zoukankan      html  css  js  c++  java
  • Hadoop--两个简单的MapReduce程序

    本文地址:http://blog.csdn.net/huhui_cs/article/details/9907951

    源代码下载:http://download.csdn.net/detail/huhui_bj/5909575

    这周在学习Hadoop编程,以前看过《Hadoop权威指南》这本书,但是看完了HDFS这一章之后,后面的内容就难以再看懂了,说实话,之前一直对MapReduce程序敬而远之,毫不理解这种类型的程序的执行过程。这一周花了些时间看了Hadoop的实战,现在能够看懂简单的MapReduce程序,也能自己动手写几个简单的例子程序。下面是两个简单的MapReduce程序,用到了一些简单的Hadoop知识点,总结如下文。

    例子一   求最大数

    问题描述是这样的,从一系列数中,求出最大的那一个。这个需求应该说是很简单的,如果不用MapReduce来实现,普通的Java程序要实现这个需求,应该说是轻而易举的,几行代码就能搞定。这里用这个例子是想说说Hadoop中的Combiner的用法。

    我们知道,Hadoop使用Mapper函数将数据处理成一个一个的<key, value>键值对,再在网络节点间对这些键值对进行整理(shuffle),然后使用Reducer函数处理这些键值对,并最终将结果输出。那么可以这样想,如果我们有1亿个数据(Hadoop就是为大数据而生),Mapper函数将会产生1亿个键值对在网络中进行传输,如果我们只是要求出这1亿个数当中的最大值,那么显然,Mapper只需要输出它所知道的最大值即可。这样一来可以减轻网络带宽的压力,二来,可以减轻Reducer的压力,提高程序的效率。

    如果Reducer只是运行简单的诸如求最大值、最小值、计数,那么我们可以使用Combiner,但是,如果是求一组数的平均值,千万别用Combiner,道理很简单,你自己分析看。Combiner可以看作是Reducer的帮手,或者看成是Mapper端的Reducer,它能减少Mapper函数的输出从而减少网络数据传输并能减少Reducer上的负载。下面是Combiner的例子程序。

    程序的输入是这样的:

    12
    5
    9
    21
    43
    99
    65
    32
    10

    MapReduce程序需要找到这一组数字中的最大值99,Mapper函数是这样的:

    public class MyMapper extends Mapper<Object, Text, Text, IntWritable>{
    	
    	@Override
    	protected void map(Object key, Text value,Context context)throws IOException, InterruptedException {
    		// TODO Auto-generated method stub
    		context.write(new Text(), new IntWritable(Integer.parseInt(value.toString())));
    	}
    	
    }

    Mapper函数非常简单,它是负责读取HDFS中的数据的,负责将这些数据组成<key, value>对,然后传输给Reducer函数。Reducer函数如下:

    public class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable>{
    
    	@Override
    	protected void reduce(Text key, Iterable<IntWritable> values,Context context)throws IOException, InterruptedException {
    		// TODO Auto-generated method stub
    		int temp = Integer.MIN_VALUE;
    		for(IntWritable value : values){
    			if(value.get() > temp){
    				temp = value.get();
    			}
    		}
    		context.write(new Text(), new IntWritable(temp));
    	}
    }

    Reducer函数也很简单,就是负责找到从Mapper端传来的数据中找到最大值。那么在Mapper函数与Reducer函数之间,有个Combiner,它的代码是这样的:

    public class MyCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {
    
    	@Override
    	protected void reduce(Text key, Iterable<IntWritable> values,Context context)throws IOException, InterruptedException {
    		// TODO Auto-generated method stub
    		int temp = Integer.MIN_VALUE;
    		for(IntWritable value : values){
    			if(value.get() > temp){
    				temp = value.get();
    			}
    		}
    		context.write(new Text(), new IntWritable(temp));
    	}
    }

    我们可以看到,combiner也是继承了Reducer类,其写法与写reduce函数一样,reduce和combiner对外的功能是一样的,只是使用时的位置和上下文(Context)不一样而已。定义好了自己的Combiner函数之后,需要在Job类中加入一行代码,告诉Job你使用要在Mapper端使用Combiner:

    job.setCombinerClass(MyCombiner.class);

    那么这个求最大数的例子的Job类是这样的:

    public class MyMaxNum {
    	
    	public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
    		Configuration conf = new Configuration();
    		Job job = new Job(conf,"My Max Num");
    		job.setJarByClass(MyMaxNum.class);
    		job.setMapperClass(MyMapper.class);
    		job.setReducerClass(MyReducer.class);
    		job.setOutputKeyClass(Text.class);
    		job.setOutputValueClass(IntWritable.class);
    		job.setCombinerClass(MyCombiner.class);
    		FileInputFormat.addInputPath(job, new Path("/huhui/nums.txt"));
    		FileOutputFormat.setOutputPath(job, new Path("/output"));
    		System.exit(job.waitForCompletion(true) ? 0:1);
    	}
    }

    当然你还可以对输出进行压缩。只要在函数中添加两行代码,就能对Reducer函数的输出结果进行压缩。当然这里没有必要对结果进行压缩,只是作为一个知识点而已。

    //对输出进行压缩
    conf.setBoolean("mapred.output.compress", true);
    conf.setClass("mapred.output.compression.codec", GzipCodec.class, CompressionCodec.class);

    例子二   自定义Key的类型

    这个例子主要讲述如果自定义<key, value>的key的类型,以及如果如何使用Hadoop中的比较器WritableComparator和输入格式KeyValueTextInputFormat。
    需求是这样的,给定下面一组输入:
    str1	2
    str2	5
    str3	9
    str1	1
    str2	3
    str3	12
    str1	8
    str2	7
    str3	18
    希望得到的输出如下:
    str1    1,2,8
    str2    3,5,7
    str3    9,12,19
    请注意,输入格式KeyValueTextInputFormat只能针对key和value中间使用制表符 隔开的数据,而逗号是不行的。
    对于这个需求,我们需要自定义一个key的数据类型。在Hadoop中,自定义的key值类型都要实现WritableComparable接口,然后重写这个接口的三个方法。这里我们定义IntPaire类,它实现了WritableComparable接口:
    public class IntPaire implements WritableComparable<IntPaire> {
    	
    	private String firstKey;
    	private int secondKey;
    
    	@Override
    	public void readFields(DataInput in) throws IOException {
    		// TODO Auto-generated method stub
    		firstKey = in.readUTF();
    		secondKey = in.readInt();
    	}
    
    	@Override
    	public void write(DataOutput out) throws IOException {
    		// TODO Auto-generated method stub
    		out.writeUTF(firstKey);
    		out.writeInt(secondKey);
    	}
    
    	@Override
    	public int compareTo(IntPaire o) {
    		// TODO Auto-generated method stub
    		return o.getFirstKey().compareTo(this.firstKey);
    	}
    
    	public String getFirstKey() {
    		return firstKey;
    	}
    
    	public void setFirstKey(String firstKey) {
    		this.firstKey = firstKey;
    	}
    
    	public int getSecondKey() {
    		return secondKey;
    	}
    
    	public void setSecondKey(int secondKey) {
    		this.secondKey = secondKey;
    	}
    }
    上面重写的readFields方法和write方法,都是这样写的,几乎成为模板。
    由于要将相同的key的键/值对送到同一个Reducer哪里,所以这里要用到Partitioner。在Hadoop中,将哪个key到分配到哪个Reducer的过程,是由Partitioner规定的,这是一个类,它只有一个抽象方法,继承这个类时要覆盖这个方法:
    getPartition(KEY key, VALUE value, int numPartitions)
    其中,第一个参数key和第二个参数value是Mapper端的输出<key, value>,第三个参数numPartitions表示的是当前Hadoop集群一共有多少个Reducer。输出则是分配的Reducer编号,就是指的是Mapper端输出的键对应到哪一个Reducer中去。我们一般实现Partitioner是哈希散列的方式,它以key的hash值对Reducer的数目取模,得到对应的Reducer编号。这样就能保证相同的key值,必定会分配到同一个reducer上。如果有N个Reducer,那么编号就是0,1,2,3......(N-1)。
    那么在本例子中,Partitioner是这样实现的:
    public class PartitionByText extends Partitioner<IntPaire, IntWritable> {
    
    	@Override
    	public int getPartition(IntPaire key, IntWritable value, int numPartitions) {//reduce的个数
    		// TODO Auto-generated method stub
    		return (key.getFirstKey().hashCode() & Integer.MAX_VALUE) % numPartitions;
    	}
    }
    本例还用到了Hadoop的比较器WritableComparator,它实现的是RawComparator接口。
    public class TextIntComparator extends WritableComparator {
    	
    	public TextIntComparator(){
    		super(IntPaire.class,true);
    	}
    
    	@Override
    	public int compare(WritableComparable a, WritableComparable b) {
    		// TODO Auto-generated method stub
    		IntPaire o1 = (IntPaire) a;
    		IntPaire o2 = (IntPaire) b;
    		if(!o1.getFirstKey().equals(o2.getFirstKey())){
    			return o1.getFirstKey().compareTo(o2.getFirstKey());
    		}else{
    			return o1.getSecondKey() - o2.getSecondKey();
    		}
    	}
    	
    }
    由于我们在key中加入的额外的字段,所以在group的时候需要手工设置,手工设置很简单,因为job提供了相应的方法,在这里,我们的group比较器是这样实现的:
    public class TextComparator extends WritableComparator {
    	
    	public TextComparator(){
    		super(IntPaire.class,true);
    	}
    
    	@Override
    	public int compare(WritableComparable a, WritableComparable b) {
    		// TODO Auto-generated method stub
    		IntPaire o1 = (IntPaire) a;
    		IntPaire o2 = (IntPaire) b;
    		return o1.getFirstKey().compareTo(o2.getFirstKey());
    	}
    	
    }
    下面将写出Mapper函数,它是以KeyValueTextInputFormat的输入形式读取HDFS中的数据,设置输入格式将在job中。
    public class SortMapper extends Mapper<Object, Text, IntPaire, IntWritable>{
    
    	public IntPaire intPaire = new IntPaire();
    	public IntWritable intWritable = new IntWritable(0);
    	
    	@Override
    	protected void map(Object key, Text value,Context context)throws IOException, InterruptedException {
    		// TODO Auto-generated method stub
    		int intValue = Integer.parseInt(value.toString());
    		intPaire.setFirstKey(key.toString());
    		intPaire.setSecondKey(intValue);
    		intWritable.set(intValue);
    		context.write(intPaire, intWritable);//key:str1  value:5
    	}
    }
    下面是Reducer函数,
    public class SortReducer extends Reducer<IntPaire, IntWritable, Text, Text> {
    
    	@Override
    	protected void reduce(IntPaire key, Iterable<IntWritable> values,Context context)throws IOException, InterruptedException {
    		// TODO Auto-generated method stub
    		StringBuffer combineValue = new StringBuffer();
    		Iterator<IntWritable> itr = values.iterator();
    		while(itr.hasNext()){
    			int value = itr.next().get();
    			combineValue.append(value + ",");
    		}
    		int length = combineValue.length();
    		String str = "";
    		if(combineValue.length() > 0){
    			str = combineValue.substring(0, length-1);//去除最后一个逗号
    		}
    		context.write(new Text(key.getFirstKey()), new Text(str));
    	}
    	
    }
    Job类是这样的:
    public class SortJob {
    	public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
    		Configuration conf = new Configuration();
    		Job job = new Job(conf, "Sortint");
    		job.setJarByClass(SortJob.class);
    		job.setMapperClass(SortMapper.class);
    		job.setReducerClass(SortReducer.class);
    		
    		//设置输入格式
    		job.setInputFormatClass(KeyValueTextInputFormat.class);
    		
    		//设置map的输出类型
    		job.setMapOutputKeyClass(IntPaire.class);
    		job.setMapOutputValueClass(IntWritable.class);
    		
    		//设置排序
    		job.setSortComparatorClass(TextIntComparator.class);
    		
    		//设置group
    		job.setGroupingComparatorClass(TextComparator.class);//以key进行grouping
    		
    		job.setPartitionerClass(PartitionByText.class);
    		job.setOutputKeyClass(Text.class);
    		job.setOutputValueClass(Text.class);
    		FileInputFormat.addInputPath(job, new Path("/huhui/input/words.txt"));
    		FileOutputFormat.setOutputPath(job, new Path("/output"));
    		System.exit(job.waitForCompletion(true)?0:1);
    	}
    }
    这样一来,程序就写完了,按照需求,完成了相应的功能。

    后记

    刚开始接触MapReduce程序可能会感到无从下手,这可能是因为你还没有理解MapReduce的机制和原理。自己动手写写简单的MapReduce函数会有助于理解,然后逐步的深入学习。

  • 相关阅读:
    144环形链表
    83. 删除排序链表中的重复元素
    21合并两个有序链表
    PyCharm2020激活破解教程
    Python正课目录
    2条pip命令解决Python项目依赖的导出和导出
    pip离线安装模块
    Python正课149 —— luffy项目 User表的配置
    Python正课148 —— luffy项目 数据库配置
    解决:django中LookupError No installed app with label 'admin'
  • 原文地址:https://www.cnblogs.com/bbsno1/p/3253654.html
Copyright © 2011-2022 走看看