MapReduce代码实现1
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。