ビッグデータ学習ルートのMapReduceの概要

　　ビッグデータ、学習経路のMapReduceの概要、のMapReduce：オフライン「は、データ分析アプリケーションのHadoopのに基づいて、」分散コンピューティング・プログラミング・フレームワークプログラムは、ユーザが開発したコアフレームワークである、並列コンピューティングフレームワークを分散、MapReduceのコア機能は、ユーザ記述され完全な分散コンピューティングプログラムに組み込む独自のビジネス・ロジック・コードおよびデフォルトコンポーネント、Hadoopクラスタ上で同時に実行します。

　　そして、同様の原理は、HDFSの問題を解決するために、HDFSは、クラスタ内の各ホストに格納されているいくつかの小さなファイルに変換する大規模なファイルです。

　　同じ原理、 MapReduceのは、それぞれ、サブ動作場合、複雑な操作に切断し、それぞれのホストによってクラスタ、並列動作する各ホストされています。

　　背景には、1.1のMapReduceを生成しました

　　単一マシン上で大量のデータを処理することは、ハードウェアリソースの制約ので、仕事をすることはできません。

　　プログラムのスタンドアロンバージョンがクラスタの分散操作を拡張するために一度、大幅に開発プログラムの複雑さと難しさを増加します。

　　紹介呼ばフレームワークのプロセス-のMapReduceフレームワークを、開発者は、分散コンピューティングの複雑ながら、ビジネスロジックの開発に作業のほとんどを集中することができます。

　　1.2のMapReduceプログラミングモデル

　　分散コンピューティングモデル。

　　MapReduceの抽象二つの機能には、この並列計算。

　　マップ（マッピング）：いくつかの別個の要素は、リストの指定操作の各要素は、高度に平行であることができます。

　　マージする要素のリスト：（簡易化）を減らします。

　　単純な MapReduceのプログラムのみマップ（）、軽減（）、指定する必要が入力と出力を、残りの主題フレームワークが完成します。

MapReduceのいくつかの重要な名詞を

　　求人：各ユーザーの要求に対して計算は、ジョブと呼ばれています。

　　タスク：各ジョブが開いて分割する必要があり、ユニットのスピンオフを完了するために、複数のホストを手渡しますが、タスクを実行することです。

　　タスクは、タスクの以下の3種類に分けられます。

　　全体のプロセスは、データ処理位相マップを担当します。地図

　　削減：全体的なデータ処理の流れを担当するフェーズを減らします

　　MRAppMaster：状態のプログラムのスケジュールと調整のプロセス全体の責任

1.4 MapReduceの実行中のプロセス

フローを示しました：

MR番組開始時刻は、現在のジョブの記述情報を開始した後MRAppMaster、MRAppMasterを始めよで、所望maptask例を計算する数、およびマシンがプロセスmaptaskのクラスタ番号に対応するアプリケーションを起動します

maptaskプロセスは、所与のデータスライス範囲に係るデータ処理のために、開始後、本方法は以下の通り：

- 指定された顧客使用 RecordReaderは読み出されたデータを取得するのInputFormat、KVフォーム入力ペア。

- 入力 KVは（kはファイルの行数であり、vはファイル・データの行である）論理演算を実行し、ユーザー定義のマップ（）メソッドに渡され、マップ（）メソッドのKVは、キャッシュに出力集め。

- キャッシュ KVは、ディスクファイルにソートオーバーフローKパーティションに従って続行します

MRAppMasterは全てmaptask処理タスクが完了すると、顧客はreducetaskプロセスの数に対応する開始パラメータで指定されたデータの範囲（データパーティション）に対処するためreducetaskプロセスに通知する監視後

Reducetaskプロセスが開始した後、位置がMRAppMaster組の複数の実行、処理対象のデータが配置されている通知マシンに配置maptask、いくつかのmaptask出力ファイルを取得し、ローカルにソート再合流し、その後グループとしてKV同じキーをたどりますユーザ定義コール論理演算を行う（）メソッドを削減し、KVを収集するために演算結果を出力し、その後、顧客指定OUTPUTFORMATは、外部記憶装置に、得られたデータを出力する呼び出し

1.5 書き込みのMapReduce プログラム

基于MapReduce 计算模型编写分布式并行程序非常简单，程序员的主要编码工作就是实现Map 和Reduce函数。
其它的并行编程中的种种复杂问题，如分布式存储，工作调度，负载平衡，容错处理，网络通信等，均由YARN框架负责处理。
MapReduce中，map和reduce函数遵循如下常规格式：

map: (K1, V1) → list(K2, V2)
reduce: (K2, list(V2)) → list(K3, V3)

Mapper的接口：

protected void map(KEY key, VALUE value, Context context)
throws IOException, InterruptedException {
}

Reduce的接口：

protected void reduce(KEY key, Iterable<VALUE> values,
Context context) throws IOException, InterruptedException {
}

Mapreduce程序代码基本结构

maprecue实例开发

2.1 编程步骤

用户编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行mr程序的客户端)

Mapper的输入数据是KV对的形式（KV的类型可自定义）

Mapper的输出数据是KV对的形式（KV的类型可自定义）

Mapper中的业务逻辑写在map()方法中

map()方法（maptask进程）对每一个<K,V>调用一次

Reducer的输入数据类型对应Mapper的输出数据类型，也是KV

Reducer的业务逻辑写在reduce()方法中

Reducetask进程对每一组相同k的<k,v>组调用一次reduce()方法

用户自定义的Mapper和Reducer都要继承各自的父类

整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象

2.2 经典的wordcount程序编写

需求：有一批文件（规模为TB级或者PB级），如何统计这些文件中所有单词出现次数

如有三个文件，文件名是qfcourse.txt、qfstu.txt 和 qf_teacher

qf_course.txt内容：

php java linux
bigdata VR
C C++ java web
linux shell

qf_stu.txt内容：

tom jim lucy
lily sally
andy
tom jim sally

qf_teacher内容：

jerry Lucy tom
jim

方案

– 分别统计每个文件中单词出现次数 - map（）

– 累加不同文件中同一个单词出现次数 - reduce（）

实现代码

– 创建一个简单的maven项目

– 添加hadoop client依赖的jar，pom.xml主要内容如下：

<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.7.1</version>
</dependency>

<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.11</version>
<scope>test</scope>
</dependency>
</dependencies>

– 编写代码

– 自定义一个mapper类

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;

  /**
   * Maper里面的泛型的四个类型从左到右依次是：
   *
   * LongWritable KEYIN: 默认情况下，是mr框架所读到的一行文本的起始偏移量，Long,  类似于行号但是在hadoop中有自己的更精简的序列化接口，所以不直接用Long，而用LongWritable
   * Text VALUEIN:默认情况下，是mr框架所读到的一行文本的内容，String，同上，用Text
   *
   * Text KEYOUT：是用户自定义逻辑处理完成之后输出数据中的key，在此处是单词，String，同上，用Text
   * IntWritable VALUEOUT：是用户自定义逻辑处理完成之后输出数据中的value，在此处是单词次数，Integer，同上，用IntWritable
   */
  public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

   /**
   * map阶段的业务逻辑就写在自定义的map()方法中
   * maptask会对每一行输入数据调用一次我们自定义的map()方法
   */
   @Override
   protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

   //将maptask传给我们的一行的文本内容先转换成String
   String line = value.toString();
   //根据空格将这一行切分成单词
   String[] words = line.split(" ");

   /**
   *将单词输出为<单词，1>
   *如<lily,1> <lucy,1>  <c,1> <c++,1> <tom,1>
   */
   for(String word:words){
   //将单词作为key，将次数1作为value，以便于后续的数据分发，可以根据单词分发，以便于相同单词会到相同的reduce task
   context.write(new Text(word), new IntWritable(1));
   }
   }
  }

– 自定义一个reduce类

  import java.io.IOException;

  import org.apache.hadoop.io.IntWritable;
  import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Reducer;

  /**
   * Reducer里面的泛型的四个类型从左到右依次是：
   * Text KEYIN: 对应mapper输出的KEYOUT
   * IntWritable VALUEIN: 对应mapper输出的VALUEOUT
   *
   * KEYOUT, 是单词
   * VALUEOUT 是自定义reduce逻辑处理结果的输出数据类型，是总次数
   */
  public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

   /**
   * <tom,1>
   * <tom,1>
   * <linux,1>
   * <banana,1>
   * <banana,1>
   * <banana,1>
   * 入参key，是一组相同单词kv对的key
   * values是若干相同key的value集合
   * 如 <tom,[1,1]>   <linux,[1]>   <banana,[1,1,1]>
   */
   @Override
   protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {

   int count=0; //累加单词的出现的次数

   for(IntWritable value:values){
   count += value.get();
   }
   context.write(key, new IntWritable(count));
   }
  }

– 编写一个Driver类

   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;

  /**
   * 相当于一个yarn集群的客户端
   * 需要在此封装我们的mr程序的相关运行参数，指定jar包
   * 最后提交给yarn
   */
  public class WordcountDriver {
   /**
   * 该类是运行在hadoop客户端的，main一运行，yarn客户端就启动起来了，与yarn服务器端通信
   * yarn服务器端负责启动mapreduce程序并使用WordcountMapper和WordcountReducer类
   */
   public static void main(String[] args) throws Exception {
   //此代码需要两个输入参数第一个参数支持要处理的源文件；第二个参数是处理结果的输出路径
   if (args == null || args.length == 0) {
   args = new String[2];
             //路径都是 hdfs系统的文件路径
   args[0] = "hdfs://192.168.18.64:9000/wordcount/input/";
   args[1] = "hdfs://192.168.18.64:9000/wordcount/output";
   }
   /**
   * 什么也不设置时，如果在安装了hadoop的机器上运行时，自动读取
   * /home/hadoop/app/hadoop-2.7.1/etc/hadoop/core-site.xml
   * 文件放入Configuration中
   */
   Configuration conf = new Configuration();
   Job job = Job.getInstance(conf);

   //指定本程序的jar包所在的本地路径
   job.setJarByClass(WordcountDriver.class);

   //指定本业务job要使用的mapper业务类
   job.setMapperClass(WordcountMapper.class);
   //指定mapper输出数据的kv类型
   job.setMapOutputKeyClass(Text.class);
   job.setMapOutputValueClass(IntWritable.class);

         //指定本业务job要使用的Reducer业务类
         job.setReducerClass(WordcountReducer.class);
   //指定最终输出的数据的kv类型
   job.setOutputKeyClass(Text.class);
   job.setOutputValueClass(IntWritable.class);

   //指定job的输入原始文件所在目录
   FileInputFormat.setInputPaths(job, new Path(args[0]));
   //指定job的输出结果所在目录
   FileOutputFormat.setOutputPath(job, new Path(args[1]));

   //将job中配置的相关参数，以及job所用的java类所在的jar包，提交给yarn去运行
   /*job.submit();*/
   boolean res = job.waitForCompletion(true);
   System.exit(res?0:1);
   }
  }

wordcount处理过程

将文件拆分成splits，由于测试用的文件较小，所以每个文件为一个split，并将文件按行分割形成<key,value>对，下图所示。这一步由MapReduce框架自动完成，其中偏移量（即key值）包括了回车所占的字符数（Windows/Linux环境不同）。

将分割好的<key,value>对交给用户定义的map方法进行处理，生成新的<key,value>对，下图所示。

得到map方法输出的<key,value>对后，Mapper会将它们按照key值进行排序，并执行Combine过程，将key至相同value值累加，得到Mapper的最终输出结果。下图所示。

Reducer先对从Mapper接收的数据进行排序，再交由用户自定义的reduce方法进行处理，得到新的<key,value>对，并作为WordCount的输出结果，下图所示。