MapReduce的原理及执行过程 Combiner

MapReduce简介

MapReduce是一种分布式计算模型，是Google提出的，主要用于搜索领域，解决海量数据的计算问题。
MR有两个阶段组成：Map和Reduce，用户只需实现map()和reduce()两个函数，即可实现分布式计算。

MapReduce执行流程

MapReduce原理

MapReduce的执行步骤：

1、Map任务处理

　　1.1 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。 <0,hello you> <10,hello me>

　　1.2 覆盖map()，接收1.1产生的<k,v>，进行处理，转换为新的<k,v>输出。　　　　　　　　　　<hello,1> <you,1> <hello,1> <me,1>

　　1.3 对1.2输出的<k,v>进行分区。默认分为一个区。详见《Partitioner》

　　1.4 对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。　排序后：<hello,{1,1}><me,{1}><you,{1}>

　　1.5 （可选）对分组后的数据进行归约。详见《Combiner》

2、Reduce任务处理

　　2.1 多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。（shuffle）详见《shuffle过程分析》

　　2.2 对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，　<hello,2> <me,1> <you,1>

　　　　处理后，产生新的<k,v>输出。

　　2.3 对reduce输出的<k,v>写到HDFS中。

Java代码实现

注：要导入org.apache.hadoop.fs.FileUtil.java。

1、先创建一个hello文件，上传到HDFS中

2、然后再编写代码，实现文件中的单词个数统计（代码中被注释掉的代码，是可以省略的，不省略也行）

  1 package mapreduce;
  2 
  3 import java.net.URI;  4 import org.apache.hadoop.conf.Configuration;  5 import org.apache.hadoop.fs.FileSystem;  6 import org.apache.hadoop.fs.Path;  7 import org.apache.hadoop.io.LongWritable;  8 import org.apache.hadoop.io.Text;  9 import org.apache.hadoop.mapreduce.Job;  10 import org.apache.hadoop.mapreduce.Mapper;  11 import org.apache.hadoop.mapreduce.Reducer;  12 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  13 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;  14 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  15 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  16  17 public class WordCountApp {  18 static final String INPUT_PATH = "hdfs://chaoren:9000/hello";  19 static final String OUT_PATH = "hdfs://chaoren:9000/out";  20  21 public static void main(String[] args) throws Exception {  22 Configuration conf = new Configuration();  23 FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf);  24 Path outPath = new Path(OUT_PATH);  25 if (fileSystem.exists(outPath)) {  26 fileSystem.delete(outPath, true);  27  }  28  29 Job job = new Job(conf, WordCountApp.class.getSimpleName());  30  31 // 1.1指定读取的文件位于哪里  32  FileInputFormat.setInputPaths(job, INPUT_PATH);  33 // 指定如何对输入的文件进行格式化，把输入文件每一行解析成键值对  34 //job.setInputFormatClass(TextInputFormat.class);  35  36 // 1.2指定自定义的map类  37 job.setMapperClass(MyMapper.class);  38 // map输出的<k,v>类型。如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略  39 //job.setOutputKeyClass(Text.class);  40 //job.setOutputValueClass(LongWritable.class);  41  42 // 1.3分区  43 //job.setPartitionerClass(org.apache.hadoop.mapreduce.lib.partition.HashPartitioner.class);  44 // 有一个reduce任务运行  45 //job.setNumReduceTasks(1);  46  47 // 1.4排序、分组  48  49 // 1.5归约  50  51 // 2.2指定自定义reduce类  52 job.setReducerClass(MyReducer.class);  53 // 指定reduce的输出类型  54 job.setOutputKeyClass(Text.class);  55 job.setOutputValueClass(LongWritable.class);  56  57 // 2.3指定写出到哪里  58  FileOutputFormat.setOutputPath(job, outPath);  59 // 指定输出文件的格式化类  60 //job.setOutputFormatClass(TextOutputFormat.class);  61  62 // 把job提交给jobtracker运行  63 job.waitForCompletion(true);  64  }  65  66 /**  67  *  68  * KEYIN 即K1 表示行的偏移量  69  * VALUEIN 即V1 表示行文本内容  70  * KEYOUT 即K2 表示行中出现的单词  71  * VALUEOUT 即V2 表示行中出现的单词的次数，固定值1  72  *  73 */  74 static class MyMapper extends  75 Mapper<LongWritable, Text, Text, LongWritable> {  76 protected void map(LongWritable k1, Text v1, Context context) 77 throws java.io.IOException, InterruptedException { 78 String[] splited = v1.toString().split("\t"); 79 for (String word : splited) { 80 context.write(new Text(word), new LongWritable(1)); 81 } 82 }; 83 } 84 85 /** 86 * KEYIN 即K2 表示行中出现的单词 87 * VALUEIN 即V2 表示出现的单词的次数 88 * KEYOUT 即K3 表示行中出现的不同单词 89 * VALUEOUT 即V3 表示行中出现的不同单词的总次数 90 */ 91 static class MyReducer extends 92 Reducer<Text, LongWritable, Text, LongWritable> { 93 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, 94 Context ctx) throws java.io.IOException, 95 InterruptedException { 96 long times = 0L; 97 for (LongWritable count : v2s) { 98 times += count.get(); 99 } 100 ctx.write(k2, new LongWritable(times)); 101 }; 102 } 103 }

3、运行成功后，可以在Linux中查看操作的结果