目录
1. MapReduce的思想核心是“分而治之”
Map负责“分”，即把复杂的任务分解为若干个“简单的任务”来并行处理。可以进行拆分的前提是这些小任务可以并行计算，彼此间几乎没有依赖关系。
Reduce负责“合”，即对map阶段的结果进行全局汇总。
MapReduce运行在yarn集群
- ResourceManager
- NodeManager
Map和Reduce为程序员提供了一个清晰的操作接口抽象描述。MapReduce中定义了如下的Map和Reduce两个抽象的编程接口，由用户去编程实现.Map和Reduce,MapReduce处理的数据类型是<key,value>键值对。
Map: (k1; v1) → [(k2; v2)]
Reduce: (k2; [v2]) → [(k3; v3)]
2. MapReduce 编程规范
MapReduce 的开发一共有八个步骤, 其中 Map 阶段分为 2 个步骤，Shuffle阶段4个步骤，Reduce阶段分为2个步骤
Map 阶段 2 个步骤
- 设置 InputFormat 类, 将数据切分为 Key-Value(K1和V1) 对, 输入到第二步
- 自定义 Map 逻辑, 将第一步的结果转换成另外的 Key-Value（K2和V2） 对, 输出结果
Shuffe 阶段 4 个步骤
- 分区 Partitioner 对输出的 Key-Value 对进行分区
- 排序 Sort 对不同分区的数据按照相同的 Key 排序
- 规约 Combiner (可选) 对分组过的数据初步规约, 降低数据的网络拷贝
- 分组 parse 对数据进行分组, 相同 Key 的 Value 放入一个集合中
Reduce 阶段 2 个步骤
- 对多个 Map 任务的结果进行排序以及合并, 编写 Reduce 函数实现自己的逻辑, 对输入的 Key-Value 进行处理, 转为新的 Key-Value（K3和V3）输出
- 设置 OutputFormat 处理并保存 Reduce 输出的 Key-Value 数据
3. WordCount 实例
step 1:Mapper类
/**
* @Author hwj
* @Date 2020/8/7 12:54
* @Desc: 将 k1 v1 转换为 k2 v2
**/
/*
k1 行偏移量 LongWritable
v1 行文本 Text
k2 单词文本 Text
v2 个数 LongWritable
*/
/*
步骤：重写提供的map方法
1. 拆开文本数据
2. 获取 k2,v2
3. 将 k2,v2 写入上下文中
*/
public class WordCountMapper extends Mapper<LongWritable, Text,Text,LongWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
Text text = new Text();
LongWritable longWritable = new LongWritable();
// 拿到一行数据转换为 String
// 将这一行切分成各个单词
// 遍历数组，输出 k2,v2，写入到上下文中
String line = value.toString();
String[] words = line.split(" ");
for(String word: words){
text.set(word);
longWritable.set(1);
context.write(text,longWritable);
}
}
}
step2 reducer 类
/**
* @Author hwj
* @Date 2020/8/7 16:11
* @Desc: 将 k2 v2 转化为 k3,v3
**/
/*
k2 单词文本 Text
v2 <迭代器> 个数 LongWritable <1,1,1,1>
k3 单词文本 Text
v3 每个单词累积个数 LongWritable 4
*/
public class WordCountReducer extends Reducer<Text, LongWritable,Text,LongWritable> {
/*
步骤：重写提供的 reduce 方法
1. 拆开文本数据
2. 获取 k2,v2
3. 将 k2,v2 写入上下文中
*/
@Override
protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException {
long count=0;
for(LongWritable value:values){
count=count+value.get();
}
context.write(key,new LongWritable(count));
}
}
step 3 主函数 Main
/**
* @Author hwj
* @Date 2020/8/7 16:26
* @Desc: 将业务逻辑相关的信息：哪个是 Mapper,哪个是 reducer,要处理的数据在哪，输出的数据放哪) 描述成一个 job对象
*
**/
public class WordCountMain {
// 将这个描述好的对象提交给集群去运行
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// Configuration 封装了对应客户端或服务器的配置
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);
job.setJarByClass(WordCountMain.class);
// 指定Map阶段的处理方式
job.setMapperClass(WordCountMapper.class);
// 指定 reduce 阶段的处理方式
job.setReducerClass(WordCountReducer.class);
// 指定 Map 阶段键值对输出的数据类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(LongWritable.class);
// 指定 reduce 阶段输出到文件的键值对类型
// FileInputFormat.setInputPaths(job,new Path("file:///G:\input"));
FileInputFormat.setInputPaths(job,"hdfs://node01:8020/wordcount");
FileOutputFormat.setOutputPath(job,new Path("hdfs://node01:8020/wordcount/output"));
// 向 yarn 集群提交这个 job
boolean res=job.waitForCompletion(true);
System.exit(res?0:1);
}
}
- 若是输入输出路径均在本地，则直接运行程序。
- 这里建议现在本地运行，查看代码是否有错。
- 输出路径一定要不存在，已存在会报错
- 下面是当输入输出路径在hdfs文件系统中的后续步骤
step4 打包 jar，并上传
- 在 maven 区
clean-->package - 上传到node01节点的相应路径下
step5 执行程序，获得统计词频的输出
在jar包存放目录下执行
hadoop jar mapreduce_wordcount-1.0-SNAPSHOT.jar pers.hwj.WordCountMain
其中，pers.hwj.WordCountMain，是主函数的路径（主函数右键 Copy Reference）
问题及回答
mapreduce 需要注意什么
- 文件输入，若文件都是小文件，可以先做小文件的合并
- 若设置分区，则主函数里面要配置 reducetask 的个数
- 注意输入输出的k,v相应的数据类型要考虑清楚
源码 : https://github.com/aliyundata/HadoopProject/tree/master/mapreduce_wordcount