Mapreduce实例——排序

原理

Map、Reduce任务中Shuffle和排序的过程图如下：

流程分析：

1.Map端：

（1）每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。

（2）在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。

（3）当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。合并的过程中会不断地进行排序和combia操作，目的有两个：①尽量减少每次写入磁盘的数据量。②尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。

（4）将分区中的数据拷贝给相对应的reduce任务。有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。

到这里，map端就分析完了。那到底什么是Shuffle呢？Shuffle的中文意思是"洗牌"，如果我们这样看：一个map产生的数据，结果通过hash过程分区却分配给了不同的reduce任务，是不是一个对数据洗牌的过程呢？

2.Reduce端：

（1）Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。

（2）随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。

（3）合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。

熟悉MapReduce的人都知道：排序是MapReduce的天然特性！在数据达到reducer之前，MapReduce框架已经对这些数据按键排序了。但是在使用之前，首先需要了解它的默认排序规则。它是按照key值进行排序的，如果key为封装的int为IntWritable类型，那么MapReduce按照数字大小对key排序，如果Key为封装String的Text类型，那么MapReduce将按照数据字典顺序对字符排序。

了解了这个细节，我们就知道应该使用封装int的Intwritable型数据结构了，也就是在map这里，将读入的数据中要排序的字段转化为Intwritable型，然后作为key值输出（不排序的字段作为value）。reduce阶段拿到<key，value-list>之后，将输入的key作为的输出key，并根据value-list中的元素的个数决定输出的次数。

实验环境

Linux Ubuntu 14.04

jdk-7u75-linux-x64

hadoop-2.6.0-cdh5.4.5

hadoop-2.6.0-eclipse-cdh5.4.5.jar

eclipse-java-juno-SR2-linux-gtk-x86_64

实验内容

在电商网站上，当我们进入某电商页面里浏览商品时，就会产生用户对商品访问情况的数据 ，名为goods_visit1，goods_visit1中包含（商品id ，点击次数）两个字段，内容以"\t"分割，由于数据量很大，所以为了方便统计我们只截取它的一部分数据，内容如下：

view plain copy

1. 商品id  点击次数  
2. 1010037 100  
3. 1010102 100  
4. 1010152 97  
5. 1010178 96  
6. 1010280 104  
7. 1010320 103  
8. 1010510 104  
9. 1010603 96  
10. 1010637 97  

要求我们编写mapreduce程序来对商品点击次数有低到高进行排序。

实验结果数据如下：

view plain copy

1. 点击次数 商品ID  
2. 96  1010603  
3. 96  1010178  
4. 97  1010637  
5. 97  1010152  
6. 100 1010102  
7. 100 1010037  
8. 103 1010320  
9. 104 1010510  
10. 104 1010280  

实验步骤

1.切换到/apps/hadoop/sbin目录下，开启Hadoop。

view plain copy

1. cd /apps/hadoop/sbin  
2. ./start-all.sh  

2.在Linux本地新建/data/mapreduce3目录。

view plain copy

1. mkdir -p /data/mapreduce3  

3.在Linux中切换到/data/mapreduce3目录下，用wget命令从http://192.168.1.100:60000/allfiles/mapreduce3/goods_visit1网址上下载文本文件goods_visit1。

view plain copy

1. cd /data/mapreduce3  
2. wget http://192.168.1.100:60000/allfiles/mapreduce3/goods_visit1  

然后在当前目录下用wget命令从http://192.168.1.100:60000/allfiles/mapreduce3/hadoop2lib.tar.gz网址上下载项目用到的依赖包。

view plain copy

1. wget http://192.168.1.100:60000/allfiles/mapreduce3/hadoop2lib.tar.gz  

将hadoop2lib.tar.gz解压到当前目录下。

view plain copy

1. tar zxvf hadoop2lib.tar.gz  

4.首先在HDFS上新建/mymapreduce3/in目录，然后将Linux本地/data/mapreduce3目录下的goods_visit1文件导入到HDFS的/mymapreduce3/in目录中。

view plain copy

1. hadoop fs -mkdir -p /mymapreduce3/in  
2. hadoop fs -put /data/mapreduce3/goods_visit1 /mymapreduce3/in  

5.新建Java Project项目，项目名为mapreduce3。

在mapreduce3项目下新建包，包名为mapreduce。

在mapreduce包下新建类，类名为OneSort。

6.添加项目所需依赖的jar包，右键单击项目新建一个文件夹，名为hadoop2lib，用于存放项目所需的jar包。

将/data/mapreduce3目录下hadoop2lib文件夹中的所有jar包，拷贝到eclipse中mapreduce3项目的hadoop2lib目录下。

选中hadoop2lib目录下所有jar包，单击右键，选择Build Path→Add to Build Path。

7.编写Java代码，并描述其设计思路

在MapReduce过程中默认就有对数据的排序。它是按照key值进行排序的，如果key为封装int的IntWritable类型，那么MapReduce会按照数字大小对key排序，如果Key为封装String的Text类型，那么MapReduce将按照数据字典顺序对字符排序。在本例中我们用到第一种，key设置为IntWritable类型，其中MapReduce程序主要分为Map部分和Reduce部分。

Map部分代码

view plain copy

1. public static class Map extends Mapper<Object,Text,IntWritable,Text>{  
2.         private static Text goods=new Text();  
3.         private static IntWritable num=new IntWritable();  
4.         public void map(Object key,Text value,Context context) throws IOException, InterruptedException{  
5.             String line=value.toString();  
6.             String arr[]=line.split("\t");  
7.             num.set(Integer.parseInt(arr[1]));  
8.             goods.set(arr[0]);  
9.             context.write(num,goods);  
10.         }  
11.     }  

在map端采用Hadoop默认的输入方式之后，将输入的value值用split()方法截取，把要排序的点击次数字段转化为IntWritable类型并设置为key，商品id字段设置为value，然后直接输出<key,value>。map输出的<key,value>先要经过shuffle过程把相同key值的所有value聚集起来形成<key,value-list>后交给reduce端。

Reduce部分代码

view plain copy

1. public static class Reduce extends Reducer<IntWritable,Text,IntWritable,Text>{  
2.         private static IntWritable result= new IntWritable();  
3.                  //声明对象result  
4.         public void reduce(IntWritable key,Iterable<Text> values,Context context) throws IOException, InterruptedException{  
5.     for(Text val:values){  
6.     context.write(key,val);  
7.     }  
8.     }  
9.     }  

reduce端接收到<key,value-list>之后，将输入的key直接复制给输出的key,用for循环遍历value-list并将里面的元素设置为输出的value，然后将<key,value>逐一输出，根据value-list中元素的个数决定输出的次数。

完整代码

view plain copy

1. package mapreduce;  
2. import java.io.IOException;  
3. import org.apache.hadoop.conf.Configuration;  
4. import org.apache.hadoop.fs.Path;  
5. import org.apache.hadoop.io.IntWritable;  
6. import org.apache.hadoop.io.Text;  
7. import org.apache.hadoop.mapreduce.Job;  
8. import org.apache.hadoop.mapreduce.Mapper;  
9. import org.apache.hadoop.mapreduce.Reducer;  
10. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
11. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;  
12. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
13. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  
14. public class OneSort {  
15.     public static class Map extends Mapper<Object , Text , IntWritable,Text >{  
16.     private static Text goods=new Text();  
17.     private static IntWritable num=new IntWritable();  
18.     public void map(Object key,Text value,Context context) throws IOException, InterruptedException{  
19.     String line=value.toString();  
20.     String arr[]=line.split("\t");  
21.     num.set(Integer.parseInt(arr[1]));  
22.     goods.set(arr[0]);  
23.     context.write(num,goods);  
24.     }  
25.     }  
26.     public static class Reduce extends Reducer< IntWritable, Text, IntWritable, Text>{  
27.     private static IntWritable result= new IntWritable();  
28.     public void reduce(IntWritable key,Iterable<Text> values,Context context) throws IOException, InterruptedException{  
29.         for(Text val:values){  
30.         context.write(key,val);  
31.         }  
32.         }  
33.         }  
34.         public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException{  
35.         Configuration conf=new Configuration();  
36.         Job job =new Job(conf,"OneSort");  
37.         job.setJarByClass(OneSort.class);  
38.         job.setMapperClass(Map.class);  
39.         job.setReducerClass(Reduce.class);  
40.         job.setOutputKeyClass(IntWritable.class);  
41.         job.setOutputValueClass(Text.class);  
42.         job.setInputFormatClass(TextInputFormat.class);  
43.         job.setOutputFormatClass(TextOutputFormat.class);  
44.         Path in=new Path("hdfs://localhost:9000/mymapreduce3/in/goods_visit1");  
45.         Path out=new Path("hdfs://localhost:9000/mymapreduce3/out");  
46.         FileInputFormat.addInputPath(job,in);  
47.         FileOutputFormat.setOutputPath(job,out);  
48.         System.exit(job.waitForCompletion(true) ? 0 : 1);  
49.     
50.         }  
51.         }  

8.在OneSort类文件中，右键并点击=>Run As=>Run on Hadoop选项，将MapReduce任务提交到Hadoop中。

9.待执行完毕后，进入命令模式下，在HDFS上/mymapreduce3/out中查看实验结果。

view plain copy

1. hadoop fs -ls /mymapreduce3/out  
2. hadoop fs -cat /mymapreduce3/out/part-r-00000  

提交保存

窗体顶端

窗体底端

发送消息