IntWritable>{
        public void map(LongWritable key, Text value,Context context)
            throws IOException,InterruptedException{
            String line = value.toString();
            String year = line.substring(15,19);
            int airTemperature;
            if(line.charAt(87) == '+'){
                airTemperature = Integer.parseInt(line.substring(88, 92));
            } else {
                airTemperature = Integer.parseInt(line.substring(87, 92));                
            }
            
            String quality = line.substring(92, 93);
            if(airTemperature != MISSING && quality.matches("[01459]")){
                context.write(new Text(year),new IntWritable(airTemperature));
            }
        }
    }
    
    static class MaxTemperatureReducer
      extends Reduce<Text,IntWritable,Text,IntWritable>{
        public void reduce(Text key,Iterable<IntWritable> values,
                        Context context) throws IOException,InterruptedException{
            int maxValue = Inerger.MIN_VALUE;
            for(IntWritable value : values){
                maxValue = Math.max(maxValue,value.get());
            }
            context.write(key,new IntWritable(maxValue));
        }
    }
    
    public static void main(String[] args) throws Exception{
        if(args.length != 2){
            System.out.println("Usage: MaxTemperature <input path> <output path>");
            System.exit(-1);
        }
        Job job = new Job();
        job.setJarByClass(MaxTemperature.class);
        
        FileInputFormat.addInputPath(job,new Path(args[0]));
        FileOutputFormat.setOutputPath(job,new Path(args[1]));
        
        job.setMapperClass(MaxTemperatureMapper.class);
        job.setReducerClass(MaxTemperatureReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

2. 为了实现横向扩展，需要把数据存储在分布式文件系统HDFS中，由此允许hadoop将MapReduce计算移到存储有部分数据的各台机器上。

　　(1) 一个reduce任务的MapReduce数据流

　　MapReduce作业(job)是客户端需要执行的一个工作单元：包括输入数据、MapReduce程序和配置信息。Hadoop将作业分成若干个小任务(task)来执行，其中包括两类任务：map任务和reduce任务。

　　有两类节点控制着作业执行过程：一个jobtracker及一系列tasktracker。jobtracker通过调度tasktracker上运行的任务，来协调所有运行在系统上的作业。tasktracker在运行任务的同时将运行进度报告发送给jobtracker，jobtracker由此记录每项作业任务的整体进度情况。如果其中一个任务失败，jobtracker由此在另外一个tasktracker节点上重新调度该任务。

　　Hadoop将MapReduce的输入数据划分成等长的小数据块，成为输入分片(input split)。Hadoop为每个分片构建一个map任务，并由该任务来运行用户自定义的map函数从而处理分片中的每条记录。

　　如果我们并行处理每个分片，且每个分片数据比较小，那么整个处理过程将获得更好的负载平衡。对于大多数作业来说，一个合理的分片大小趋向于HDFS的一个块的大小，默认是64M。

　　Hadoop在存储有输入数据(HDFS中的数据)的节点上运行map任务，可以获得最佳的性能，这就是所谓的数据本地化优化(data locality optimization)。最佳分片的大小应该与块大小相同，因为它是确保可以存储在单个节点上的最大输入块的大小。如果分片跨越两个数据块，那么对于任何一个HDFS节点，基本上都不可能同时存储这两个数据块，因此分片中的部分数据需通过网络传输到map任务节点。

　　map任务将其输出写入本地硬盘，而非HDFS，因为map的输出结果是中间结果，该中间结果由reduce任务处理后才产生最终输出结果，而一旦作业完成，map的输出结果可以被删除。因此，如果把它存储在HDFS中并实现备份难免有些小题大做。如果该节点上运行的map任务在map中间结果传送给reduce任务之前失败，Hadoop将在另一个节点上重新运行这个map任务以再次构建map中间结果。

　　reduce任务并不具备数据本地化的优势-单个reduce任务的输入通常来自于所有mapper的输出。因此，上例中排过序的map输出需要通过网络传输发送到运行reduce任务的节点。数据在reduce端合并，然后由用户定义的reduce函数处理。reduce的输出通常存储在HDFS中以实现可靠存储。对于每个reduce输出的HDFS数据块，第一个复本存储在本地节点上，其他复本存储在其他机架节点中。

　　(2) 多个reduce任务的数据流

　　reduce任务的数量并非由输入数据的大小决定，而是特别指定的。如果有多个reduce任务，则每个map任务都会对其输出进行分区，即为每个reduce任务建一个分区。每个分区有许多键(及其对应值)，但每个键对应的键/值对都在同一个分区中，分区由用户定义的分区函数控制，但通常用默认的分区器通过哈希函数来区分。

　　(3) 无reduce任务的MapReduce数据流

　　在这种情况下，唯一的非本地节点数据传输是map任务将结果写入HDFS。

3. combiner

　　集群上的可用带宽限制了MapReduce作业的数量，因此尽量避免map任务和reduce任务之间的数据传输。Hadoop允许用户针对map任务的输出指定一个合并函数——合并函数的输出作为reduce函数的输入。Hadoop无法确定针对map任务输出中任一条记录需要调用多少次合并函数。

　　例：计算最高温度的例子中，1950年的读数由两个map任务处理。假设第一个map的输出为：(1950,0),(1950,20),(1950,10)，第二个map的输出为：(1950,25),(1950,15)，reduce函数被调用时，输出：(1950,[0 20 10 25 15])，因此reduce函数的输出为(1950,25)。

　　我们可以像使用reduce函数那样，使用合并函数找出每个map任务输出结果中的最高温度，则reduce函数调用时将被传入：(1950,[20,25])

　　使用合并函数快速找出最高气温的代码：

public class MaxTemperatureWithCombiner{
    public static void main(String[] args) throws IOException{
        if(args.length != 2){
            System.out.println("Usage: MaxTemperatureWithCombiner <input path> <output path>");
            System.exit(-1);
        }
        
        JobConf conf = new JobConf(MaxTemperatureWithCombiner.class);
        conf.setJobName("Max Temperature");
        
        FileInputFormat.addInputPath(conf,new Path(args[0]));
        FileOutputFormat.setOutputPath(conf,new Path(args[1]));
        
        conf.setMapperClass(MaxTemperatureMapper.class);
        conf.setReducerClass(MaxTemperatureReducer.class);
        conf.setCombinerClass(MaxTemperatureReducer.class);

        conf.setOutputKeyClass(Text.class);
        conf.setOutputValueClass(IntWritable.class);
        
        JobClient.runJob(conf);
    }
}

4. Hadoop的Streaming

　　Hadoop的Streaming使用unix标准流作为Hadoop和应用程序之间的接口，所以我们可以使用任何编程语言通过标准输入/输出来写MapReduce程序。