MapReduce基础
目录
一、关于MapReduce
1.1 为什么要MapReduce
- 单机资源有限：由于单台计算机的资源有限，计算能力不足以处理海量数据；所以需要多台计算机组成分布式集群来处理海量数据。
- 分布式计算较复杂：在分布式计算中，计算任务的分发，各个主机之间的协作；程序的启动以及运行过程中的监控、容错、重试等都会变得很复杂。所以引入了MapReduce框架，框架解决了分布式开发中的复杂性，开发人员只需要将大部分工作集中在业务逻辑的开发上，从而极大的提高了工作效率。
1.2 MapReduce的定义
- MapReduce是一个分布式运算程序的编程框架，用于大规模数据集(大于1TB)的并行计算；Map（映射）和reduce（归约）是它的主要思想；它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。
二、MapReduce的优缺点
2.1 优点：
- 易于编程：只需要实现一些接口，就可以完成一个分布式程序的编写；跟编写一个串行程序一样；
- 良好的扩展性：当计算资源不足时，只需要简单的增加机器来扩展它的计算能力；
- 高容错性：当一个机器挂了之后，会自动把上面的计算任务转移到另一个节点上运行，无需人工干预；
- 海量：适合PB级海量数据的离线处理。
2.2 缺点：
- 不适合实时计算：MapReduce由于过程较为复杂，IO次数较多，所以无法做到毫秒或秒级响应；
- 不适合流式计算：流式计算的输入是动态的，可以不断添加，而MapReduce的输入是静态的；
- 不适合DAG(有向图)计算：对于多个程序之间有依赖关系，即后一个程序的输入是前一个程序的输出；虽然MapReduce也可以完成，但都是通过磁盘来传递中间数据，造成大量的磁盘IO，性能极低。
三、MapReduce的执行阶段
3.1 执行的两个阶段
-
Map阶段：若干个maptask并发实例，完全并行运行，互不相干。
-
Reduce阶段：若干个reducetask并发实例，完全并行运行，但是他们的数据依赖于Map阶段的输出。
-
注意：MapReduce模型只能包含一个map阶段和一个reduce阶段；如果业务逻辑非常复杂，就只能使用多个MapReduce程序，串行运行。
四、编写MapReduce程序
-
用户需要编写的三个部分：Mapper、Reducer、Driver(提交MR程序)。
4.1 以WordCount为例：
1. 编写Mapper
// 注意：hadoop1.0版本中是mapred下包，hadoop2.0是mapreduce下的包
import org.apache.hadoop.mapreduce.Mapper;
// 继承Mapper父类，泛型为输入和输出的<K, V>；并重写父类的map方法
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
/**
* 每行文本都会执行一次map方法.
*
* @param key 文本偏移量.
* @param value 一行文本.
* @param context 上下文对象.
* @throws IOException .
* @throws InterruptedException 当阻塞方法收到中断请求时抛出.
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] words = line.split("\s+"); // 拆分一行中的单词
for (String word : words) {
context.write(new Text(word), new IntWritable(1)); // 输出一个<K, V>
}
}
}
2. 编写Reducer
// 继承Reducer类，输入的<K, V>类型为map端输出<K, V>类型
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
/**
* 相同的key只会执行一次reduce方法
*
* @param key map端输出的key
* @param values 相同key的value集合
* @param context 上下文对象
* @throws IOException .
* @throws InterruptedException .
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
// 当前的 key出现了多少次
int count = 0;
// values中的数据是反序列化过来的，最好不要直接使用values中的bean
for (IntWritable value : values) {
count += value.get();
}
context.write(key, new IntWritable(count)); // 输出
}
}
3. 编写Driver
// Driver的作用是将这个Mapper和Reducer程序打包成一个Job，并提交该Job
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 不需要为 conf设置HDFS等参数，因为conf会调用系统默认的配置文件，
// 所以这个mr程序在哪里运行就会调用哪里的配置文件，在集群上运行就会使用集群的设置文件。
Configuration conf = new Configuration();
// 删除输出文件，或者手动删除
// FileHelper.deleteDir(args[1], conf);
// 根据配置文件实例化一个 Job，并取个名字
Job job = Job.getInstance(conf, "MyWordCount");
// 设置 Jar的位置
job.setJarByClass(WordCountDriver.class);
// 设置 Mapper运行类，以及输出的key和value的类型
job.setMapperClass(WordCountMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
// 设置 Reducer的运行类，以及输出的key和value的类型
job.setReducerClass(WordCountReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
// 设置分区(可以不用设置)
// 当设置的分区数大于实际分区数时，可以正常执行，多出的分区为空文件;
// 当设置的分区数小于实际分区数时，会报错。
job.setNumReduceTasks(4);
// 如果设置的 numReduceTasks大于 1，而又没有设置自定义的 PartitionerClass
// 则会调用系统默认的 HashPartitioner实现类来计算分区。
job.setPartitionerClass(WordCountPartitioner.class);
// 设置combine
job.setCombinerClass(WordCountCombiner.class);
// 设置输入和输出文件的位置
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 提交任务，等待执行结果，参数为 true表示打印信息
boolean result = job.waitForCompletion(true);
// 根据 job的返回值自定义退出
System.exit(result?0:1);
}
}
4. 运行
- 如果在Hadoop集群上运行还需要将这个project打包成jar包，所以一般是先在windows上运行调试。
- 由于要从命令行输入input和output参数，所以这里配置一下输入和输出的位置。
五、MapReduce的主要执行流程
- job.waitForCompletion(true)：将这个MapReduce任务(Job)提交，默认是提交到本地运行；部署到集群时，是提交给YARN运行。
- map()：在父类Mapper的run()方法中会调用子类重写的map()方法。输入文件的每一行都会调用一次map()方法，map()方法的参数中：key为当前输入行的偏移量，LongWritable类型；value为当前输入行的数据，Text类型；context为上下文对象。父类Mapper是一个泛型类，泛型的类型表示map()方法输入和输出的<K, V>类型，子类在继承时要传入实际输入输出的<K, V>类型。map()使用context.write(k, v)来输出数据到shuffle阶段的环形缓冲区。
- shuffle阶段简述：shuffle阶段起到承上启下的作用；从接收map()方法的输出，到执行reduce()方法之前都属于shuffle阶段。shuffle接收map()输出<K,V>并通过K计算出分区号，然后与元数据一起写入环形缓存区；环形缓冲区溢写时会将数据排序并写入小文件，然后归并成一个大的分区文件。一个ReducerTask主机会到所有MapTask主机上拉取对应的分区文件，归并所有分区文件后会对相同的key进行合并，再执行reduce方法。
- reduce()：在父类Reducer的run()方法中会调用子类重写的reduce()方法。相同的key只会调用一次reduce()方法，reduce()方法的参数中：key为相同key合并后的第一个key，与map()的输出key类型相同；values为相同key的value列表，类型是Iterable<map()的输出value类型>。与Mapper类类似，子类在继承Reducer时输入的<K, V>类型是Mapper输出的<K, V>类型、Reducer输出的<K, V>类型是context.write(K, V)中<K, V>的类型。reduce中的context.write(K, V)最终会写入到输出文件中，就是这次MapReduce的结果。