MapReduce 初试

一、境遇

    接触Hadoop已经有半年了，从Hadoop集群搭建到Hive、HBase、Sqoop相关组件的安装，甚至Spark on Hive、Phoenix、Kylin这些边缘的项目都有涉及。如果说部署，我自认为可以没有任何问题，但是如果说我对于这个系统已经掌握了，我却不敢这么讲，因为至少MapReduce我还没有熟悉，其工作机制也只是一知半解。关于MapReduce的运算，我差不多理解了，但是实际实现现在却只能靠找到的代码，真的是惭愧的很。

    于是再也忍不住，一定要有点自己的东西，最起码，写的时候不用去找别人的博客，嗯，找自己的就行。

二、实验

    1、实验过程

        最开始实验的是最简单的去重MapReduce，在本地文件实验时没有任何问题，但把文件放到HDFS上就怎么也找不到了，究其原因，HDFS上的需要用Hadoop执行jar文件才可以

        1）javac输出类到指定目录 dir

            javac *.java -d dir

        2）jar打包class文件

            1，打包指定class文件到target.jar

                jar cvf target.jar x1.class x2.class ... xn.class

            2，打包指定路径dir下的所有class文件到target.jar

                jar cvf target.jar -C dir .

            3，打包class文件成可执行jar，程序入口Main函数

                jar cvfe tarrget.jar Main -C dir .

            Hadoop只需要普通jar即可，不用打包成可执行jar

        3）执行jar，主类MapDuplicate

            Hadoop jar target.jar MapDuplicate (params)

    2、代码分析

        1）import类

import java.io.IOException;
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;

            Configuration类：用来设定Hadoop的参数，如：IP、端口等

            Path：用来设定输入输出路径

            IntWritable：MapReduce用到的int类型

            Text：MapReduce用到的string类型

            Job：生成MapReduce任务的主类，任务参数也在此类中设定

            Mapper：被继承的Map类

            Reducer：被继承的Reduce类

            FileInputFormat：输入文件格式

            FileOutputFormat：输出文件格式（可改为其它IO类，如数据库）

            GenericOptionsParser：解析命令行参数的类

        2）代码结构

public class MapDuplicate {
    public static class Map extends Mapper<...> { ... }
    public static class Reduce extends Reducer<...> { ... }
    public static void main(String[] args) throws Ex { ... }
}

        2）Map类

        public static class Map extends Mapper<Object,Text,Text,Text> {
                private static Text line = new Text();

                public void map(Object key,Text value,Context context)
                throws IOException,InterruptedException {
                        line = value;
                        context.write(line,new Text(""));
                }
        }

            Map类的主要作用是将数据进行统一处理，按照规则给出键值对，为Combine和Reduce等Reduce操作提供标准化数据。从代码上来讲，均继承Mapper类，并实现map函数

            Mapper类继承的四个参数，前两个分别是输入数据键和值的类型，一般写Object,Text即可；后两个是输出数据键和值的类型，这两个类型必须和Reduce的输入数据键值类型一致。

            所有的Java值类型在送到MapReduce任务前都要转化成对应的值类型：如：String->Text,int->IntWritable,long->LongWritable

            Context是Java类与MapReduce任务交互的类，它把Map的键值对传给Combiner或者Reducer，也把Reducer的结果写到HDFS上

        3）Reduce类

        public static class Reduce extends Reducer<Text,Text,Text,Text> {
                public void reduce(Text key,Iterable<Text> values,Context context)
                throws IOException,InterruptedException {
                        context.write(key,new Text(""));
                }
        }

            Reduce有两种操作，Combine和Reduce，都继承Reducer类。前者用于对数据进行预处理，将处理好的数据交给Reduce，可以看成是本地的Reduce，当不需要任何处理时，Combine可以直接用Reduce代替；后者用于对数据进行正式处理，将相同键值的数据合并，每一个Reduce函数过程只处理同一个键(key)的数据。

            Reducer类继承的四个参数，前两个是输入数据键和值的类型，必须与Mapper类的输出类型一致（Combine也必须一致，而且Combine输出需要跟Reduce的输入一致，所以Combine输入输出类型必须是相同的）；后两个是输出数据键和值的类型，即我们最终得到的结果

        4）Main函数

        public static void main(String[] args) throws Exception {
                Configuration conf = new Configuration();
                conf.set("mapred.job.tracker","XHadoop1:9010");
                String[] ioArgs = new String[] {"duplicate_in","duplicate_out"};
                String[] otherArgs = new GenericOptionsParser(conf,ioArgs).getRemainingArgs();
                if (otherArgs.length != 2) {
                        System.err.println("Usage: MapDuplicate <in> <out>");
                        System.exit(2);
                }
                Job job = new Job(conf,"MapDuplicate");
                job.setJarByClass(MapDuplicate.class);
                job.setMapperClass(Map.class);
                job.setCombinerClass(Reduce.class);
                job.setReducerClass(Reduce.class);
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(Text.class);

                FileInputFormat.addInputPath(job,new Path(otherArgs[0]));
                FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
                System.exit(job.waitForCompletion(true) ? 0 : 1);
        }

            首先，必须有Configuration类，通过这个类指定工作的机器

            然后，接收参数的语句，这个不解释了

            然后，需要有Job类，指定MapReduce处理用到的类，需要指定的有：Mapper类、Combiner类、Reducer类、输出数据键和值类型的类

            然后，指定输入数据的路径

            然后，等待任务结束并退出

三、总结

    这个实验可以说是最简单的MapReduce，但是麻雀虽小五脏俱全。

    从原理来讲，MapReduce有以下步骤：

        HDFS(Block)->Split->Mapper->Partion->Spill->Sort->Combiner->Merge->Reducer->HDFS

    1、HDFS输入数据被分成Split，被Mapper类读取，

    2、Mapper读取数据后，将任务进行Partion(分配)

    3、如果Map操作内存溢出，需要Spill(溢写)到磁盘上

    4、Mapper进行Sort(排序)操作

    5、排序之后进行Combine(合并key)操作，可以理解为本地模式Reduce

    6、Combine的同时会进行溢出文件的Merge(合并)

    7、所有任务完成后将数据交给Reducer进行处理，处理完成写入HDFS

    8、从Map任务开始到Reduce任务开始的数据传输操作叫做Shuffle

    从编程来讲，MapReduce有以下步骤：

    1、编写Mapper类

    2、编写Combiner类（可选）

    3、编写Reducer类

    4、调用过程：参数配置Configuration

                 指定任务类

                 指定输入输出格式

                 指定数据位置

                 开始任务

    以上仅仅是浅层认识，仅供学习参考及备查。