每日博客

Mapreduce实例——最高温度排序

实验目的

1.了解Mapreduce排序的实验原理

2.熟练掌握Mapreduce排序的程序代码编写

3.培养编写MapReduce排序代码解决问题的能力

实验原理

Hadoop中Map、Reduce任务中Shuffle和排序的过程图如下：

 

流程分析：

1.Map端

（1）每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。

（2）在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，如果此时设置了Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。

（3）当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。合并的过程中会不断地进行排序和combia操作，目的有两个：①尽量减少每次写入磁盘的数据量。②尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。

（4）将分区中的数据拷贝给相对应的reduce任务。有人可能会问：分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就ok了哦。

到这里，map端就分析完了。那到底什么是Shuffle呢？Shuffle的中文意思是“洗牌”，如果我们这样看：一个map产生的数据，结果通过hash过程分区却分配给了不同的reduce任务，是不是一个对数据洗牌的过程呢？

2.Reduce端

（1）Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。

（2）随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作，现在终于明白了有些人为什么会说：排序是hadoop的灵魂。

（3）合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。

熟悉MapReduce的人都知道：排序是MapReduce的天然特性！在数据达到reducer之前，MapReduce框架已经对这些数据按键排序了。但是在使用之前，首先需要了解它的默认排序规则。它是按照key值进行排序的，如果key为封装的int为IntWritable类型，那么MapReduce按照数字大小对key排序，如果Key为封装String的Text类型，那么MapReduce将按照数据字典顺序对字符排序。

了解了这个细节，我们就知道应该使用封装int的Intwritable型数据结构了，也就是在map这里，将读入的数据中要排序的字段转化为Intwritable型，然后作为key值输出（不排序的字段作为value）。reduce阶段拿到<key，value-list>之后，将输入的key作为的输出key，并根据value-list中的元素的个数决定输出的次数。

实验环境

Linux Ubuntu 14.04

jdk-7u75-linux-x64

hadoop-2.6.0-cdh5.4.5

hadoop-2.6.0-eclipse-cdh5.4.5.jar

eclipse-java-juno-SR2-linux-gtk-x86_64

实验内容

经过清洗我们得到2017年7月的部分温度数据，数据存储到temperature_tb表中，包含（日期 ，温度）两个字段，内容以“\t”分割，样例数据内容如下：

view plain copy

1. date    temperature  

2. 2017-07-01  26  

3. 2017-07-02  25  

4. 2017-07-03  19  

5. 2017-07-04  18  

6. 2017-07-05  21  

7. 2017-07-06  24  

8. 2017-07-07  22  

9. 2017-07-08  25  

10. 2017-07-09  25  

11. 2017-07-10  26  

12. 2017-07-11  22  

13. 2017-07-12  28  

14. 2017-07-13  29  

15. 2017-07-14  26  

16. 2017-07-15  23  

17. 2017-07-16  28  

18. 2017-07-17  29  

19. 2017-07-18  27  

20. 2017-07-19  25  

21. 2017-07-20  26  

要求编写mapreduce程序来对温度由低到高进行排序，从而找出最高温度的日期。

实验结果数据如下：

view plain copy

1. temperature date  

1. 2.   

3. 18  2017-07-04  

4. 19  2017-07-03  

5. 21  2017-07-05  

6. 22  2017-07-07  

7. 22  2017-07-11  

8. 23  2017-07-15  

9. 24  2017-07-06  

10. 25  2017-07-09  

11. 25  2017-07-08  

12. 25  2017-07-19  

13. 25  2017-07-02  

14. 26  2017-07-20  

15. 26  2017-07-14  

16. 26  2017-07-10  

17. 26  2017-07-01  

18. 27  2017-07-18  

19. 28  2017-07-16  

20. 28  2017-07-12  

21. 29  2017-07-13  

22. 29  2017-07-17  

实验步骤

1.切换到/apps/hadoop/sbin目录下，启动hadoop。

view plain copy

1. cd /apps/hadoop/sbin  

1. 2.   

3. ./start-all.sh  

2.在Linux本地新建/data/mapreduce13目录。

view plain copy

1. mkdir -p /data/mapreduce13  

3.将命令行切换到/data/mapreduce13目录下，用wget命令从http://192.168.1.100:60000/allfiles/mapreduce13网址上下载数据文件data.txt。

view plain copy

1. cd /data/mapreduce13  

2. wget http://192.168.1.100:60000/allfiles/mapreduce13/data.txt  

然后在当前目录下用wget命令从http://192.168.1.100:60000/allfiles/mapreduce13/hadoop2lib.tar.gz网址上下载项目用到的依赖包。

view plain copy

1. wget http://192.168.1.100:60000/allfiles/mapreduce13/hadoop2lib.tar.gz  

将hadoop2lib.tar.gz解压到当前目录下。

view plain copy

1. tar zxvf hadoop2lib.tar.gz  

4.首先在hdfs上新建/mymapreduce13/in目录，然后将Linux本地/data/mapreduce13目录下的data.txt文件导入到hdfs的/mymapreduce13/in目录中。

view plain copy

1. hadoop fs -mkdir -p /mymapreduce13/in  

2. hadoop fs -put /data/mapreduce13/data.txt /mymapreduce13/in  

5.新建Java Project项目，项目名为mapreduce13。

 

 

在mapreduce13项目下新建包，包名为mapreduce。

 

 

在mapreduce包下新建类，类名为Temperature。

 

 

6.添加项目所需依赖的jar包，右键单击项目新建一个文件夹，名为libs，用于存放项目所需的jar包。

 

 

将/data/mapreduce13目录下hadoop2lib文件夹中的所有jar包，拷贝到eclipse中mapreduce13项目的libs目录下。

 

选中libs目录下所有jar包，单击右键，选择Build Path→Add to Build Path。

 

7.编写Java代码

在MapReduce过程中默认就有对数据的排序。它是按照key值进行排序的，如果key为封装int的IntWritable类型，那么MapReduce会按照数字大小对key排序，如果Key为封装String的Text类型，那么MapReduce将按照数据字典顺序对字符排序。在本例中我们用到第一种，key设置为IntWritable类型，其中MapReduce程序主要分为Map部分和Reduce部分。

Map部分代码:

view plain copy

1. public static class Map extends Mapper<Object , Text , IntWritable,Text >{  

1. 2.     private static Text date=new Text();  
2. 3.     private static IntWritable temperature=new IntWritable();  
3. 4.     public void map(Object key,Text value,Context context) throws IOException, InterruptedException{  
4. 5.     String line=value.toString();  
5. 6.     String arr[]=line.split("\t");  
6. 7.     temperature.set(Integer.parseInt(arr[1]));  
7. 8.     date.set(arr[0]);  
8. 9.     context.write(temperature,date);  
9. 10.     }  
10. 11.     }  

在map端采用Hadoop默认的输入方式之后，将输入的value值用split()方法截取，把要排序的温度字段转化为IntWritable类型并设置为key，日期字段设置为value，然后直接输出<key,value>。map输出的<key,value>先要经过shuffle过程把相同key值的所有value聚集起来形成后交给reduce端。

Reduce部分代码：

view plain copy

1. public static class Reduce extends Reducer<IntWritable,Text,IntWritable,Text>{  

1. 2.         private static IntWritable result= new IntWritable();  
2. 3.                  //声明对象result  
3. 4.         public void reduce(IntWritable key,Iterable<Text> values,Context context) throws IOException, InterruptedException{  
4. 5.     for(Text val:values){  
5. 6.     context.write(key,val);  
6. 7.     }  
7. 8.     }  
8. 9.     }  

reduce端接收到<key,value-list>之后，将输入的key直接复制给输出的key,用for循环遍历value-list并将里面的元素设置为输出的value，然后将<key,value>逐一输出，根据value-list中元素的个数决定输出的次数。

完整代码：

view plain copy

1. package mapreduce;  

2. import java.io.IOException;  

3. import org.apache.hadoop.conf.Configuration;  

4. import org.apache.hadoop.fs.Path;  

5. import org.apache.hadoop.io.IntWritable;  

6. import org.apache.hadoop.io.Text;  

7. import org.apache.hadoop.mapreduce.Job;  

8. import org.apache.hadoop.mapreduce.Mapper;  

9. import org.apache.hadoop.mapreduce.Reducer;  

10. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  

11. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;  

12. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  

13. import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;  

1. 14.   

15. public class Temperature {  

1. 16.     public static class Map extends Mapper<Object , Text , IntWritable,Text >{  
2. 17.     private static Text goods=new Text();  
3. 18.     private static IntWritable num=new IntWritable();  
4. 19.     public void map(Object key,Text value,Context context) throws IOException, InterruptedException{  
5. 20.     String line=value.toString();  
6. 21.     String arr[]=line.split("\t");  
7. 22.     num.set(Integer.parseInt(arr[1]));  
8. 23.     goods.set(arr[0]);  
9. 24.     context.write(num,goods);  
10. 25.     }  
11. 26.     }  
12. 27.     public static class Reduce extends Reducer< IntWritable, Text, IntWritable, Text>{  
13. 28.     private static IntWritable result= new IntWritable();  
14. 29.     public void reduce(IntWritable key,Iterable<Text> values,Context context) throws IOException, InterruptedException{  
15. 30.         for(Text val:values){  
16. 31.         context.write(key,val);  
17. 32.         }  
18. 33.         }  
19. 34.         }  
20. 35.         public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException{  
21. 36.         Configuration conf=new Configuration();  
22. 37.         Job job =new Job(conf,"Temperature");  
23. 38.         job.setJarByClass(Temperature.class);  
24. 39.         job.setMapperClass(Map.class);  
25. 40.         job.setReducerClass(Reduce.class);  
26. 41.         job.setOutputKeyClass(IntWritable.class);  
27. 42.         job.setOutputValueClass(Text.class);  
28. 43.         job.setInputFormatClass(TextInputFormat.class);  
29. 44.         job.setOutputFormatClass(TextOutputFormat.class);  
30. 45.         Path in=new Path("hdfs://localhost:9000/mymapreduce13/in/data.txt");  
31. 46.         Path out=new Path("hdfs://localhost:9000/mymapreduce13/out");  
32. 47.         FileInputFormat.addInputPath(job,in);  
33. 48.         FileOutputFormat.setOutputPath(job,out);  
34. 49.         System.exit(job.waitForCompletion(true) ? 0 : 1);  
35. 50.   
36. 51.         }  
37. 52.         }  

8.在Temperature类文件中，右键并点击=>Run As=>Run on Hadoop选项，将MapReduce任务提交到Hadoop中。

 

9.待执行完毕后，进入命令模式下，在HDFS上/mymapreduce13/out中查看实验结果。

view plain copy

1. hadoop fs -ls /mymapreduce13/out  

2. hadoop fs -cat /mymapreduce13/out/part-r-00000  

 

通过分析可以看到2017-07-13和2017-07-17两天温度最高，为29度。