學習筆記—MapReduce

MapReduce是什麼

MapReduce是一種分散式計算編程框架，是Hadoop主要組成部分之一，可以讓用戶專註於編寫核心邏輯代碼，最後以高可靠、高容錯的方式在大型集群上並行處理大量數據。

MapReduce的存儲

MapReduce的數據是存儲在HDFS上的，HDFS也是Hadoop的主要組成部分之一。下邊是MapReduce在HDFS上的存儲的圖解

HDFS主要有Namenode和Datanode兩部分組成，整個集群有一個Namenode和多個DataNode，通常每一個節點一個DataNode，Namenode的主要功能是用來管理客戶端client對數據文件的操作請求和儲存數據文件的地址。DataNode主要是用來儲存和管理本節點的數據文件。節點內部數據文件被分為一個或多個block塊（block預設大小原來是64MB，後來變為128MB），然後這些塊儲存在一組DataNode中。（這裡不對HDFS做過多的介紹，後續會寫一篇詳細的HDFS筆記）

MapReduce的運行流程

1、首先把需要處理的數據文件上傳到HDFS上，然後這些數據會被分為好多個小的分片，然後每個分片對應一個map任務，推薦情況下分片的大小等於block塊的大小。然後map的計算結果會暫存到一個記憶體緩衝區內，該緩衝區預設為100M，等緩存的數據達到一個閾值的時候，預設情況下是80%，然後會在磁碟創建一個文件，開始向文件裡邊寫入數據。

2、map任務的輸入數據的格式是<key,value>對的形式，我們也可以自定義自己的<key,value>類型。然後map在往記憶體緩衝區里寫入數據的時候會根據key進行排序，同樣溢寫到磁碟的文件里的數據也是排好序的，最後map任務結束的時候可能會產生多個數據文件，然後把這些數據文件再根據歸併排序合併成一個大的文件。

3、然後每個分片都會經過map任務後產生一個排好序的文件，同樣文件的格式也是<key,value>對的形式，然後通過對key進行hash的方式把數據分配到不同的reduce裡邊去，這樣對每個分片的數據進行hash，再把每個分片分配過來的數據進行合併，合併過程中也是不斷進行排序的。最後數據經過reduce任務的處理就產生了最後的輸出。

4、在我們開發中只需要對中間map和reduce的邏輯進行開發就可以了，中間分片，排序，合併，分配都有MapReduce框架幫我完成了。

MapReduce的資源調度系統

最後我們來看一下MapReduce的資源調度系統Yarn。

Yarn的基本思想是將資源管理和作業調度/監視的功能分解為單獨的守護進程。全局唯一的ResourceManager是負責所有應用程式之間的資源的調度和分配，每個程式有一個ApplicationMaster，ApplicationMaster實際上是一個特定於框架的庫，其任務是協調來自ResourceManager的資源，並與NodeManager一起執行和監視任務。NodeManager是每台機器框架代理，監視其資源使用情況（CPU，記憶體，磁碟，網路）並將其報告給ResourceManager。

WordConut代碼

• python實現

map.py

#!/usr/bin/env python
# -*- coding:UTF-8 -*-
import sys

for line in sys.stdin:
    words = line.strip().split()
    for word in words:
        print('%s\t%s' % (word, 1))

reduce.py

#!/usr/bin/env python
# -*- coding:UTF-8 -*-
import sys

current_word = None
sum = 0

for line in sys.stdin:
    word, count = line.strip().split(' ')

    if current_word == None:
        current_word = word

    if word != current_word:
        print('%s\t%s' % (current_word, sum))
        current_word = word
        sum = 0

    sum += int(count)

print('%s\t%s' % (current_word, sum))

我們先把輸入文件上傳到HDFS上去

hadoop fs -put /input.txt /

​ 然後在Linux下運行，為了方便我們把命令寫成了shell文件

HADOOP_CMD="/usr/local/src/hadoop-2.6.1/bin/hadoop"
STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.1/share/hadoop/tools/lib/hadoop-streaming-2.6.1.jar"

INPUT_FILE_PATH="/input.txt"
OUTPUT_FILE_PATH="/output"

$HADOOP_CMD fs -rmr -skipTrush $OUTPUT_FILE_PATH

$HADOOP_CMD jar $STREAM_JAR_PATH \
    -input $INPUT_FILE_PATH \
    -output $OUTPUT_FILE_PATH \
    -mapper "python map.py" \
    -reducer "python reduce.py" \
    -file "./map.py" \
    -file "./reduce.py" 

• java實現

MyMap.java

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 MyMap extends Mapper<LongWritable, Text, Text, IntWritable> {

    private IntWritable one = new IntWritable(1);
    private Text text = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words = line.split(" ");

        for (String word: words){
            text.set(word);
            context.write(text,one);
        }
    }
}

MyReduce.java

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

import java.io.IOException;

public class MyReduce extends Reducer<Text, IntWritable, Text, IntWritable> {
    private IntWritable result = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable i:values){
            sum+=i.get();
        }
        result.set(sum);
        context.write(key,result);
    }
}

WordCount.java

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 WordCount {
    public static void main(String[] args) throws Exception {
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration, "WordCount");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(MyMap.class);
        job.setReducerClass(MyReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

把工程打成jar包，然後把jar包和輸入文件上傳到HDfs

$ hadoop fs -put /wordcount.jar /
$ hadoop fs -put /input.txt /

執行wordcount任務

$ bin/hadoop jar wordcount.jar WordCount /input.txt /user/joe/wordcount/output

歡迎關註公眾號：「努力給自己看」