Hadoop学习之mapreduce及示例代码

三：MapReduce 是一种分布式计算模型。

Mapreduce框架有默认实现，程序员只需要覆盖map()和reduce()两个函数。

MapReduce的执行流程

1.Map Task （以一个入门例子的单词计数为例，两行一定行是hello word第二行是hello you中间是制表符）

         1.1读取：框架调用InputFormat类的子类读取HDFS中文件数据，把文件转换为InputSplit。默认，文件的一个block对应一个InputSplit，一个InputSplit对应一个map task。

             一个InputSplit中的数据会被RecordReader解析成<k1,v1>。默认，InputSplit中的一行解析成一个<k1,v1>。默认，v1表示一行的内容，k1表示偏移量。读取的结果是<0,helloword>和<10,hello you> 10 是第二行的起始偏移量，这两个是<k1,v1>

         1.2map：框架调用Mapper类中的map(k1,v1)方法，接收<k1,v1>，输出<k2,v2>。有多少个<k1,v1>，map()会被执行多少次。输出<k2,v2>是<hello,1><word,1><hello,1><you,1>

                   程序员可以覆盖map()，实现自己的业务逻辑。

         1.3分区：框架对map的输出进行分区。分区的目的是确定哪些<k2,v2>进入哪个reduce task。默认，只有一个分区。可以手动设置（0，1，2等后面会涉及到）

         1.4排序分组：框架对不同分区中的<k2,v2>进行排序、分组。

             排序是按照k2进行排序。结果是<hello,1><hello,1><word,1><you,1>

                   分组指的是相同k2的v2分到一个组中。分组不会减少<k2,v2>的数量。

         1.5combiner：可以在map task中对<k2,{v2}>执行reduce归约。<hello,{1，1}><word,{1}><you,{1}>

         1.6写入本地：框架对map的输出写入到linux本地磁盘。

2.Reduce Task

         2.1shuffle：框架根据map不同的分区中的数据，通过网络copy到不同的reduce节点。

         2.2合并排序分组：每个reduce会把多个map传来的<k2,v2>进行合并、排序、分组。

         2.3reduce：框架调用reduce(k2,v2s)。有多少个分组，就会执行多少次reduce函数。

         2.4写入HDFS：框架对reduce的输出写入到HDFS中。

单词计数代码示例：

package mp.wordcount;

import java.io.IOException;

importorg.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;

importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;

importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**

*

*--------------------------------------------

* 原始数据

*hello    you

*hello    me

*---------------------

* 结果如下

*hello    2

* me       1

*you      1

*

*-------------------------------------------------------------

*

*

*/

public class HelloWordCountApp2 {

         /**

          * 驱动代码

          * @param args

          * @throws Exception

          */

         publicstatic void main(String[] args) throws Exception {

                   //从命令行传入输入路径

                   StringinputPath = args[0];

                   //从命令行传入输出目录

                   PathoutputDir = new Path(args[1]);

                   Configurationconf = new Configuration();

                   //表示job名称，可以自定义，一般是类名

                   StringjobName = HelloWordCountApp2.class.getSimpleName();

                   //把所有的相关内容都封装到job中

                   Jobjob = Job.getInstance(conf, jobName);

                   //打成jar运行必备代码

                   job.setJarByClass(HelloWordCountApp2.class);

                   //设置输入路径

                   FileInputFormat.setInputPaths(job,inputPath);

                   //设置输出目录

                   FileOutputFormat.setOutputPath(job,outputDir);

                   //设置自定义mapper类

                   job.setMapperClass(HelloWordCountMapper.class);

                   //指定k2,v2类型

                   job.setMapOutputKeyClass(Text.class);

                   job.setMapOutputValueClass(LongWritable.class);

                   //设置自定义reduce类

                   job.setReducerClass(HelloWordCountReducer.class);

                   //指定k3，v3类型

                   job.setOutputKeyClass(Text.class);

                   job.setOutputValueClass(LongWritable.class);

                   //提交给yarn运行，等待结束

                   job.waitForCompletion(true);

         }

         /**

          * map过程。

          * 在这里，程序员继承Mapper，覆盖map(...)方法。

          * 该类在运行的时候，称作map task，是一个java进程。

          *----------------------------------------------------

          * map()全部执行完后，产生的<k2,v2>有4个，即<hello,1><you,1><hello,1><me,1>。

          * 排序后是<hello,1><hello,1><me,1><you,1>。

          * 分组后是<hello,{1,1}><me,{1}><you,{1}>。

          *

          *

          */

         publicstatic class HelloWordCountMapper extends Mapper<LongWritable, Text, Text, LongWritable>{

                   Textk2 = new Text();

                   LongWritablev2 = new LongWritable();

                   /**

                    * 前面已经有拆分完成的<k1,v1>。调用map()一次方法，就处理一个<k1,v1>对。

                    *

                    * 在map()方法，拆分每一行，得到每个单词，每个单词(不是每个不同的单词)的出现次数是1。

                    * 构造<k2,v2>，k2表示单词，v2表示出现次数1。

                    */

                   @Override

                   protectedvoid map(LongWritable key, Text value, Mapper<LongWritable, Text, Text,LongWritable>.Context context)

                                     throwsIOException, InterruptedException {

                            //因为要对每行内容做拆分，需要调用String.split()，所以需要把Text转行成String。

                            Stringline = value.toString();

                            //拆分每行内容，结果是单词的数组

                            String[]splited = line.split("\t");

                            //循环数组，取每个单词。在for循环中构造<k2,v2>

                            for(String word : splited) {

                                     k2.set(word);

                                     v2.set(1L);

                                     //把<k2,v2>写出去，相当于调用return语句

                                     context.write(k2,v2);

                            }

                   }

         }

         /**

          * reduce过程

          *

          * reduce端接收的是map的输出，即4个<k2,v2>，3个分组。

          * 在reduce执行之前，reduce端合并、排序、分组<k2,v2>。

          * 在reduce()调用之前，有3个分组，即<hello,{1,1}><me,{1}><you,{1}>

          * 一次reduce()执行，处理1个分组。所以说，执行3次reduce()。

          * ------------------------------------------------------------------

          * reduce task执行结束后，框架会把reduce输出的<k3,v3>写入到HDFS中

          *

          */

         publicstatic class HelloWordCountReducer extends Reducer<Text, LongWritable, Text,LongWritable>{

                   LongWritablev3 = new LongWritable();

                   /**

                    * k2表示每个不同的单词

                    * v2s表示每个不同的单词的出现次数

                    * 在reduce()中，只需要汇总v2s中的出现次数就行。

                    */

                   @Override

                   protectedvoid reduce(Text k2, Iterable<LongWritable> v2s,

                                     Reducer<Text,LongWritable, Text, LongWritable>.Context context) throws IOException,InterruptedException {

                            //sum表示当前单词k2出现的总次数

                            longsum = 0L;

                            for(LongWritable v2 : v2s) {

                                     sum+= v2.get();

                            }

                            //k3表示当前不同的单词，与k2含义相同

                            v3.set(sum);

                            context.write(k2,v3);

                   }

         }

}

打成jar包在hdfs中执行yarn jar jar包名 /hello /out

         /hello就是要统计的单词文本，是上传到hdfs上的；/out输出路径，如果已存在可以删除，也可在代码中删除

执行结果：

代码中用到序列化

Hadoop的序列化格式：Writable

hadoop序列化的目的是什么？

mapreduce运行过程中，产生大量的磁盘io和网络io。序列化性能的差异，会对job的运行效率产生非常大的影响。因此，高效率的序列化机制可以提高效率。

部分代码类方法解析

1.InputFormat里面有2个方法，一个是getSplits()，一个是createRecordReader()。

   在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个

map任务的输入。每一个InputSplit都有一个RecordReader，作用是把InputSplit中的数据解析成Record，即<k1,v1>.TextInputFormat中的RecordReader是LineRecordReader，每一行解析成一个<k1,v1>。其中，k1表示偏移量，v1表示行文本内容

FileInputFormat类中分析了getSplits()。

TextInputFormat类是MR默认的输入处理类。主要分析的是LineRecordReader。

Maper类的源代码中，有setup、cleanup、map、run四个重要的方法。

2.SequenceFileInputFormat专门处理类型是SequenceFile格式的输入文件。

  如果是大量的小文件作为输入文件，那么会产生大量的map task。

  如果把大量的小文件转换为SequenceFile格式，那么会产生非常少的maptask。

  如果SequenceFile使用压缩，那么maptask执行时间会更短。

job.setInputFormatClass(SequenceFileInputFormat.class);

3.CombineFileInputFormat作用是把大量的小文件交给一个map task。  

  在这里，输入依然是小文件，但是会由非常少的map task运行。

job.setInputFormatClass(CombineSmallFilesInputFormat.class);

--------------------------------------------------------------------------------------

4.OutputFormat里面有个很重要的类，叫做RecordWriter。

5.使用MultipleOutputs可以自定义输出的文件名。

---------------------------------------------------------------------------------------

6.在map task或者reduce task中使用第三方的jar包。

  首先把第三方jar包上传到hdfs中，然后调用job.addArchiveToClasspath(...)  

7.分区partitioiner

  默认的分区是1个，分区的实现是HashPartitioner。

   什么时候用到分区？当需要把不同的数据按照不同的类型输出时，使用分区，例如不同的省份的安电话区号分别输出到不同的文件中。自定义分区类继承HashPartitioner例如extends HashPartitioner<Text,FlowWritable>  覆盖getPartition  方法（方法内根据业务实现分区）。

job.setPartitionClass(.....)

job.setNumReduceTasks(...)

8.归约combiner

  发生在map端的reduce操作。

  作用是减少map端的输出，减少shuffle过程中网络传输的数据量，提高作业的执行效率。

combiner仅仅是单个map task的reduce，没有对全部map的输出做reduce。

job.setCombinerClass(....)  

9.排序sort（见下面代码）

  两种比较方式，一种是调用k2的compareTo(...)完成比较，第二种是自定义类extendsWritableComparator

job.setSortComparatorClass(....)

  注意：extendsWritableComparator的子类一定要有个无参构造方法，在该构造方法中，调用父类的有2个参数的构造方法。

10.分组grouping（例如日志采集中不同主机的操作记录，可以按照主机ip分组做其他处理）

   当排序逻辑与分组逻辑不一样时，就需要自定义分组。自定义类extends WritableComparator

  job.setGroupingComparatorClass(...)

对于排序 示例代码

例如需求对列排序如果第一行相同按照第二行大小排序

1   2

2   1

1   1

2   2

1       3

要求输出结果

1   1

1   2

1       3

2       1

2       2

思路一将第一列数和第二列数封装到自定义的一个类TwoInt 中进行

自定义排序CustomSortComparator extends WritableComparator

思路二按照 k2排序

方法1：

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

importorg.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

importorg.apache.hadoop.io.WritableComparable;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.Mapper;

import org.apache.hadoop.mapreduce.Reducer;

importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;

importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**

* 利用k2的compareTo()实现排序

*

*

*/

public class SortApp1 {

         /**

          * 驱动代码

          * @param args

          * @throws Exception

          */

         publicstatic void main(String[] args) throws Exception {

                   //从命令行传入输入路径

                   StringinputPath = args[0];

                   //从命令行传入输出目录

                   PathoutputDir = new Path(args[1]);

                   //reduce数量

                   IntegernumReduceTasks = Integer.parseInt(args[2]==null?"1":args[2]);

                   Configurationconf = new Configuration();

                   outputDir.getFileSystem(conf).delete(outputDir,true);

                   //表示job名称，可以自定义，一般是类名

                   StringjobName = SortApp1.class.getSimpleName();

                   //把所有的相关内容都封装到job中

                   Jobjob = Job.getInstance(conf, jobName);

                   //打成jar运行必备代码

                   job.setJarByClass(SortApp1.class);

                   //设置输入路径

                   FileInputFormat.setInputPaths(job,inputPath);

                   //设置输出目录

                   FileOutputFormat.setOutputPath(job,outputDir);

                   //设置自定义mapper类

                   job.setMapperClass(SortMapper.class);

                   //指定k2,v2类型

                   job.setMapOutputKeyClass(TwoInt.class);

                   job.setMapOutputValueClass(NullWritable.class);

                   job.setNumReduceTasks(numReduceTasks);

                   //设置自定义reduce类

                   job.setReducerClass(SortReducer.class);

                   //指定k3，v3类型

                   job.setOutputKeyClass(TwoInt.class);

                   job.setOutputValueClass(NullWritable.class);

                   //提交给yarn运行，等待结束

                   job.waitForCompletion(true);

         }

         publicstatic class SortMapper extends Mapper<LongWritable, Text, TwoInt,NullWritable>{

                   TwoIntk2 = new TwoInt();

                   @Override

                   protectedvoid map(LongWritable key, Text value,

                                     Mapper<LongWritable,Text, TwoInt, NullWritable>.Context context)

                                                        throwsIOException, InterruptedException {

                            Stringline = value.toString();

                            String[]splited = line.split("\t");

                            k2.set(Integer.parseInt(splited[0]),Integer.parseInt(splited[1]));

                            context.write(k2,NullWritable.get());

                   }

         }

         publicstatic class SortReducer extends Reducer<TwoInt, NullWritable, TwoInt,NullWritable>{

                   @Override

                   protectedvoid reduce(TwoInt k2, Iterable<NullWritable> v2s,

                                     Reducer<TwoInt,NullWritable, TwoInt, NullWritable>.Context context)

                                                        throwsIOException, InterruptedException {

                            context.write(k2,NullWritable.get());

                   }

         }

         publicstatic class TwoInt implements WritableComparable<TwoInt>{

                   privateInteger first;

                   privateInteger second;

                   publicTwoInt() {

                            super();

                   }

                   publicvoid set(Integer first, Integer second) {

                            this.first= first;

                            this.second= second;

                   }

                   publicvoid write(DataOutput out) throws IOException {

                            out.writeInt(this.first);

                            out.writeInt(this.second);

                   }

                   publicvoid readFields(DataInput in) throws IOException {

                            this.first=in.readInt();

                            this.second= in.readInt();

                   }

                   publicint compareTo(TwoInt o) {

                            intret1 = first.compareTo(o.getFirst());

                            if(ret1==0){

                                     returnsecond.compareTo(o.getSecond());

                            }else{

                                     returnret1;

                            }

                   }

                   publicInteger getFirst() {

                            returnfirst;

                   }

                   publicvoid setFirst(Integer first) {

                            this.first= first;

                   }

                   publicInteger getSecond() {

                            returnsecond;

                   }

                   publicvoid setSecond(Integer second) {

                            this.second= second;

                   }

                   @Override

                   publicint hashCode() {

                            finalint prime = 31;

                            intresult = 1;

                            result= prime * result + ((first == null) ? 0 : first.hashCode());

                            result= prime * result + ((second == null) ? 0 : second.hashCode());

                            returnresult;

                   }

                   @Override

                   publicboolean equals(Object obj) {

                            if(this == obj)

                                     returntrue;

                            if(obj == null)

                                     returnfalse;

                            if(getClass() != obj.getClass())

                                     returnfalse;

                            TwoIntother = (TwoInt) obj;

                            if(first == null) {

                                     if(other.first != null)

                                               returnfalse;

                            }else if (!first.equals(other.first))

                                     returnfalse;

                            if(second == null) {

                                     if(other.second != null)

                                               returnfalse;

                            }else if (!second.equals(other.second))

                                     returnfalse;

                            returntrue;

                   }

                   @Override

                   publicString toString() {

                            returnfirst + "\t" + second;

                   }

         }

}

方法2：

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

importorg.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

importorg.apache.hadoop.io.WritableComparable;

importorg.apache.hadoop.io.WritableComparator;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.mapreduce.Mapper;

import org.apache.hadoop.mapreduce.Reducer;

importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;

importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**

* 自定义sort类，实现k2的排序

*

*

*/

public class SortApp2 {

         /**

          * 驱动代码

          * @param args

          * @throws Exception

          */

         publicstatic void main(String[] args) throws Exception {

                   //从命令行传入输入路径

                   StringinputPath = args[0];

                   //从命令行传入输出目录

                   PathoutputDir = new Path(args[1]);

                   //reduce数量

                   IntegernumReduceTasks = Integer.parseInt(args[2]==null?"1":args[2]);

                   Configurationconf = new Configuration();

                   outputDir.getFileSystem(conf).delete(outputDir,true);

                   //表示job名称，可以自定义，一般是类名

                   StringjobName = SortApp2.class.getSimpleName();

                   //把所有的相关内容都封装到job中

                   Jobjob = Job.getInstance(conf, jobName);

                   //打成jar运行必备代码

                   job.setJarByClass(SortApp2.class);

                   //设置输入路径

                   FileInputFormat.setInputPaths(job,inputPath);

                   //设置输出目录

                   FileOutputFormat.setOutputPath(job,outputDir);

                   //设置自定义mapper类

                   job.setMapperClass(SortMapper.class);

                   //指定k2,v2类型

                   job.setMapOutputKeyClass(TwoInt.class);

                   job.setMapOutputValueClass(NullWritable.class);

                   //自定义比较类

                   job.setSortComparatorClass(CustomSortComparator.class);

                   job.setNumReduceTasks(numReduceTasks);

                   //设置自定义reduce类

                   job.setReducerClass(SortReducer.class);

                   //指定k3，v3类型

                   job.setOutputKeyClass(TwoInt.class);

                   job.setOutputValueClass(NullWritable.class);

                   //提交给yarn运行，等待结束

                   job.waitForCompletion(true);

         }

         publicstatic class SortMapper extends Mapper<LongWritable, Text, TwoInt, NullWritable>{

                   TwoIntk2 = new TwoInt();

                   @Override

                   protectedvoid map(LongWritable key, Text value,

                                     Mapper<LongWritable,Text, TwoInt, NullWritable>.Context context)

                                                        throwsIOException, InterruptedException {

                            Stringline = value.toString();

                            String[]splited = line.split("\t");

                            k2.set(Integer.parseInt(splited[0]),Integer.parseInt(splited[1]));

                            context.write(k2,NullWritable.get());

                   }

         }

         publicstatic class SortReducer extends Reducer<TwoInt, NullWritable, TwoInt,NullWritable>{

                   @Override

                   protectedvoid reduce(TwoInt k2, Iterable<NullWritable> v2s,

                                     Reducer<TwoInt,NullWritable, TwoInt, NullWritable>.Context context)

                                                        throwsIOException, InterruptedException {

                            context.write(k2,NullWritable.get());

                   }

         }

         publicstatic class CustomSortComparator extends WritableComparator{

                   /**

                    * 必须有无参构造方法，在方法内部，调用父类的含有2个形参的构造方法。

                    * 父类构造方法的第二个参数为true

                    */

                   publicCustomSortComparator() {

                            super(TwoInt.class,true);

                   }

                   @Override

                   publicint compare(WritableComparable a, WritableComparable b) {

                            TwoIntaa = (TwoInt) a;

                            TwoIntbb = (TwoInt) b;

                            intret1 = aa.getFirst().compareTo(bb.getFirst());

                            if(ret1==0){

                                     returnaa.getSecond().compareTo(bb.getSecond());

                            }else{

                                     returnret1;

                            }

                   }

         }

         publicstatic class TwoInt implements WritableComparable<TwoInt>{

                   privateInteger first;

                   privateInteger second;

                   publicTwoInt() {

                            super();

                   }

                   publicvoid set(Integer first, Integer second) {

                            this.first= first;

                            this.second= second;

                   }

                   publicvoid write(DataOutput out) throws IOException {

                            out.writeInt(this.first);

                            out.writeInt(this.second);

                   }

                   publicvoid readFields(DataInput in) throws IOException {

                            this.first=in.readInt();

                            this.second= in.readInt();

                   }

                   publicint compareTo(TwoInt o) {

                            return0;

                   }

                   publicInteger getFirst() {

                            returnfirst;

                   }

                   publicvoid setFirst(Integer first) {

                            this.first= first;

                   }

                   publicInteger getSecond() {

                            returnsecond;

                   }

                   publicvoid setSecond(Integer second) {

                            this.second= second;

                   }

                   @Override

                   publicint hashCode() {

                            finalint prime = 31;

                            intresult = 1;

                            result= prime * result + ((first == null) ? 0 : first.hashCode());

                            result= prime * result + ((second == null) ? 0 : second.hashCode());

                            returnresult;

                   }

                   @Override

                   publicboolean equals(Object obj) {

                            if(this == obj)

                                     returntrue;

                            if(obj == null)

                                     returnfalse;

                            if(getClass() != obj.getClass())

                                     returnfalse;

                            TwoIntother = (TwoInt) obj;

                            if(first == null) {

                                     if(other.first != null)

                                               returnfalse;

                            }else if (!first.equals(other.first))

                                     returnfalse;

                            if(second == null) {

                                     if(other.second != null)

                                               returnfalse;

                            }else if (!second.equals(other.second))

                                     returnfalse;

                            returntrue;

                   }

                   @Override

                   publicString toString() {

                            returnfirst + "\t" + second;

                   }

         }

}

；

运行结果:

补充：在map 和reduce之间有个shuffle过程，可以简单的理解shuffle是将map的输出传到reduce中去。核心思想是：map中有个内存缓存区，存储着mapd的输出，存满了就写到文件中，所以的map都记录完了，就把产生的所有文件合并到一个文件中。reduce通过http得到map输出文件。在这里一篇博客有详细的讲解，http://langyu.iteye.com/blog/992916 。希望博主不要怪罪