大数据篇：MapReduce
MapReduce是什么?
MapReduce源自于Google发表于2004年12月的MapReduce论文，是面向大数据并行处理的计算模型、框架和平台，而Hadoop MapReduce是Google MapReduce克隆版。
如果没有MapReduce!
- 那么在分布式计算上面将很难办，不好编程。
- 在早期无法处理大数据的离线计算。
- 编程中不易扩展性
- 分布式计算任务一旦挂了，没有容错机制进行处理
说明：MapReduce不擅长的方面(慢!)
- 实时计算：像MySQL一样，在毫秒级或者秒级内返回结果。
- 流式计算：MapReduce的输入数据集是静态的，不能动态变化。
- DAG计算：多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出
现在MapReduce逐渐被Spark，Flink等框架取代。但是思想很重要，值得学习。
1 MapReduce编程模型
- 场景：有大量文件，里面存储了单词，且一个单词占一行
- 任务：如何统计每个单词出现的次数？
- 类似应用场景：
- 搜索引擎中，统计最流行的K个搜索词；
- 统计搜索词频率，帮助优化搜索词提示
- 三种问题
- Case 1：整个文件可以加载到内存中；sort datafile | uniq -c；
- Case 2：文件太大不能加载到内存中，但每一行<word, count>可以存放到内存中；
- Case 3：文件太大无法加载到内存中，且<word, count>也不用保存在内存中；
- 将三种问题范化为：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的次数；
- 方案：首先，分别统计每个文件中单词出现次数，然后累加不同文件中同一个单词出现次数；
- 典型的MapReduce过程。
1.1 WordCount案例
1.1.1 WordCount流程图
input阶段，我们取出文件中的一些数据
splitting阶段，我们将取出的单词进行分片
Mapping阶段，将每个出现的单词进行1次统计，转换数据类型为（单词，1）
Shuffling阶段，进行hash分片，放入对应的桶，俗称洗牌，将同样的单词放入同一个桶。
Reducing阶段，进行数据整合，求出每个词的出现的次数
Final result阶段，最后获取到的结果
1.1.2 WordCount代码及本地运行
-
1 新建word.txt文件
-
Deer Bear River
Car Car River
Deer Car Bear -
2 导入maven依赖
-
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency> -
3 map类
-
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;/**
* Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> 四个泛型意思：
* Mapper<LongWritable, Text, Text, IntWritable>
* KEYIN -> LongWritable:偏移量(存储该行在整个文件中的起始字节偏移量)
* VALUEIN -> Text:进入数据类型
* KEYOUT -> Text:输出数据键类型
* VALUEOUT -> IntWritable:输出数据值类型
*/
public class WcMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
private Text word = new Text();
private IntWritable one = new IntWritable(1); @Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//拿到一行数据,以空格切分
String[] words = value.toString().split(" ");
//遍历单词数据，将数据变成（单词，1）的形式放入上下文中（框架）
for (String word : words) {
this.word.set(word);
context.write(this.word, one);
}
}
} -
4 reducer类
-
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;/**
* Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> 四个泛型意思：
* Reducer<Text, IntWritable, Text, IntWritable>
* KEYIN -> Text:输入数据键类型
* VALUEIN -> IntWritable:输入数据值类型
* KEYOUT -> Text:输出数据键类型
* VALUEOUT -> IntWritable:输出数据值类型
*/
public class WcReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable total = new IntWritable(); @Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//累加相同单词的数量
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}
//包装结果为（单词，总数）输出
total.set(sum);
context.write(key, total);
}
} -
5 执行任务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;
import java.io.IOException;public class WcDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//获取Job实例
Job job = Job.getInstance(new Configuration()); //设置工作类
job.setJarByClass(WcDriver.class); //设置Mapper和Reducer类
job.setMapperClass(WcMapper.class);
job.setReducerClass(WcReducer.class); //设置Mapper和Reducer输出的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class); //设置输入输出数据
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1])); //提交job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
} -
6 设置文件输入输出参数，执行程序，得到结果
-
1.1.3 集群运行
- 打包上面写好的项目，上传集群，执行提交命令。
2 Hadoop序列化
为什么hadoop要自己实现基本的数据类型而不直接使用Java的类？如：IntWritable，LongWritable，Text。
因为Java的序列化是一个重量级框架（Serializable），一个对象被序列化后，会附带很多额外的信息（校验信息，继承体系，Header等），在网络中传输高效性有影响，所以hadoop自己实现了序列化机制（Writable）。
注：网络传输中的信息都需要序列化，因为hadoop自己实现了序列化机制（Writable），所以我们才可以进行简单的分布式计算代码开发。
2.1 手机流量统计(序列化案例)
-
1 新建flow.txt文件(行号 手机号 IP 网址 上行流量 下行流量 状态码)
-
1 13408542222 192.168.10.1 www.baidu.com 1000 2000 200
2 17358643333 192.168.10.1 www.baidu.com 2000 4000 200
3 13408542222 192.168.10.1 www.baidu.com 1000 2000 200
4 17358643333 192.168.10.1 www.baidu.com 2000 4000 200
5 13408542222 192.168.10.1 www.baidu.com 1000 2000 200
6 17358643333 192.168.10.1 www.baidu.com 2000 4000 200 -
2 导入maven依赖
-
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.0.0-cdh6.2.0</version>
</dependency> -
3 实体类对象
-
import lombok.Getter;
import lombok.NoArgsConstructor;
import lombok.Setter;
import lombok.ToString;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;@Getter
@Setter
@NoArgsConstructor
@ToString
//注意toString方法和最后打印结果效果相关
public class Flow implements Writable {
private long upFlow;
private long downFlow;
private long totalFlow; public void setFlow(long upFlow, long downFlow) {
this.upFlow = upFlow;
this.downFlow = downFlow;
this.totalFlow = upFlow + downFlow;
} //序列化方法
@Override
public void write(DataOutput dataOutput) throws IOException {
dataOutput.writeLong(upFlow);
dataOutput.writeLong(downFlow);
dataOutput.writeLong(totalFlow);
} //反序列化方法
@Override
public void readFields(DataInput dataInput) throws IOException {
upFlow = dataInput.readLong();
downFlow = dataInput.readLong();
totalFlow = dataInput.readLong();
}
} -
4 map类
-
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, Text, Flow> {
private Text phone = new Text();
private Flow flow = new Flow(); @Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] data = value.toString().split(" ");
phone.set(data[1]);
long upFlow = Long.parseLong(data[4]);
long downFlow = Long.parseLong(data[5]);
flow.setFlow(upFlow, downFlow);
context.write(phone, flow);
}
} -
5 reducer类
-
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;public class FlowReducer extends Reducer<Text, Flow, Text, Flow> {
private Flow flow = new Flow(); @Override
protected void reduce(Text key, Iterable<Flow> values, Context context) throws IOException, InterruptedException {
long sumUpFlow = 0;
long sumDownFlow = 0;
for (Flow value : values) {
sumUpFlow += value.getUpFlow();
sumDownFlow += value.getDownFlow();
}
flow.setFlow(sumUpFlow, sumDownFlow);
context.write(key, flow);
}
} -
6 执行任务Driver类
-
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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;
import java.io.IOException;public class FlowDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//获取Job实例
Job job = Job.getInstance(new Configuration()); //设置工作类
job.setJarByClass(FlowDriver.class); //设置Mapper和Reducer类
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class); //设置Mapper和Reducer输入输出的类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Flow.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Flow.class); //设置输入输出数据
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1])); //提交job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
} -
7 设置文件输入输出参数，执行程序，得到结果
-
3 MapReduce原理
3.1MapReduce的集群管理架构
1.客户端发送MR任务到RM上
2.RM分配资源，找到对应的NM，分配Container容器，启动对应的Application Master
3.Application Master向Applications Manager注册
4.Application Master向Resource Scheduler申请资源
5.找到对应的NM
6.分配Container容器，启动对应的的Map Task或者是Reduce Task任务
7.Map Task和Reduce Task对Application Master汇报心跳，任务进度
8.Application Master向Applications Manager汇报整体任务进度，如果执行完了Applications Manager会将Application Master移除
注意：原则上MapReduce分为两个阶段：Map Task和Reduce Task，但是由于Shuffling阶段很重要，人为划分了Shuffling阶段，这个阶段发生在Map Task和Reduce Task之间，可以理解为由Map Task后半段和Reduce Task前半段组成。
3.2 MapReduce的数据流
3.3 MapTask
3.3.1 并行度决定机制
1G的数据，分成8份并行计算，那么每一份需要计算的数据为128M，感觉还不错。
1M的数据，分成8份并行计算，那么每一份需要计算的数据为128B，感觉资源浪费严重。
那么就需要有一个东西来决定怎么切分，它就是InputFormat，而切分大小一般由HDFS块大小决定。
- 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定。
- 每一个Split切片分配一个MapTask并行处理实例。
- 默认情况下，切片大小=BlockSize(128M)。
- 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片。
针对第四点说明：比如有3个文件，一个300M，第二个50M，第三个50M，那么一共就是切了5个MapTask出来。
针对每一个文件，第一个300M切了3个，第二个50M切了一个，第三个50M切了一个，共5个。
而如果只有一个文件为128M+1KB，那么就只会切分一个，因为切片判断规则为->如果文件小于切片大小1.1倍，就和上一个切片将就放在一起了，这样可以防止过小的切片在执行任务的时候，调度资源的时间超过执行时间的情况。
3.3.2 InputFormat
TextInputFormat:
- TextInputFormat是默认的FileInputFormat实现类，按行读取每条记录。
- 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型
-
值：为这行内容，不包括任何行止符(如回车，换行)
-
示例，一个分片中包含了如下记录：
-
#源文件
si chuan cheng du
jiang su wu xi
he bei bei jing -
#被TextInputFormat加载后会变成
(0，si chuan cheng du)
(18，jiang su wu xi)
(33，he bei bei jing)
-
KeyValueInputFormat:
- KeyValueInputFormat每一行均为一条记录，被分隔符号分割为key，value。
- 可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR,"\t");来设置分隔符。默认\t
-
示例，一个分片中包含了如下记录：
-
#源文件
line1si chuan cheng du
line2jiang su wu xi
line3he bei bei jing -
#被KeyValueInputFormat加载后会变成
(line1，si chuan cheng du)
(line2，jiang su wu xi)
(line3，he bei bei jing)
-
NlineInputFormat:
- NlineInputFormat代表每个map进程处理的inputSplit不在按Block块去划分，而是按指定的行数N来划分。
- 输入文件的总行数/N=切片数，如果不整除，切片数=商+1
- 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型
-
值：为这行内容，不包括任何行止符(如回车，换行)
-
示例，一个分片中包含了如下记录：
-
#源文件
si chuan cheng du
jiang su wu xi
he bei bei jing
hu bei wu han -
如果N是2，则每个输入分片包含2行，开启2个Map Task
-
#第一个map收到
(0，si chuan cheng du)
(18，jiang su wu xi)
#第二个map收到
(33，he bei bei jing)
(49，hu bei wu han)
-
CombineTextInputFormat:
-
根据设置的阈值来决定切片数。
-
假设setMaxInputSplitSize值为5M，如下4个文件
-
a.txt2.1M
b.txt5.8M
c.txt3.6M
d.txt7.8M
#虚拟储存过程(因为如上4小个文件在hdfs上占用了4个块，所以要有一个虚拟划块的过程)
2.1M < 5M 划分一块，2.1M
5.8M > 5M 大于5M但是小于2*5M，划分2个同样大小的块，2.9M-2.9M
3.6M < 5M 划分一块，3.6M
12M > 5M 大于2*5M，先划分5M，剩下的 7M > 5M 但是 < 2*5M 划分2个同样大小的块，5M-3.5M-3.5M
(得到结果)
2.1M
2.9M
2.9M
3.6M
4M
3.5M
3.5M
#切片过程(补够5M划成一块)
第一块 2.1M + 2.9M = 5M
第二块 2.9M + 3.6M = 6.5M
第三块 4M + 3.5M = 7.5M
第四块 3.5M
SequenceFileInputFormat:
- SequenceFile其实就是上一个MR程序的输出
- 由于每一个MR都会落地磁盘，那么框架就提供了一种文件对接格式SequenceFile
- 使用SequenceFileInputFormat作为中间结果的链接
3.4 Shuffle
Partitioner分区
- Partitioner决定了Map Task输出的每条数据，交给哪个Reduce Task处理
- 默认实现：hash(key) mod ReduceTask数目
- 允许用户自定义
- 很多情况需自定义Partitioner
- 比如hash(hostname(URL)) mod ReduceTask数目，确保相同域名的网页交给同一个Reduce Task处理
3.5 Combiner合并
-
Combiner是MR程序中Mapper和Reducer之外的一种组件。
-
Combiner组件的父类是Reducer。
-
Combiner和Reducer的区别是运行位置不同。
- Combiner是在每一个MapTask所在的节点运行；
- Reducer是接受全局所有的Mapper的输出结果；
-
Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
-
Combiner能够应用的前提是不能影响最终的业务逻辑，且Combiner输出KV要和Reducer的输入KV对应。
-
MapperReducer
3 5 7 ->(3+5+7) / 3 = 5 (5+4) / 2 = 4.5 不等于 (3+5+7+2+6) / 5 = 4.6
2 6 ->(2+6) / 2 = 4
-
完
