MapReduce定義
- MapReduce是一種分佈式計算模型,由Google提出,主要用於搜索領域,解決海量數據的計算問題.
- MapReduce是分佈式運行的,由兩個階段組成:Map和Reduce,Map階段是一個獨立的程序,有很多個節點同時運行,每個節點處理一部分數據。Reduce階段是一個獨立的程序,有很多個節點同時運行,每個節點處理一部分數據。
- MapReduce框架都有默認實現,用戶只需要覆蓋map()和reduce()兩個函數,即可實現分佈式計算,非常簡單。
原理
- 在執行mapreduce之前,原始數據被分割成若干split,每個split作爲一個map任務的輸入。
- 當Hadoop處理很多小文件(文件大小小於hdfs block大小)的時候,由於FileInputFormat不會對小文件進行劃分,所以每一個小文件都會被當做一個split並分配一個map任務,會有大量的map task運行,導致效率底下。
map階段
- 框架使用InputFormat類的子類把輸入文件(夾)劃分爲很多InputSplit,默認,每個HDFS的block對應一個InputSplit。通過RecordReader類,把每個InputSplit解析成一個個<k1,v1>。默認,框架對每個InputSplit中的每一行,解析成一個<k1,v1>。
- 框架調用Mapper類中的map(…)函數,map函數的形參是<k1,v1>對,輸出是<k2,v2>對。一個InputSplit對應一個map task。程序員可以覆蓋map函數,實現自己的邏輯。
- (假設reduce存在)框架對map輸出的<k2,v2>進行分區。不同的分區中的<k2,v2>由不同的reduce task處理。默認只有1個分區。(假設reduce不存在)框架對map結果直接輸出到HDFS中。
- (假設reduce存在)框架對每個分區中的數據,按照k2進行排序、分組。分組指的是相同k2的v2分成一個組。注意:分組不會減少<k2,v2>數量。
- (假設reduce存在,可選)在map節點,框架可以執行reduce歸約。
- (假設reduce存在)框架會對map task輸出的<k2,v2>寫入到linux 的磁盤文件中。 至此,整個map階段結束.
reduce階段
- 框架對多個map任務的輸出,按照不同的分區,通過網絡copy到不同的reduce節點。這個過程稱作shuffle。
- 框架對reduce端接收的[map任務輸出的]相同分區的<k2,v2>數據進行合併、排序、分組。
- 框架調用Reducer類中的reduce方法,reduce方法的形參是<k2,{v2…}>,輸出是<k3,v3>。一個<k2,{v2…}>調用一次reduce函數。程序員可以覆蓋reduce函數,實現自己的邏輯.
- 框架把reduce的輸出保存到HDFS中。 至此,整個reduce階段結束。
代碼示例1(單詞統計)
package deno;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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;
public class MapReduceWC {
//第一部分,寫map階段
//指定map輸出輸出的key和value的序列化類型。
public static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
//map函數,處理每一行數據。一行數據是一個對象,調用一次map函數。
// context 這個參數是上下文的意思,裏面包括整個任務信息,可以執行數據寫入寫出
protected void map(LongWritable key, Text value,
org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, Text, LongWritable>.Context context)
throws java.io.IOException, InterruptedException {
// 先將該行數據轉換成字符串類型
String line = value.toString();
// 將一行數據進行切分。按照數據的分隔符。
String[] split = line.split(",");
// 遍歷數組
for (String word : split) {
// 組建 k2和v2,單詞統計將 value寫死 是 1
// 數據通過context寫入到磁盤
context.write(new Text(word), new LongWritable(1L));
}
};
}
//第二部分,寫Reduce階段
public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable> {
// 同樣是有reduce函數
@Override
protected void reduce(Text k2, Iterable<LongWritable> v2s,
Reducer<Text, LongWritable, Text, LongWritable>.Context context)
throws IOException, InterruptedException {
// 將value加起來,聚合
long count = 0l;
for (LongWritable value : v2s) {
count += value.get();
}
// 將結果輸出,輸出到hdfs上
context.write(k2, new LongWritable(count));
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 設置配置參數
Configuration conf = new Configuration();
// 創建任務
Job job = Job.getInstance(conf, MapReduceWC.class.getSimpleName());
// 指定jar文件
job.setJarByClass(MapReduceWC.class);
// 指定輸入路徑,數據在hdfs上的輸入路徑,指定第一個參數是hdfs輸入路徑
FileInputFormat.addInputPath(job, new Path(args[0]));
// 指定map的類
job.setMapperClass(MyMapper.class);
// 指定map輸出的key和value的數據類型。
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 指定reduce類以及輸出數據類型。
job.setReducerClass(MyReduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 指定輸出路徑hdfs
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 提交任務,如果是true,會返回任務執行的進度信息等。
job.waitForCompletion(true);
}
}
代碼示例2(求和)
package deno;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
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 deno.MapReduce_Sum.MyMap.MyReduce;
public class MapReduce_Sum {
public static class MyMap extends Mapper<LongWritable, Text, Text, LongWritable> {
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)
throws IOException, InterruptedException {
// 數據樣式:張三,12月3號,20,三個字段
String line = value.toString();
String[] split = line.split(",");
// 對數據進行過濾,將數組長度是3的過濾出來
// 取出姓名字段
String name = split[0];
// 取出money字段
long money = Long.parseLong(split[2]);
context.write(new Text(name), new LongWritable(money));
}
public static class MyReduce extends Reducer<Text, LongWritable, Text, LongWritable> {
@Override
protected void reduce(Text k2, Iterable<LongWritable> v2s,
Reducer<Text, LongWritable, Text, LongWritable>.Context context)
throws IOException, InterruptedException {
long sum = 0l;
for (LongWritable value : v2s) {
sum += value.get();
}
context.write(k2, new LongWritable(sum));
}
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 設置配置參數
Configuration conf = new Configuration();
// 創建任務
Job job = Job.getInstance(conf, MapReduce_Sum.class.getSimpleName());
// 指定jar文件
job.setJarByClass(MapReduce_Sum.class);
// 指定輸入路徑,數據在hdfs上的輸入路徑,指定第一個參數是hdfs輸入路徑
FileInputFormat.addInputPath(job, new Path(args[0]));
// 指定map的類
job.setMapperClass(MyMap.class);
// 指定map輸出的key和value的數據類型。
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 指定reduce類以及輸出數據類型。
job.setReducerClass(MyReduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
// 指定輸出路徑hdfs
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 提交任務,如果是true,會返回任務執行的進度信息等。
job.waitForCompletion(true);
}
}
打成JAR包
1、鼠標右擊項目,點擊Export;
2、選擇java–>jar file;
打成的JAR包,上傳到hadoop
hadoop 提交mapreduce任務的命令 hadoop jar jar路徑 程序的主類名 hdfs的輸入路徑 hdfs的輸出路徑
hadoop fs -put WC_test.txt /data
hadoop fs -ls /data/
hadoop jar shujia_WC.jar deno.MapReduceWC /data/WC_test.txt /MapOut/001
hadoop fs -ls /MapOut/001
hadoop fs -cat /MapOut/001/part-r-00000