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