Hadoop MapReduce高级编程

转载：
http://www.cnblogs.com/end/archive/2013/01/18/2866824.html



第一部分：重要的组件
Combiner
•什么是Combiner
•combine函数把一个map函数产生的<key,value>对（多个key, value）合并成一个新的<key2,value2>. 将新的<key2,value2>作为输入到reduce函数中，其格式与reduce函数相同。
•这样可以有效的较少中间结果，减少网络传输负荷。

•什么情况下可以使用Combiner
•可以对记录进行汇总统计的场景，如求和。
•求平均数的场景就不可以使用了
Combiner执行时机
•运行combiner函数的时机有可能会是merge完成之前，或者之后，这个时机可以由一个参数控制，即 min.num.spill.for.combine（default 3）
•当job中设定了combiner，并且spill数最少有3个的时候，那么combiner函数就会在merge产生结果文件之前运行
•通过这样的方式，就可以在spill非常多需要merge，并且很多数据需要做conbine的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。
•Combiner也有可能不执行， Combiner会考虑当时集群的负载情况。
Combiner如何使用
•代码示例
•继承Reducer类
public static class Combiner extends MapReduceBase implements
           Reducer<Text, Text, Text, Text> {
       public void reduce(Text key, Iterator<Text> values,
               OutputCollector<Text, Text> output, Reporter reporter)
               throws IOException {
                 }
    }

•配置作业时加入conf.setCombinerClass(Combiner.class)

Partitioner
•什么是Partitioner
•Mapreduce 通过Partitioner 对Key 进行分区，进而把数据按我们自己的需求来分发。
•什么情况下使用Partitioner
•如果你需要key按照自己意愿分发，那么你需要这样的组件。
•例如：数据文件内包含省份，而输出要求每个省份输出一个文件。
•框架默认的HashPartitioner
•public class HashPartitioner<K, V> extends Partitioner<K, V> { 

  /** Use {@link Object#hashCode()} to partition. */ 
  public int getPartition(K key, V value, 
                          int numReduceTasks) { 
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; 
  }
}
Partitioner如何使用
•实现Partitioner接口覆盖getPartition()方法
•配置作业时加入conf.setPartitionerClass(MyPartitioner.class);
•Partitioner示例
        public static class MyPartitioner implements Partitioner<Text, Text> {
          
         @Override
            public int getPartition(Text key, Text value, int numPartitions) {
             }

}
Partitioner需求示例
•需求描述
•数据文件中含有省份
•需要相同的省份送到相同的Reduce里
•从而产生不同的文件
•数据样例
•1 liaoning
•1 代表该省份有多少个直辖市
•步骤
•实现Partitioner，覆盖getPartition
•根据省份字段进行切分


RecordReader
•什么是RecordReader
•用于在分块中读取<Key,Value>对，也就是说每一次我们读取一条记录都会调用该类。
•主要是处理经过InputFormat分片完的数据
•什么时候使用RecordReader
•需要对输入的数据按自己的需求处理
•如：要求输入的key不是文件的偏移量而是文件的路径或者名字
•系统默认为LineRecordReader
•按照每行的偏移量做为map输出时的key值，每行的内容作为map的value值，默认的分隔符是回车和换行。

RecordReader需求示例
•需求
•更改map对应的输入的<key,value>值，key对应的文件的路径（或者是文件名），value对应的是文件的内容（content）。
•步骤
•重写InputFormat不对文件切分
•重写RecordReader
•在配置作业时使用自定义的组件进行数据处理


第二部分：Join
案例分析
•输入为2个文件，文件一内容如下
•空格分割：用户名 手机号 年龄
•内容样例
•Tom 1314567890 14
•文件二内容
•空格分割：手机号 地市
•内容样例
•13124567890 hubei
•需要统计出的汇总信息为 用户名 手机号 年龄 地市
Map端Join
•设计思路
•使用DistributedCache.addCacheFile()将地市的文件加入到所有Map的缓存里
•在Map函数里读取该文件，进行Join
•  将结果输出到reduce
•需要注意的是
•DistributedCache需要在生成Job作业前使用


Reduce端Join
•设计思路
•Map端读取所有文件，并在输出的内容里加上标识代表数据时从哪个文件里来的
•在reduce对按照标识对数据进行保存
•然后根据Key的Join来求出结果直接输出

第三部分：排序

普通排序
•Mapreduce本身自带排序功能
•Text对象是不适合排序的，如果内容为整型不会安照编码顺序去排序
•一般情况下我们可以考虑以IntWritable做为Key,同时将Reduce设置成0 ,进行排序

部分排序
•即输出的每个文件都是排过序的
•如果我们不需要全局排序，那么这是个不错的选择。

全局排序
•产生背景
•Hadoop平台没有提供全局数据排序，而在大规模数据处理中进行数据的全局排序是非常普遍的需求。
•使用hadoop进行大量的数据排序排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。
•快速排序基本步骤就是需要现在所有数据中选取一个作为支点。然后将大于这个支点的放在一边，小于这个支点的放在另一边。

设想如果我们有 N 个支点（这里可以称为标尺），就可以把所有的数据分成 N+1 个 part ，将这 N+1 个 part 丢给 reduce ，由 hadoop 自动排序，最后输出 N+1 个内部有序的文件，再把这 N+1 个文件首尾相连合并成一个文件，收工 。
由此我们可以归纳出这样一个用 hadoop 对大量数据排序的步骤：
1 ）   对待排序数据进行抽样；
2 ）   对抽样数据进行排序，产生标尺；
3 ）   Map 对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间 ID 的 reduce
4 ）   Reduce 将获得数据直接输出。
•Hadoop 提供了Sampler接口可以返回一组样本，该接口为Hadoop的采样器。
           public interface Sampler<K, V> {
                        K[] getSample(InputFormat<K, V> inf, Job job)
                         throws IOException, InterruptedException;
            }
•Hadoop提供了一个TotalOrderPartitioner，可以使我们来实现全局排序。
二次排序
•产生背景
•MapReduce默认会对key进行排序
•将输出到Reduce的values也进行预先的排序
•实现方式
•重写Partitioner，完成key分区，进行第一次排序
•实现WritableComparator，完成自己的排序逻辑，完成key的第2次排序
•原理
•Map之前的数据
         key1  1
         key2  2
         key2  3
         key3  4
         key1  2
•Mapduce只能排序key,所以为了二次排序我们要重新定义自己的key 简单说来就是<key value> value ,组合完后
         <key1  1 >    1
         <key2  2 >    2
         <key2  3 >    3
         <key3  4>     4
         <key1  2 >    2

•原理
•接下来实现自定义的排序类，分组类，数据变成
         <key1  1 >    1
         <key1  2 >    2
         <key2  2 >    2
         <key2  3 >    3
         <key3  4>     4
•最后 reduce处理后输出结果
           key1  1
           key1  2
           key2  2
           key2  3
           key3  4



第四部分：计数器
•什么是计数器
            计数器主要用来收集系统信息和作业运行信息，用于知道作业成功、失败等情况，比日志更便利进行分析。
•内置计数器
•Hadoop内置的计数器，记录作业执行情况和记录情况。包括MapReduce框架、文件系统、作业计数三大类。
•计数器由关联任务维护，定期传递给tasktracker，再由tasktracker传给jobtracker。
•计数器可以被全局聚集。内置的作业计数器实际上由jobtracker维护，不必在整个网络中传递。
•当一个作业执行成功后，计数器的值才是完整可靠的。


用户自定义Java计数器
•MapReduce框架允许用户自定义计数器
•计数器是全局使用的
•计数器有组的概念，可以由一个Java枚举类型来定义
•如何配置
•0.20.2以下的版本使用Reporter,
•0.20.2以上的版本使用context.getCounter(groupName, counterName) 来获取计数器配置并设置。
•动态计数器
•所谓动态计数器即不采用Java枚举的方式来定义

•Reporter中的获取动态计数器的方法
•public void incrCounter(String group,String counter,long amount)
            组名称，计数器名称，计数值

•一些原则
•创建计数器时，尽量让名称易读


•获取计数器
•Web UI
•命令行 hadoop job-counter
•Java API
•Java API
•在作业运行完成后，计数器稳定后获取。 使用job.getCounters()得到Counters



第五部分：合并小文件示例
•产生背景
•Hadoop不适合处理小文件
•会占用大量的内存空间
•解决方案
•文件内容读取到SequenceFile内