Hadoop 从 0 到 1 学习 ——第九章 MapReduce 概述

1. MapReduce 定义

MapReduce 是一个分布式运算程序的编程框架，是基于 Hadoop 的数据分析计算核心框架。

MapReduce 处理过程分为两个阶段：Map 和 Reduce：

• Map 负责把一个任务分解成多个任务
• Reduce 负责把分解后多个任务处理的结果汇总

2. MapReduce 优缺点

2.1 优点

1. MapReduce 易于编程

   它简单的实现一些借口，就可以完成一个分布式程序，这个分布式程序可以分不到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。

2. 良好的扩展性

   当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。

3. 高容错性

   MapReduce 设计的初衷就是是程序能够部署在廉价的 PC 机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全由 Hadoop 内部完成。

4. 适合 PB 级以上海量数据的离线处理

   可以实现上千台服务器集群并发工作，提供数据处理能力。

2.2 缺点

1. 不擅长实时计算

   MapReduce 无法像 Mysql 一样，在毫秒或者秒级返回结果。

2. 不擅长流式计算

   流式计算的输入数据是动态的，而 MapReduce 的数据数据集是静态的，不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

3. 不擅长 DAG(有向图) 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的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个MapReduce 作业的输出结果都会写入磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

3. MapReudce 核心思想

MapReduce核心编程思想，如图所示：

MapReduce 核心编程思想

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。

4. MapReduce 进程

一个完整的 MapReduce 程序在分布式运行时有三类实例进程：

1. MrAppMaster：负责整个程序的过程调度及状态协调。
2. MapTask：负责 Map 阶段的整个数据处理流程。
3. ReduceTask：负责 Reduce 阶段的整个数据处理流程。

5. 常用数据序列化类型

常用的数据类型对应的Hadoop数据序列化类型

Java 类型	Hadoop Writable 类型
boolean	BooleanWritable
byte	ByteWritable
int	IntWritable
float	FloatWritable
long	LongWritable
double	DoubleWritable
String	Text
map	MapWritable
array	ArrayWritable

6 .MapReduce 编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver。

1. Mapper 阶段

   1. 用户定义的 Mapper 要继承自己的父类
   2. Mapper 的输入数据是 <K,V>对的形式 (<K,V>的类型可以自定义)
   3. Mapper 中的业务逻辑写在 map()方法中
   4. Mapper 的输出数据是 <K,V>对的形式 <K,V>的类型可以自定义)
   5. map()方法对每个 <K,V>调用一次

2. Reducer 阶段

   1. 用户自定义的 Reducer 要继承自己的父类
   2. Reducer 的输出数据类型对应 Mapper 的输出数据类型，也是 <K,V>
   3. Reducer 的业务逻辑写在 reduce()方法中
   4. ReduceTask 进程对每一组相同的 K 的 <K,V>组调用一次 reduce()方法

3. Driver 阶段

   相当于 YARN 集群的客户端，用于提交我们整个程序到 YARN 集群，提交的是封装了 MapReduce 程序相关运行参数的 job 对象。

7. WordCount 案例操作

7.1 需求

在给定的文本文件中统计输出每个单词出现的总次数

1. 输入数据

   java python
   hadoop
   flink
   java spark
   hive hbase
   

2. 期望输出数据

   java 2
   python 1
   hadoop 1
   flink 1
   spark 1
   hive 1
   hbase 1
   

7.2 需求分析

按照MapReduce编程规范，分别编写Mapper，Reducer，Driver。

7.3 编写程序

1. pom.xml 添加以下依赖

   <dependencies>
   		<dependency>
   			<groupId>junit</groupId>
   			<artifactId>junit</artifactId>
   			<version>RELEASE</version>
   		</dependency>
   		<dependency>
   			<groupId>org.apache.logging.log4j</groupId>
   			<artifactId>log4j-core</artifactId>
   			<version>2.8.2</version>
   		</dependency>
   		<dependency>
   			<groupId>org.apache.hadoop</groupId>
   			<artifactId>hadoop-common</artifactId>
   			<version>2.7.2</version>
   		</dependency>
   		<dependency>
   			<groupId>org.apache.hadoop</groupId>
   			<artifactId>hadoop-client</artifactId>
   			<version>2.7.2</version>
   		</dependency>
   		<dependency>
   			<groupId>org.apache.hadoop</groupId>
   			<artifactId>hadoop-hdfs</artifactId>
   			<version>2.7.2</version>
   		</dependency>
   </dependencies>
   <build>
   		<plugins>
   			<plugin>
   				<artifactId>maven-compiler-plugin</artifactId>
   				<version>2.3.2</version>
   				<configuration>
   					<source>1.8</source>
   					<target>1.8</target>
   				</configuration>
   			</plugin>
   			<plugin>
   				<artifactId>maven-assembly-plugin </artifactId>
   				<configuration>
   					<descriptorRefs>
   						<descriptorRef>jar-with-dependencies</descriptorRef>
   					</descriptorRefs>
   					<archive>
   						<manifest>
   							<mainClass>com.word.driver.WordcountDriver</mainClass>
   						</manifest>
   					</archive>
   				</configuration>
   				<executions>
   					<execution>
   						<id>make-assembly</id>
   						<phase>package</phase>
   						<goals>
   							<goal>single</goal>
   						</goals>
   					</execution>
   				</executions>
   			</plugin>
   		</plugins>
   	</build>
   
   

2. 在项目的src/main/resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入

   log4j.rootLogger=INFO, stdout
   log4j.appender.stdout=org.apache.log4j.ConsoleAppender
   log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
   log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
   log4j.appender.logfile=org.apache.log4j.FileAppender
   log4j.appender.logfile.File=target/spring.log
   log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
   log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
   

3. 编写 Mapper 类

   package com.wordcount.mapper;
   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;
   
   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 {
         
         
   		
   		// 1 获取一行
   		String line = value.toString();
   		
   		// 2 切割
   		String[] words = line.split(" ");
   		
   		// 3 输出
   		for (String word : words) {
         
         
   			
   			k.set(word);
   			context.write(k, v);
   		}
   	}
   }
   

4. 编写 Reducer 类

   package com.word.reducer;
   import java.io.IOException;
   import org.apache.hadoop.io.IntWritable;
   import org.apache.hadoop.io.Text;
   import org.apache.hadoop.mapreduce.Reducer;
   
   public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
         
         
   
   int sum;
   IntWritable v = new IntWritable();
   
   	@Override
   	protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
         
         
   		
   		// 1 累加求和
   		sum = 0;
   		for (IntWritable count : values) {
         
         
   			sum += count.get();
   		}
   		
   		// 2 输出
          v.set(sum);
   		context.write(key,v);
   	}
   }
   

5. 编写 Driver 驱动类

   package com.word.driver;
   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.lib.input.FileInputFormat;
   import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
   
   public class WordcountDriver {
         
         
   
   	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
         
         
   
   		// 1 获取配置信息以及封装任务
   		Configuration configuration = new Configuration();
   		Job job = Job.getInstance(configuration);
   
   		// 2 设置jar加载路径
   		job.setJarByClass(WordcountDriver.class);
   
   		// 3 设置map和reduce类
   		job.setMapperClass(WordcountMapper.class);
   		job.setReducerClass(WordcountReducer.class);
   
   		// 4 设置map输出
   		job.setMapOutputKeyClass(Text.class);
   		job.setMapOutputValueClass(IntWritable.class);
   
   		// 5 设置最终输出kv类型
   		job.setOutputKeyClass(Text.class);
   		job.setOutputValueClass(IntWritable.class);
   		
   		// 6 设置输入和输出路径
   		FileInputFormat.setInputPaths(job, new Path(args[0]));
   		FileOutputFormat.setOutputPath(job, new Path(args[1]));
   
   		// 7 提交
   		boolean result = job.waitForCompletion(true);
   
   		System.exit(result ? 0 : 1);
   	}
   }
   

6. 执行 WordCount 程序

   [dwjf321@hadoop102 software]$ hadoop jar  wc.jar com.word.driver.WordcountDriver /user/atguigu/input /user/atguigu/output
   

   注意：wc.jar com.word.driver.WordcountDriver要和自己工程的全类名一致