Hadoop 学习笔记（十一）MapReduce 简介

MapReduce定义

Map Reduce 是一个分布式运算程序的编程框架，是用户开发“基于 Hadoop 的数据分析” 应用的核心框架 ，Map Reduce 的核心功能是将用户编写的业务逻辑代码和自带的默认组件，整合成完整的分布式应用程序，并发运行在 Hadoop 集群上。

为什么要引入 MapReduce?

• 海量数据如果在单个节点上处理因为硬件资源限制，无法胜任；
• 而一旦将单节点程序扩展到集群来分布式运行，将极大增加程序的复杂度和开发难度；
• 引入 MapReduece 框架后，开发人员可以将绝大部分工作集中在业务逻辑的开发上，而将分布式计算中的复杂性交由框架来处理；

MapReduce 特点

1、Map Reduce 易于编程 它简单实现了一些接口，就可以完成一个分布式程序，这个分布式程序可以分发到大量的廉价的PC机器上进行运行，也就是说：这里写一个分布式程序和写一个普通的程序是一样的，因此：使 Map Reduce 编程很是流行；
2、适合 PB 级以上海量数据的离线处理；可以实现成千台服务器集群并发工作；提供数据处理能力；

3、不擅长实时数据计算：Map Reduce 无法像 Mysql 一样在毫秒或秒级内返回结果；

4、不擅长流式计算；流式的数据计算的输入是动态的，而 Map Reduce 的输入是静态的，不能动态变化，这是由于 Map Reduce 的设计特点决定了其输入数据是静态数据；
5、不擅长（DAG） 右向图计算 多个应用程序存在依赖关系，后一个应用程序的输入为前一个应用程序的输出，在这种情况下，Map Redeuce 并不是不能做，而是使用后，每个 Map Reduce 的输出结果都会写入磁盘，导致大量的磁盘IO，从而使性能下降。

MapReduce 核心思想

1）分布式的运算程序往往需要分成至少2个阶段。

2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。

3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。

4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。

总结：分析WordCount数据流走向深入理解MapReduce核心思想。

MapReduce 进程：

• MrAppMaster:负责整个程序的过程调度和状态协调；
• MapTask 负责整个 Map 阶段的数据处理流程；
• ReduceTask 负责整个 Reduce 阶段数据处理流程

MapReduce 官方 pi 程序演示 

[hui@hadoop103 data]$ cd /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/
[hui@hadoop103 mapreduce]$ pwd
/opt/module/hadoop-2.7.2/share/hadoop/mapreduce
[hui@hadoop103 mapreduce]$ hadoop jar hadoop-mapreduce-examples-2.7.2.jar pi 5 5 

MapReduce 官方 wordcount 程序演示 

数据准备： 

[hui@hadoop103 wcinput]$ cat wc.input 
tianyi huichao lihua
zhangchen xiaoheng 
xinbo xinbo
gaoyang gaoyang yanjing yanjing 
[hui@hadoop103 wcinput]$ pwd
/opt/module/hadoop-2.7.2/wcinput
[hui@hadoop103 mapreduce]$ hadoop jar hadoop-mapreduce-examples-2.7.2.jar wordcount /wcinput/ /wcoutput/

结果就是一个统计单词的频次的数据结果；

Windows 系统 wordcount 程序

package org.wdh01.mr.wordcount;

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;

/**
 * Map 阶段处理
 * 
 * @author hui
 *
 */
//KEYIN LongWritable 输入数据 Key
//VALUEIN 输入数据的 Value
//KEYOUT 输出数据类型
//VALUEOUT 输出数据Value 类型
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    Text k = new Text();
    IntWritable v = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // hui hu1
        // 1、|获取一行
        String line = value.toString();
        // 2、切割单词
        String[] words = line.split(" ");
        // 3、循环输出
        for (String word : words) {

            k.set(word);
            context.write(k, v);
        }
    }
}

package org.wdh01.mr.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
//KEYIN, VALUEIN map 阶段的输出

public class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
    IntWritable v = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context)
            throws IOException, InterruptedException {
        int sum = 0;
        // 1、累加求和
        for (IntWritable value : values) {
            sum += value.get();
        }

        v.set(sum);
        // 2、写出
        context.write(key, v);
    }
}

package org.wdh01.mr.wordcount;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.Job;

public class WordCountDriver {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        // 1、获取 job 对象
        Job job = Job.getInstance(conf);
        // 2、设置 jar 存放位置通过 反射查找
        job.setJarByClass(WordCountDriver.class);
        // 3、关联 MR
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReduce.class);
        // 4、设置 Map 阶段输出数据的 KV 类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 5、设置 最终数据的 KV 类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 6、设置程序的输入路径和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        // 7、提交 job
        Boolean result = job.waitForCompletion(true);
    }
}

MapReduce 编码规范

用户编写程序分为 3 个部分：Map 、Reduce 和 Driver
1、Mapper 阶段
用户编写的 Mapper 要继承自己的父类；
Mapper 阶段的输入类型时 KV 形式;
Mapper 的业务逻辑写在 map() 方法中；
Mapper 的输出使是 KV 形式；
map() 方法(MapTask 进程) 对每一个 KV 调用一次
2、Reduce 阶段
用户自己编写的Reduce 程序要继承自己的父类；
Reduce 程序的输入对应的是 Map 程序的输出，也是 KV 形式；
Reduec 的业务逻辑写在 reduce() 方法中；
Reduce 对每个相同的 K 的 KV 数据只调用一次；
3、Driver 阶段
相当于 YARN 集群的客户端，用于提交整个程序到 YARN 集群，提交的是 封装了 MR 带有参数的 JOB 对象；