Hadoop三大核心组件之MapReduce
一、MapReduce概述
1.1、含义
它将大型数据操作作业分解为可以跨服务器集群并行执行的单个任务,适用于大规模数据处理场景,每个job包含Map和Reduce两部分
1.2、设计思想
•分而治之
简化并行计算的编程模型
•构建抽象模型:Map和Reduce
开发人员专注于实现Mapper和Reducer函数
•隐藏系统层细节
开发人员专注于业务逻辑实现
1.3、核心功能
将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序,并发运行在一个hadoop集群上
二、MapReduce优缺点
2.1、优点
特点 | 体现 |
---|---|
易于编程 | 用户只需简单的实现一些接口,就可以完成一个分布式程序,这个分布式程序可以分布到大量廉价的 PC 机器运行 |
高容错性 | 当一台机器挂了,它可以将计算任务转移到另一个节点运行。从而保证任务不会因此而失败,这个过程是Hadoop内部完成的,不需要人工操作 |
高吞吐量 | 适合 PB 级以上海量数据的离线处理 |
可扩展性 | 当计算机资源不能满足我们的需求时,仅需简单的增加机器就可以扩展计算能力 |
2.2、缺点
特点 | 体现 |
---|---|
难以实时计算 | MapReduce无法像Mysql那样,在毫秒或者秒内返回结果 |
不适合流式计算 | MapReduce本身的设计特点就要求输入的数据是静态的,但流式计算的输入数据是动态的 |
不适合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。因此每个MapReduce 作业的输出结果都会写入到磁盘,会造成大量的磁盘IO,导致性能非常的低下。 |
三、MapReduce进程及工作机制
一个完整的mapreduce程序在分布式运行时有三类实例进程:
进程 | 功能 |
---|---|
AppMaster | 负责整个程序的过程调度及状态协调 |
MapTask | 负责map阶段的整个数据处理流程 |
ReduceTask | 负责reduce阶段的整个数据处理流程 |
3.1、MapTask工作机制
3.2、Shuffle机制
3.3、ReduceTask工作机制
四、MapReduce编程规范
需要重点明确两点:
1.一个记录调用一次map()方法
2.相同的key调用一次reduce()方法
用户编写的程序分成三个部分:Mapper、Reducer和Driver
- Mapper类
- 用户自定义的Mapper要继承框架提供的Mapper父类
- Mapper的输入数据是KV键值对的形式(KV类型可自定义)
- 对数据的逻辑处理写在Mapper类中 map() 方法中
- Mapper的输出数据是KV键值对的形式(KV类型可自定义)
- map() 方法 (maptask进程) 每一个<K,V>数据执行一次
- Reducer类
- 用户自定义的Reducer要继承框架提供的Reducer父类
- Reducer的输入数据类型对应Mapper的输出数据类型,也是KV
- 对数据的逻辑处理写在Reducer类中 reduce() 方法中
- 每一组相同 K 的 <K,Iterator> 组调用一次 reduce() 方法
- Driver类
整个程序需要编写一个 Driver 来进行提交,将自定义 Mapper 和 Reducer 类组合成一个 job,并提交 job 对象
五、MapReduce案例WordCount
Input: 读取文本文件
Splitting: 将文本切片,得到键值对(K1,V1),此时K1是行数,V1是对应行的文本内容
Mapping: 将每一行的文本内容根据空格进行拆分,得到新的键值对(K2,V2),此时K2是单词,V2是对应单词的个数,此时还没有合并,所以V2的值是1
Shuffling: 由于 Mapping 步骤可能是在不同机器上执行的,因此需要通过 Shuffling 将相同key的键值对合并到同一个节点上,GroupComparator 根据相同的K2分组后,有新的键值对(K2,List< V2>),List(V2) 为可迭代集合,V2 就是 Mapping 中的 V2
Reducing: Shuffling 中的键值对组,一组分配一个reducer,对 List< V2> 进行求和,计算出单词出现的总次数
Final Result: 数据结果落盘,我们可以清楚的看到单词及其出现次数
—————————————————————————————————————
代码演示:
测试内容:
Deer Bear River
Car Car River
Deer Car Bear
Mapper类
package cn.kgc.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
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 {
//获取一行数据,并转成字符串
String line = value.toString();
//对每一行数据进行处理
String[] words = line.split("\\s+");
//输出(word,1)
for (String word : words) {
k.set(word);
context.write(k, v);
}
}
}
Reducer类
package cn.kgc.wordcount;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
int sum;
IntWritable count = new IntWritable();
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//定义初始变量
sum=0;
//遍历values
for (IntWritable value : values) {
sum+=value.get();
}
count.set(sum);
//结果输出
context.write(key,count);
}
}
Driver类
package cn.kgc.wordcount;
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;
import java.io.IOException;
public class WordCountDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//1.获取配置信息以及创建任务
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
//2.指定Driver类程序jar所在路径
job.setJarByClass(WordCountDriver.class);
//3.指定Mapper和Reducer
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
//4.指定Mapper端的输出类型(key和value)
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//5.指定最终结果的输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//6.指定输入文件和输出文件的路径
FileInputFormat.setInputPaths(job, new Path("file:///D:\\study\\codes\\hadoop\\HdfsClientDemo\\data\\hdfsDemo\\test.txt"));
FileOutputFormat.setOutputPath(job, new Path("file:///D:\\study\\codes\\hadoop\\HdfsClientDemo\\data\\wordcount\\result"));
//7.提交任务执行代码
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
本地运行结果:
六、Hadoop序列化
序列化(Serialization)是指把结构化对象转化为字节流。
反序列化(Deserialization)是序列化的逆过程。把字节流转为结构化对象。
当要在进程间传递对象或持久化对象的时候,就需要序列化对象成字节流,反之当要将接收到或从磁盘读取的字节流转换为对象,就要进行反序列化。
Java 的序列化(Serializable)是一个重量级序列化框架一个对象被序列化后,会附带很多额外的信息(各种校验信息,header,继承体系…),不便于在网络中高效传输,所以,hadoop 自己开发了一套序列化机制( Writable),精简,高效。
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 |
自定义bean对象实现序列化接口 (Writable)
(1)必须实现Writable接口
(2)反序列化时,需要反射调用空参构造函数,所以必须有空参构造
public FlowBean() {
super();
}
(3)重写序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
(4)重写反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}
(5)注意反序列化的顺序和序列化的顺序完全一致
(6)要想把结果显示在文件中,需要重写toString(),且用”\t”分开,方便后续用
(7)如果需要将自定义的bean放在key中传输,则还需要实现comparable接口,因为mapreduce框中的shuffle过程一定会对key进行排序
@Override
public int compareTo(FlowBean o) {
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}
七、Partitioner & Combiner
7.1、Partitioner类
- 用于在Map端对key进行分区
■默认使用的是HashPartitioner
▪获取key的哈希值
▪使用key的哈希值对Reduce任务数求模
■决定每条记录应该送到哪个Reducer处理 - 自定义Partitioner
■继承抽象类Partitioner,重写getPartition方法
■job.setPartitionerClass(MyPartitioner.class)
原理图(来源Partitioner)
大致过程:
Mapper端的输出结果通过context.write()写入OutPutCollector
OutPutCollector将结果写入环形缓冲区
环形缓冲区的溢出条件是达到其大小的80%,在溢出前,HashPartitioner根据键值对的键hash出一个哈希值,然后用这个哈希值对ReduceTasks个数取模,来决定这个键值对进入哪个分区(Partition)
所有MapTask结束后ReduceTask启动,并主动从所有的MapTask端拷贝属于该分区的数据
测试内容:
1363157985066 13726230503 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200
1363157995052 13826544101 5C-0E-8B-C7-F1-E0:CMCC 120.197.40.4 4 0 264 0 200
1363157991076 13926435656 20-10-7A-28-CC-0A:CMCC 120.196.100.99 2 4 132 1512 200
1363154400022 13926251106 5C-0E-8B-8B-B1-50:CMCC 120.197.40.4 4 0 240 0 200
1363157993044 18211575961 94-71-AC-CD-E6-18:CMCC-EASY 120.196.100.99 iface.qiyi.com 视频网站 15 12 1527 2106 200
1363157995074 84138413 5C-0E-8B-8C-E8-20:7DaysInn 120.197.40.4 122.72.52.12 20 16 4116 1432 200
1363157993055 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200
1363157995033 15920133257 5C-0E-8B-C7-BA-20:CMCC 120.197.40.4 sug.so.360.cn 信息安全 20 20 3156 2936 200
1363157983019 13719199419 68-A1-B7-03-07-B1:CMCC-EASY 120.196.100.82 4 0 240 0 200
1363157984041 13660577991 5C-0E-8B-92-5C-20:CMCC-EASY 120.197.40.4 s19.cnzz.com 站点统计 24 9 6960 690 200
1363157973098 15013685858 5C-0E-8B-C7-F7-90:CMCC 120.197.40.4 rank.ie.sogou.com 搜索引擎 28 27 3659 3538 200
1363157986029 15989002119 E8-99-C4-4E-93-E0:CMCC-EASY 120.196.100.99 www.umeng.com 站点统计 3 3 1938 180 200
1363157992093 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 15 9 918 4938 200
1363157986041 13480253104 5C-0E-8B-C7-FC-80:CMCC-EASY 120.197.40.4 3 3 180 180 200
1363157984040 13602846565 5C-0E-8B-8B-B6-00:CMCC 120.197.40.4 2052.flash2-http.qq.com 综合门户 15 12 1938 2910 200
1363157995093 13922314466 00-FD-07-A2-EC-BA:CMCC 120.196.100.82 img.qfc.cn 12 12 3008 3720 200
1363157982040 13502468823 5C-0A-5B-6A-0B-D4:CMCC-EASY 120.196.100.99 y0.ifengimg.com 综合门户 57 102 7335 110349 200
1363157986072 18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99 input.shouji.sogou.com 搜索引擎 21 18 9531 2412 200
1363157990043 13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200
1363157988072 13760778710 00-FD-07-A4-7B-08:CMCC 120.196.100.82 2 2 120 120 200
1363157985066 13560436666 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200
1363157993055 13560436666 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200
将数据放到HDFS上
输入格式
1368544993057 | 13568795243 | C4-17-FE-BA-DE-D9:CMCC | 120.196.100.99 | 18 | 15 | 1116 | 954 | 200 |
---|---|---|---|---|---|---|---|---|
数据描述: | 手机号码 | 上行流量 | 下行流量 |
目标输出格式
13568795243 | 1116 | 954 | 2070 |
---|---|---|---|
手机号码 | 上行流量 | 下行流量 | 总流量 |
基本思路:
Map 阶段
(1)读取文件中的每一行数据,按“\t”切分出字段。
(2)提取出手机号、上行流量、下行流量。
(3)以手机号为 key,bean 对象为 value 输出,即 context.write(手机号,Bean)。
Reduce 阶段:
(1)按照手机号累加求和算出上行流量和下行流量得到总流量。
(2)实现自定义的 bean 来封装流量信息,并将 bean 作为输出的 key 来传输。
(3)MapRedduce 程序在处理数据的过程中会对数据排序(map 输出的 kv 对传输到 reduce 之前,会排序),排序的依据是 map 输出的 key。
编写mapreduce程序
序列化 Bean 对象
package cn.kgc.flow;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class FlowBean implements Writable {
//定义相关属性
private long upFlow;
private long downFlow;
private long sumFlow;
public FlowBean() {
}
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow;
}
//序列化方法
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
//反序列化方法
public void readFields(DataInput in) throws IOException {
this.upFlow = in.readLong();
this.downFlow = in.readLong();
this.sumFlow = in.readLong();
}
//set方法
public void set(long upFlow, long downFlow) {
this.upFlow = upFlow;
this.downFlow = downFlow;
this.sumFlow = upFlow+downFlow;
}
}
Mapper类
package cn.kgc.flow;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
Text k = new Text();
FlowBean v = new FlowBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1368544993057 13568795243 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200
String[] split = value.toString().split("\t");
String phone = split[1];
long upFlow = Long.parseLong(split[split.length - 3]);
long downFlow = Long.parseLong(split[split.length - 2]);
k.set(phone);
v.set(upFlow,downFlow);
context.write(k,v);
}
}
Reducer类
package cn.kgc.flow;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
FlowBean v = new FlowBean();
@Override
protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
long sum_upFlow = 0;
long sum_downFlow = 0;
for (FlowBean flowBean : values) {
sum_upFlow += flowBean.getUpFlow();
sum_downFlow += flowBean.getDownFlow();
}
v.set(sum_upFlow,sum_downFlow);
context.write(key,v);
}
}
自定义Partitioner类
package cn.kgc.flow;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
public class MyPartitioner extends Partitioner<Text, FlowBean> {
@Override
public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
//1.按照电话号码的开头取三位,进行分区
String prenum = text.toString().substring(0, 3);
//2.按照开头进行分区 135 136 137 138
int partition = 4;
if ("135".equals(prenum)) {
partition = 0;
} else if ("136".equals(prenum)) {
partition = 1;
} else if ("137".equals(prenum)) {
partition = 2;
} else if ("138".equals(prenum)) {
partition = 3;
}
return partition;
}
}
Driver类
package cn.kgc.flow;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
conf.set("fs.defaultFS","hdfs://192.168.247.130:9000");
Job job = Job.getInstance(conf);
job.setJarByClass(FlowDriver.class);
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class);
//设置自定义分区类
job.setPartitionerClass(MyPartitioner.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
FileInputFormat.setInputPaths(job,new Path("/partition/phone_data.txt"));
FileOutputFormat.setOutputPath(job,new Path("/partition/result"));
//默认使用HashPartioner,分区数由ReduceTasks决定
//设置ReduceTasks数量
//如果使用自定义分区,定义了分区数,则ReduceTasks个数不能小于分区数
//如果ReduceTasks个数大于分区数,那么会有Reduce Task接收不到数据,浪费资源
job.setNumReduceTasks(5);
boolean result = job.waitForCompletion(true);
System.exit(result?0:1);
}
}
执行后查看结果文件
手机号以135开头的分区
[root@single ~]# hdfs dfs -cat /partition/result/part-r-00000
13502468823 7335 110349 117684
13560436666 3597 25635 29232
13560439658 2034 5892 7926
手机号以136开头的分区
[root@single ~]# hdfs dfs -cat /partition/result/part-r-00001
13602846565 1938 2910 4848
13660577991 6960 690 7650
…此处省略
其余手机号的分区
[root@single ~]# hdfs dfs -cat /partition/result/part-r-00004
13480253104 180 180 360
13922314466 3008 3720 6728
13925057413 11058 48243 59301
13926251106 240 0 240
13926435656 132 1512 1644
15013685858 3659 3538 7197
15920133257 3156 2936 6092
15989002119 1938 180 2118
18211575961 1527 2106 3633
18320173382 9531 2412 11943
84138413 4116 1432 5548
7.2、Combiner类
- Combiner相当于本地化的Reduce操作
■在shuffle之前进行本地聚合
■可有可无,用于性能优化
■输入和输出类型一致 - Reducer可以被用作Combiner的条件
■符合交换律和结合律 - 实现Combiner
■job.setCombinerClass(XXXReducer.class)
不使用Combiner
使用Combiner
使用Combiner后,需要传输到reducer的key变少了,若key的重复率越高,使用Combiner带来的优化更加明显!
八、InputFormat&OutputFormat
8.1、InputFormat
(1) 定义了如何将数据读入Mapper
- InputSplit[] getSplits
- RecordReader<K,V> getRecordReader
(2) 常用InputFormat接口实现类
- FileInputFormat(抽象类)
1.1 TextInputFormat
1.2 KeyValueTextInputFormat - DBInputFormat