《Hadoop權威指南》讀書筆記——MapeReduce入門

1 MR的原理

MapeReduce（簡稱MR）的是大數據計算引擎，相對於Linux awk等工具而已，最大的優勢是可以分佈式執行，充分利用計算機的多核性能。
一個MR作業（job）是客戶端需要執行的一個工作單元，包括輸入數據、MR程序和配置信息。作業又可以分成若干個任務（task）來執行，包括map任務和reduce任務。原始數據被MR按照HDFS的快大小（默認128M）分片（split），每一個片是啓動一個map任務，計算完的中間結果暫時存在本地。reduce拉取中間結果後進行計算輸出最終結果，如下圖所示：

2 切片大小原理

切片是爲了使程序能夠並行處理。如果切片過大，並行度低，處理速度變慢；如果切片過小，會增加管理分片得總時間和構建map任務得總時間。

對於大部分Job，一個切片大小跟HDFS的塊（block）大小一樣是最優的。因爲數據是存儲在HDFS，如果一個分片對應多個塊，就可能產生網絡IO，因爲不同分片的數據需要傳輸到map所在設備。

3 動手寫一個MR程序

3.1 使用maven新建一個java工程

依賴的pom.xml如下：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.dhhy</groupId>
    <artifactId>hadoopapp</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <encoding>UTF-8</encoding>
    </properties>

    <dependencies>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>RELEASE</version>
        </dependency>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-core</artifactId>
            <version>2.8.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.7.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>2.7.2</version>
        </dependency>
    </dependencies>

    <build>
        <plugins>
            <plugin>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>2.3.2</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
            <plugin>
                <artifactId>maven-assembly-plugin </artifactId>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                    <archive>
                        <manifest>
                            <mainClass>com.dhhy.mr.wordcount.WordcountDriver</mainClass>
                        </manifest>
                    </archive>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>


    <repositories>
        <repository>
            <id>aliyunmaven</id>
            <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        </repository>

    </repositories>


</project>

3.2 編寫mapper端得代碼

package com.dhhy.mr.wordcount;

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;

/**
字符串統計
 *
map階段入參：
Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
KEYIN mr框架讀到的一行文本的起始偏移量
VALUEIN mr框架讀到的一行文本的內容
KEYOUT 用戶業務邏輯處理後輸出的key
VALUEOUT 用戶業務邏輯處理後輸出的value
 *
Created by JayLai on 2020-02-17 22:33:42
 */
 
public class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    `Text k = new Text();
    IntWritable v = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 1 獲取一行
        String line = value.toString();

        // 2 切割單詞
        String[] words = line.split(" ");


        //３　循環寫出
        for (String word : words) {
            k.set(word);

            context.write(k, v);
        }

    }
    }

3.3 編寫reducer端得代碼

package com.dhhy.mr.wordcount;

import java.io.IOException;

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

/**
 * Created by JayLai on 2020-02-18 18:20:07
 */
public class WordcountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

    IntWritable v = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values,
                          Context context) throws IOException, InterruptedException {
        int sum = 0;

        // 1 累加求和
        for (IntWritable value : values) {
            sum += value.get();
        }

        v.set(sum);

        // 2 寫出
        context.write(key, v);
    }
}

3.4 編寫driver端代碼

package com.dhhy.mr.wordcount;

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;

/**
 * Created by JayLai on 2020-02-18 18:29:04
 */
public class WordcountDriver {


    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 1 獲取配置信息以及封裝任務
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);

        // 2 設置jar加載路徑
        job.setJarByClass(WordcountDriver.class);

        // 3 設置map和reduce類
        job.setMapperClass(WordcountMapper.class);
        job.setReducerClass(WordcountReducer.class);

        // 4 設置map輸出
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 5 設置最終輸出kv類型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 6 設置輸入和輸出路徑
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7 提交
        boolean result = job.waitForCompletion(true);

        System.exit(result ? 0 : 1);
    }

}

3.5準備數據集

在/opt/bigdata/data/mr/hello.txt中 添加以下內容：

hello worldhello bigdata

3.6 本地調試

1)向啓動程序傳參

右鍵點擊在WordcountDriver類，在program arguments填寫參數：
/opt/bigdata/data/mr/hello.txt　/opt/bigdata/data/mr/output

2） 運行WordcountDriver類

可以看到在輸出目錄output生成結果文件：

root@ubuntu18:/opt/bigdata/data/mr/output# ls
part-r-00000  _SUCCESS

用編輯器查看part-r-00000可以看到統計結果：

bigdata 1
hello   2
world   1

3.7 集羣運行

1） 將數據集提交到HDFS上

hadoop fs -put hello.txt /tmp

2）將jar包提交到YARN上

使用maven編譯項目，在target目錄下面會生成hadoopapp-

1.0-SNAPSHOT.jarhadoop@ubuntu18:/opt/bigdata/project/mr$ hadoop jar  hadoopapp-1.0-SNAPSHOT.jar com.dhhy.mr.wordcount.WordcountDriver /tmp/hello.txt /tmp/output

3）查看運行結果

在瀏覽器訪問http://{IP}}:8088/cluster

可以看到任務執行成功，再使用命令行查看統計結果：

hadoop@ubuntu18:/opt/bigdata/project/mr$ hadoop fs -cat /tmp/output/part-r-00000
bigdata 1
hello   2
world   1

4 參考文獻

1）TomWhite，Hadoop權威指南 第4版. 2017， 清華大學出版
2）社尚硅谷頻 http://www.atguigu.com/bigdata_video.shtml