MapReduce计算模型
- MapReduce两个重要角色：JobTracker和TaskTracker。
MapReduce Job
-
每个任务初始化一个Job，没个Job划分为两个阶段：Map和Reduce阶段。
-
Map函数接受一个
<key, value>形式的输入，输出一个<key, value>形式的中间输出。 -
Hadoop负责将所有的相同中间key值的value集合到一起传递给Reduce函数。
-
Reduce函数接受一个
<key, (list of value)>，然后对value集合进行处理并输出结果，输出结果也是<key, value>形式的。
Hadoop 中的 Hello Word 程序
- wordCount 程序
package com.felix;
import <a href="http://lib.csdn.net/base/17" class='replace_word' title="Java EE知识库" target='_blank' style='color:#df3434; font-weight:bold;'>Java</a>.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
public class WordCount
{
public static class Map extends MapReduceBase implements
Mapper<LongWritable, Text, Text, IntWritable>
{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException
{
String line = value.toString();
StringTokenizer tokenizer = new StringTokenizer(line);
while (tokenizer.hasMoreTokens())
{
word.set(tokenizer.nextToken());
output.collect(word, one);
}
}
}
public static class Reduce extends MapReduceBase implements
Reducer<Text, IntWritable, Text, IntWritable>
{
public void reduce(Text key, Iterator<IntWritable> values,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException
{
int sum = 0;
while (values.hasNext())
{
sum += values.next().get();
}
output.collect(key, new IntWritable(sum));
}
}
public static void main(String[] args) throws Exception
{
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount"); //设置一个用户定义的job名称
conf.setOutputKeyClass(Text.class); //为job的输出数据设置Key类
conf.setOutputValueClass(IntWritable.class); //为job输出设置value类
conf.setMapperClass(Map.class); //为job设置Mapper类
conf.setCombinerClass(Reduce.class); //为job设置Combiner类
conf.setReducerClass(Reduce.class); //为job设置Reduce类
conf.setInputFormat(TextInputFormat.class); //为map-reduce任务设置InputFormat实现类
conf.setOutputFormat(TextOutputFormat.class); //为map-reduce任务设置OutputFormat实现类
FileInputFormat.setInputPaths(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));
JobClient.runJob(conf); //运行一个job
}
}
-
处理流程：读取文件 -> Map -> 切出其中的单词并标记数目为1，如
<word, 1>-> Reduce -> 收集相同key值的value形成<key, list of value>-> 将所有的1加起来 -> 输出<key, value>，即<word, count> -
执行过程：
// 初始化
JobConf conf = new JobConf(MyMapre.class);
// 为job命名
conf.setJobName("wordcount");
// 设成供Map处理的<key, value>对
conf.setInputFormat(TestInputFormat.class);
// 设置出输出格式
conf.setOutputFormat(TestOutputFormat.class);
conf.setMapperClass(Map.class);
conf.setReduceClass(Reduce.class);
// 设置输入输出路径
FileInputFormat.setInputPath(conf, new Path(args[0]);
FileOutputFormat.setOutputPath(conf, new Path(args[1]);
-
TextInputFormat中，没一行都会生成一条记录，每条记录表示为
<key, value>： -
key值是每个数据的记录在数据分片中的字节偏移量，数据类型是LongWritable
-
value是每行的内容，数据类型是Text
-
Map()函数集成自MapReduceBase
-
实现Mapper接口，有四种形式的参数（key值类型，输入的value值的类型，输出的key值类型，输出的value值类型）
-
实现此接口还要实现Map()方法，负责具体的对输入进行操作
-
本例中，首先以空格为单位进行切片，然后使用OutputCollect收集输出的
<word, 1> -
Reduce()与Map()相似
-
本例中，输入
<Text, IntWritable>，输出<Text, IntWritable>。
运行MapReduce程序
-
Eclipse中运行
-
命令行运行：
// 建立FirstJar
mkdir FirstJar
// 编译生成.class文件，存放到FirstJar中
javac -classpath ~/hadoop/hadoop-core.jar -d FirstJar
WordCount.java
jav -cvf wordcount.jar -C FirstJar/.
- 上传文件到hadoop
hadoop fs -mkdir ...
hadoop fs -put ...
- 运行
hadoop jar wordcount.jar WordCount input output
新的API
- 新的程序：
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
public class WordCount {
public static class TokenizerMapper extends
Mapper {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
protected void map(Object key, Text value, Context context)
throws IOException, InterruptedException {
StringTokenizer tokenizer = new StringTokenizer(value.toString());
while (tokenizer.hasMoreTokens()) {
word.set(tokenizer.nextToken());
context.write(word, one);
}
}
}
public static class IntSumReducer extends
Reducer {
private IntWritable result = new IntWritable();
protected void reduce(Text key, Iterator values,
Context context) throws IOException, InterruptedException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main(String[] args) throws IOException,
InterruptedException, ClassNotFoundException {
// section 1
Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args)
.getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage : wordcount ");
System.exit(2);
}
Job job = new Job(conf, "wordcount");
job.setJarByClass(WordCount.class);
// section2
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// section3
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
// section4
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
// section5
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
-
新的API中，Mapper和Reducer不是接口而是抽象类。Map和Reduce函数竭诚Mapper和Reducer抽象类。
-
更加频繁的用context对象，进行MapReduce间的通信，MapContext充当OutputCollector和Reporter。
-
Job的配置统一由Configuration来完成，不必额外的使用JobConf对守护进程进行配置。
-
由Job来负责Job的控制，而不是JobClient。
MapReduce的数据流和控制流
- 简单的控制流：
JobTracker调度任务给TaskTracker，TaskTracker执行任务时，返回进度报告。JobTracker记录进度的进行状况，如果某个TaskTracker上的任务失败，那么JobTracker会把这个任务分配给另一台TaskTracker。
MapReduce优化
-
MapReduce任务擅长处理少量的大数据，而在处理大量的小数据时，MapReduce性能会逊色不少。
-
当以个Map任务的运行时间在一分钟左右比较合适。
-
MapReduce任务槽：Map/Reduce任务槽就是这个集群能够同事运行的Map/Reduce任务的最大数量。