从 WordCount 到 MapReduce 计算模型

概述

虽然现在都在说大内存时代，不过内存的发展怎么也跟不上数据的步伐吧。所以，我们就要想办法减小数据量。这里说的减小可不是真的减小数据量，而是让数据分散开来。分开存储、分开计算。这就是 MapReduce 分布式的核心。

---

版权说明

著作权归作者所有。
商业转载请联系作者获得授权，非商业转载请注明出处。
本文作者：Q-WHai
发表日期： 2016年5月10日
本文链接：http://blog.csdn.net/lemon_tree12138/article/details/51367732
来源：CSDN
更多内容：分类 >> 大数据之 Hadoop

---

目录

• 概述
• 版权说明
• 目录
• MapReduce 简介
• MapReduce 原理
• WordCount 程序
  • 需求分析
  • 逻辑实现
    • Mapper
    • Reducer
    • Client
  • 本地运行
  • 分布式运行
    • 打包
    • 上传源数据
    • 分布式运行
    • 结果视窗
• Ref

---

MapReduce 简介

要了解 MapReduce，首先要了解 MapReduce 的载体是什么。在 Hadoop 中，用于执行 MapReduce 任务的机器有两个角色：一个是 JobTracker，另一个是 TaskTracker。JobTracker 是用于管理和调度工作的，TaskTracker 是用于执行工作的。一个 Hadoop 集群中只有一台 JobTracker（当然在 Hadoop 2.x 中，一个 Hadoop 集群中可能有多个 JobTracker）。

---

MapReduce 原理

MapReduce 模型的精髓在于它的算法思想——分治。对于分治的过程可以参见我之前的一篇博客《大数据算法：对5亿数据进行排序》。还有就是可以去学习一下排序算法中的归并排序，在这个排序算法中就是基于分治思想的。
回归正题，在 MapReduce 模型中，可以把分治的这一概念表现得淋漓尽致。在处理大量数据的时候（比如说 1 TB，你别说没有这么多的数据，大公司这点数据也不算啥的），如果只是单纯地依赖我们的硬件，就显得有些力不从心了。首先我们的内存没有那么大，如放在磁盘上处理，那么过多的 IO 操作无疑是一个死穴。聪明的 Google 工程师总是给我们这些渣渣带来惊喜，他们想把了把这些数据分散到许多机器上，在这些机器上完成一些初步的计算，再经过一系列的汇总，最后在我们的机器上（Master/Namenode）统计结果。
要知道我们不可能把我们的数据分散到随意的 N 台机器上。那么我们就必须让这些机器之间建立一种可靠的关联，这样的关联形成了一个计算机集群。这样我们的数据就可以分发到集群中的各个计算机上了。在 Hadoop 里这一操作可以通过 -put 这一指令实现，关于这一点在下面的操作过程中也有体现。
当数据被上传到 Hadoop 的 HDFS 文件系统上之后，就可以通过 MapReduce 模型中的 Mapper 先将数据读进内存，过程像下面这样：

经过 Mapper 的处理，数据会变成这样

好了，到了这里，Map 的过程就已经结束了。接下来就是 Reduce 的过程了。

可以看到这里有一个 conbin 的过程，这个过程，也可以没有的。而有的时候是一定不能有的，在后面我们可以会单独来说说这里的 conbin，不过不是本文的内容，就不详述了。
这样整个 MapReduce 过程就已经 over 了，下面看看具体的实现及测试结果吧。

---

WordCount 程序

关于 WordCount 的 MapReduce 计算模型可参见本人的在线绘图工具：https://www.processon.com/view/572bf161e4b0739b929916ea

需求分析

1. 现在有大量的文件
2. 每个文件又有大量的单词
3. 要求统计每个单词的词频

逻辑实现

Mapper

public static class CoreMapper extends Mapper<Object, Text, Text, IntWritable> {

        private static final IntWritable one = new IntWritable(1);
        private static Text label = new Text();

        @Override
        protected void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context)
                throws IOException, InterruptedException {
            StringTokenizer tokenizer = new StringTokenizer(value.toString());
            while(tokenizer.hasMoreTokens()) {
                label.set(tokenizer.nextToken());
                context.write(label, one);
            }
        }
    }

Reducer

public static class CoreReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

        private IntWritable count = new IntWritable();

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values,
                Reducer<Text, IntWritable, Text, IntWritable>.Context context)
                throws IOException, InterruptedException {
            if (null == values) {
                return;
            }

            int sum = 0;
            for (IntWritable intWritable : values) {
                sum += intWritable.get();
            }
            count.set(sum);

            context.write(key, count);
        }
    }

Client

public class ComputerClient extends Configuration implements Tool {

    public static void main(String[] args) {
        ComputerClient client = new ComputerClient();

        args = new String[] {
                AppConstant.INPUT,
                AppConstant.OUTPUT
        };

        try {
            ToolRunner.run(client, args);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    @Override
    public Configuration getConf() {
        return this;
    }

    @Override
    public void setConf(Configuration arg0) {
    }

    @Override
    public int run(String[] args) throws Exception {
        Job job = new Job(getConf(), "ComputerClient-job");
        job.setJarByClass(CoreComputer.class);

        job.setMapperClass(CoreComputer.CoreMapper.class);
        job.setCombinerClass(CoreComputer.CoreReducer.class);
        job.setReducerClass(CoreComputer.CoreReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        return job.waitForCompletion(true) ? 0 : 1;
    }
}

本地运行

关于本地运行没什么好说的，就是在 Eclipse 里配置好运行参数或是直接在代码里指定输入输出路径。然后 Run　As　一个　Hadoop　程序即可。

分布式运行

在分布式运行 MapReduce 的过程中，主要有以下几个步骤：
1. 打包
2. 上传源数据
3. 分布式运行

打包

在打包的过程中，可以使用命令行打包，也可以使用 Eclipse 自带的 Export。在 Eclipse 的打包导出过程中，与打包导出一个 Java 的 jar 过程是一样的。这里就不多说了。假设我们打成的 jar 包为： job.jar

上传源数据

上传源数据是指将本地的数据上传到 HDFS 文件系统上。
在上传源数据之前我们需要在 HDFS 上新建你需要上传的目标路径，然后使用下面的这条指令即可完成数据的上传。

$ hadoop fs -mkdir <hdfs_input_path>
$ hadoop fs -put <local_path> <hdfs_input_path>

如果这里之前你不进行创建目录，上传过程会因为找不到目录而出现异常情况。
数据上传完成后，这些数据会分布在你整个集群的 DataNode 上，而不只是在你的本地机器上了。

分布式运行

等上面的所有事情已经就绪，那么就可以使用下面的 hadoop 指令运行我们的 hadoop 程序。

$ hadoop jar job.jar <hdfs_input_path> <hdfs_output_path>

结果视窗

打开浏览器
这里是程序中执行的过程中，进度的变化情况

下面是程序执行完成时的网页截图

---

Ref

• 《Hadoop 实战》

---