MapReduce 初試

一、境遇

    接觸Hadoop已經有半年了，從Hadoop集群搭建到Hive、HBase、Sqoop相關組件的安裝，甚至Spark on Hive、Phoenix、Kylin這些邊緣的項目都有涉及。如果說部署，我自認為可以沒有任何問題，但是如果說我對于這個系統已經掌握了，我卻不敢這么講，因為至少MapReduce我還沒有熟悉，其工作機制也只是一知半解。關于MapReduce的運算，我差不多理解了，但是實際實現現在卻只能靠找到的代碼，真的是慚愧的很。

    于是再也忍不住，一定要有點自己的東西，最起碼，寫的時候不用去找別人的博客，嗯，找自己的就行。

二、實驗

    1、實驗過程

        最開始實驗的是最簡單的去重MapReduce，在本地文件實驗時沒有任何問題，但把文件放到HDFS上就怎么也找不到了，究其原因，HDFS上的需要用Hadoop執行jar文件才可以

        1）javac輸出類到指定目錄 dir

            javac *.java -d dir

        2）jar打包class文件

            1，打包指定class文件到target.jar

                jar cvf target.jar x1.class x2.class ... xn.class

            2，打包指定路徑dir下的所有class文件到target.jar

                jar cvf target.jar -C dir .

            3，打包class文件成可執行jar，程序入口Main函數

                jar cvfe tarrget.jar Main -C dir .

            Hadoop只需要普通jar即可，不用打包成可執行jar

        3）執行jar，主類MapDuplicate

            Hadoop jar target.jar MapDuplicate (params)

    2、代碼分析

        1）import類

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

            Configuration類：用來設定Hadoop的參數，如：IP、端口等

            Path：用來設定輸入輸出路徑

            IntWritable：MapReduce用到的int類型

            Text：MapReduce用到的string類型

            Job：生成MapReduce任務的主類，任務參數也在此類中設定

            Mapper：被繼承的Map類

            Reducer：被繼承的Reduce類

            FileInputFormat：輸入文件格式

            FileOutputFormat：輸出文件格式（可改為其它IO類，如數據庫）

            GenericOptionsParser：解析命令行參數的類

        2）代碼結構

public class MapDuplicate {
    public static class Map extends Mapper<...> { ... }
    public static class Reduce extends Reducer<...> { ... }
    public static void main(String[] args) throws Ex { ... }
}

        2）Map類

        public static class Map extends Mapper<Object,Text,Text,Text> {
                private static Text line = new Text();

                public void map(Object key,Text value,Context context)
                throws IOException,InterruptedException {
                        line = value;
                        context.write(line,new Text(""));
                }
        }

            Map類的主要作用是將數據進行統一處理，按照規則給出鍵值對，為Combine和Reduce等Reduce操作提供標準化數據。從代碼上來講，均繼承Mapper類，并實現map函數

            Mapper類繼承的四個參數，前兩個分別是輸入數據鍵和值的類型，一般寫Object,Text即可；后兩個是輸出數據鍵和值的類型，這兩個類型必須和Reduce的輸入數據鍵值類型一致。

            所有的Java值類型在送到MapReduce任務前都要轉化成對應的值類型：如：String->Text,int->IntWritable,long->LongWritable

            Context是Java類與MapReduce任務交互的類，它把Map的鍵值對傳給Combiner或者Reducer，也把Reducer的結果寫到HDFS上

        3）Reduce類

        public static class Reduce extends Reducer<Text,Text,Text,Text> {
                public void reduce(Text key,Iterable<Text> values,Context context)
                throws IOException,InterruptedException {
                        context.write(key,new Text(""));
                }
        }

            Reduce有兩種操作，Combine和Reduce，都繼承Reducer類。前者用于對數據進行預處理，將處理好的數據交給Reduce，可以看成是本地的Reduce，當不需要任何處理時，Combine可以直接用Reduce代替；后者用于對數據進行正式處理，將相同鍵值的數據合并，每一個Reduce函數過程只處理同一個鍵(key)的數據。

            Reducer類繼承的四個參數，前兩個是輸入數據鍵和值的類型，必須與Mapper類的輸出類型一致（Combine也必須一致，而且Combine輸出需要跟Reduce的輸入一致，所以Combine輸入輸出類型必須是相同的）；后兩個是輸出數據鍵和值的類型，即我們最終得到的結果

        4）Main函數

        public static void main(String[] args) throws Exception {
                Configuration conf = new Configuration();
                conf.set("mapred.job.tracker","XHadoop1:9010");
                String[] ioArgs = new String[] {"duplicate_in","duplicate_out"};
                String[] otherArgs = new GenericOptionsParser(conf,ioArgs).getRemainingArgs();
                if (otherArgs.length != 2) {
                        System.err.println("Usage: MapDuplicate <in> <out>");
                        System.exit(2);
                }
                Job job = new Job(conf,"MapDuplicate");
                job.setJarByClass(MapDuplicate.class);
                job.setMapperClass(Map.class);
                job.setCombinerClass(Reduce.class);
                job.setReducerClass(Reduce.class);
                job.setOutputKeyClass(Text.class);
                job.setOutputValueClass(Text.class);

                FileInputFormat.addInputPath(job,new Path(otherArgs[0]));
                FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
                System.exit(job.waitForCompletion(true) ? 0 : 1);
        }

            首先，必須有Configuration類，通過這個類指定工作的機器

            然后，接收參數的語句，這個不解釋了

            然后，需要有Job類，指定MapReduce處理用到的類，需要指定的有：Mapper類、Combiner類、Reducer類、輸出數據鍵和值類型的類

            然后，指定輸入數據的路徑

            然后，等待任務結束并退出

三、總結

    這個實驗可以說是最簡單的MapReduce，但是麻雀雖小五臟俱全。

    從原理來講，MapReduce有以下步驟：

        HDFS(Block)->Split->Mapper->Partion->Spill->Sort->Combiner->Merge->Reducer->HDFS

    1、HDFS輸入數據被分成Split，被Mapper類讀取，

    2、Mapper讀取數據后，將任務進行Partion(分配)

    3、如果Map操作內存溢出，需要Spill(溢寫)到磁盤上

    4、Mapper進行Sort(排序)操作

    5、排序之后進行Combine(合并key)操作，可以理解為本地模式Reduce

    6、Combine的同時會進行溢出文件的Merge(合并)

    7、所有任務完成后將數據交給Reducer進行處理，處理完成寫入HDFS

    8、從Map任務開始到Reduce任務開始的數據傳輸操作叫做Shuffle

    從編程來講，MapReduce有以下步驟：

    1、編寫Mapper類

    2、編寫Combiner類（可選）

    3、編寫Reducer類

    4、調用過程：參數配置Configuration

                 指定任務類

                 指定輸入輸出格式

                 指定數據位置

                 開始任務

    以上僅僅是淺層認識，僅供學習參考及備查。