大数据篇：MapReduce
MapReduce是什么?
MapReduce源自于Google发表于2004年12月的MapReduce论文，是面向大数据并行处理的计算模型、框架和平台，而Hadoop MapReduce是Google MapReduce克隆版。
如果没有MapReduce!
- 那么在分布式计算上面将很难办，不好编程。
- 在早期无法处理大数据的离线计算。
- 编程中不易扩展性
- 分布式计算任务一旦挂了，没有容错机制进行处理
说明：MapReduce不擅长的方面(慢!)
- 实时计算：像MySQL一样，在毫秒级或者秒级内返回结果。
- 流式计算：MapReduce的输入数据集是静态的，不能动态变化。
- DAG计算：多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出
现在MapReduce逐渐被Spark，Flink等框架取代。但是思想很重要，值得学习。
1 MapReduce编程模型
- 场景：有大量文件，里面存储了单词，且一个单词占一行
- 任务：如何统计每个单词出现的次数？
- 类似应用场景：
- 搜索引擎中，统计最流行的K个搜索词；
- 统计搜索词频率，帮助优化搜索词提示
- 三种问题
- Case 1：整个文件可以加载到内存中；sort datafile | uniq -c；
- Case 2：文件太大不能加载到内存中，但每一行<word, count>可以存放到内存中；
- Case 3：文件太大无法加载到内存中，且<word, count>也不用保存在内存中；
- 将三种问题范化为：有一批文件（规模为TB级或者 PB级），如何统计这些文件中所有单词出现的次数；
- 方案：首先，分别统计每个文件中单词出现次数，然后累加不同文件中同一个单词出现次数；
- 典型的MapReduce过程。
1.1 WordCount案例
1.1.1 WordCount流程图
input阶段，我们取出文件中的一些数据
splitting阶段，我们将取出的单词进行分片
Mapping阶段，将每个出现的单词进行1次统计，转换数据类型为（单词，1）
Shuffling阶段，进行hash分片，放入对应的桶，俗称洗牌，将同样的单词放入同一个桶。
Reducing阶段，进行数据整合，求出每个词的出现的次数
Final result阶段，最后获取到的结果
1.1.2 WordCount代码及本地运行
-
1 新建word.txt文件
-
Deer Bear River Car Car River Deer Car Bear -
2 导入maven依赖
-
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-common</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> -
3 map类
-
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; /** * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> 四个泛型意思： * Mapper<LongWritable, Text, Text, IntWritable> * KEYIN -> LongWritable:偏移量(存储该行在整个文件中的起始字节偏移量) * VALUEIN -> Text:进入数据类型 * KEYOUT -> Text:输出数据键类型 * VALUEOUT -> IntWritable:输出数据值类型 */ public class WcMapper extends Mapper<LongWritable, Text, Text, IntWritable> { private Text word = new Text(); private IntWritable one = new IntWritable(1); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //拿到一行数据,以空格切分 String[] words = value.toString().split(" "); //遍历单词数据，将数据变成（单词，1）的形式放入上下文中（框架） for (String word : words) { this.word.set(word); context.write(this.word, one); } } } -
4 reducer类
-
import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; /** * Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> 四个泛型意思： * Reducer<Text, IntWritable, Text, IntWritable> * KEYIN -> Text:输入数据键类型 * VALUEIN -> IntWritable:输入数据值类型 * KEYOUT -> Text:输出数据键类型 * VALUEOUT -> IntWritable:输出数据值类型 */ public class WcReducer extends Reducer<Text, IntWritable, Text, IntWritable> { private IntWritable total = new IntWritable(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { //累加相同单词的数量 int sum = 0; for (IntWritable value : values) { sum += value.get(); } //包装结果为（单词，总数）输出 total.set(sum); context.write(key, total); } } -
5 执行任务Driver类
-
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; public class WcDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { //获取Job实例 Job job = Job.getInstance(new Configuration()); //设置工作类 job.setJarByClass(WcDriver.class); //设置Mapper和Reducer类 job.setMapperClass(WcMapper.class); job.setReducerClass(WcReducer.class); //设置Mapper和Reducer输出的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); //设置输入输出数据 FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); //提交job boolean b = job.waitForCompletion(true); System.exit(b ? 0 : 1); } } -
6 设置文件输入输出参数，执行程序，得到结果
-
1.1.3 集群运行
- 打包上面写好的项目，上传集群，执行提交命令。
2 Hadoop序列化
为什么hadoop要自己实现基本的数据类型而不直接使用Java的类？如：IntWritable，LongWritable，Text。
因为Java的序列化是一个重量级框架（Serializable），一个对象被序列化后，会附带很多额外的信息（校验信息，继承体系，Header等），在网络中传输高效性有影响，所以hadoop自己实现了序列化机制（Writable）。
注：网络传输中的信息都需要序列化，因为hadoop自己实现了序列化机制（Writable），所以我们才可以进行简单的分布式计算代码开发。
2.1 手机流量统计(序列化案例)
-
1 新建flow.txt文件(行号 手机号 IP 网址 上行流量 下行流量 状态码)
-
1 13408542222 192.168.10.1 www.baidu.com 1000 2000 200 2 17358643333 192.168.10.1 www.baidu.com 2000 4000 200 3 13408542222 192.168.10.1 www.baidu.com 1000 2000 200 4 17358643333 192.168.10.1 www.baidu.com 2000 4000 200 5 13408542222 192.168.10.1 www.baidu.com 1000 2000 200 6 17358643333 192.168.10.1 www.baidu.com 2000 4000 200 -
2 导入maven依赖
-
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-common</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</artifactId> <version>3.0.0-cdh6.2.0</version> </dependency> -
3 实体类对象
-
import lombok.Getter; import lombok.NoArgsConstructor; import lombok.Setter; import lombok.ToString; import org.apache.hadoop.io.Writable; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; @Getter @Setter @NoArgsConstructor @ToString //注意toString方法和最后打印结果效果相关 public class Flow implements Writable { private long upFlow; private long downFlow; private long totalFlow; public void setFlow(long upFlow, long downFlow) { this.upFlow = upFlow; this.downFlow = downFlow; this.totalFlow = upFlow + downFlow; } //序列化方法 @Override public void write(DataOutput dataOutput) throws IOException { dataOutput.writeLong(upFlow); dataOutput.writeLong(downFlow); dataOutput.writeLong(totalFlow); } //反序列化方法 @Override public void readFields(DataInput dataInput) throws IOException { upFlow = dataInput.readLong(); downFlow = dataInput.readLong(); totalFlow = dataInput.readLong(); } } -
4 map类
-
import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class FlowMapper extends Mapper<LongWritable, Text, Text, Flow> { private Text phone = new Text(); private Flow flow = new Flow(); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String[] data = value.toString().split(" "); phone.set(data[1]); long upFlow = Long.parseLong(data[4]); long downFlow = Long.parseLong(data[5]); flow.setFlow(upFlow, downFlow); context.write(phone, flow); } } -
5 reducer类
-
import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class FlowReducer extends Reducer<Text, Flow, Text, Flow> { private Flow flow = new Flow(); @Override protected void reduce(Text key, Iterable<Flow> values, Context context) throws IOException, InterruptedException { long sumUpFlow = 0; long sumDownFlow = 0; for (Flow value : values) { sumUpFlow += value.getUpFlow(); sumDownFlow += value.getDownFlow(); } flow.setFlow(sumUpFlow, sumDownFlow); context.write(key, flow); } } -
6 执行任务Driver类
-
import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; 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; public class FlowDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { //获取Job实例 Job job = Job.getInstance(new Configuration()); //设置工作类 job.setJarByClass(FlowDriver.class); //设置Mapper和Reducer类 job.setMapperClass(FlowMapper.class); job.setReducerClass(FlowReducer.class); //设置Mapper和Reducer输入输出的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Flow.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Flow.class); //设置输入输出数据 FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); //提交job boolean b = job.waitForCompletion(true); System.exit(b ? 0 : 1); } } -
7 设置文件输入输出参数，执行程序，得到结果
-
3 MapReduce原理
3.1MapReduce的集群管理架构
1.客户端发送MR任务到RM上
2.RM分配资源，找到对应的NM，分配Container容器，启动对应的Application Master
3.Application Master向Applications Manager注册
4.Application Master向Resource Scheduler申请资源
5.找到对应的NM
6.分配Container容器，启动对应的的Map Task或者是Reduce Task任务
7.Map Task和Reduce Task对Application Master汇报心跳，任务进度
8.Application Master向Applications Manager汇报整体任务进度，如果执行完了Applications Manager会将Application Master移除注意：原则上MapReduce分为两个阶段：Map Task和Reduce Task，但是由于Shuffling阶段很重要，人为划分了Shuffling阶段，这个阶段发生在Map Task和Reduce Task之间，可以理解为由Map Task后半段和Reduce Task前半段组成。
3.2 MapReduce的数据流
3.3 MapTask
3.3.1 并行度决定机制
1G的数据，分成8份并行计算，那么每一份需要计算的数据为128M，感觉还不错。
1M的数据，分成8份并行计算，那么每一份需要计算的数据为128B，感觉资源浪费严重。
那么就需要有一个东西来决定怎么切分，它就是InputFormat，而切分大小一般由HDFS块大小决定。
- 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定。
- 每一个Split切片分配一个MapTask并行处理实例。
- 默认情况下，切片大小=BlockSize(128M)。
- 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片。
针对第四点说明：比如有3个文件，一个300M，第二个50M，第三个50M，那么一共就是切了5个MapTask出来。
针对每一个文件，第一个300M切了3个，第二个50M切了一个，第三个50M切了一个，共5个。
而如果只有一个文件为128M+1KB，那么就只会切分一个，因为切片判断规则为->如果文件小于切片大小1.1倍，就和上一个切片将就放在一起了，这样可以防止过小的切片在执行任务的时候，调度资源的时间超过执行时间的情况。
3.3.2 InputFormat
TextInputFormat:
- TextInputFormat是默认的FileInputFormat实现类，按行读取每条记录。
- 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型
-
值：为这行内容，不包括任何行止符(如回车，换行)
-
示例，一个分片中包含了如下记录：
-
#源文件 si chuan cheng du jiang su wu xi he bei bei jing -
#被TextInputFormat加载后会变成 (0，si chuan cheng du) (18，jiang su wu xi) (33，he bei bei jing)
-
KeyValueInputFormat:
- KeyValueInputFormat每一行均为一条记录，被分隔符号分割为key，value。
- 可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR," ");来设置分隔符。默认
-
示例，一个分片中包含了如下记录：
-
#源文件 line1 si chuan cheng du line2 jiang su wu xi line3 he bei bei jing -
#被KeyValueInputFormat加载后会变成 (line1，si chuan cheng du) (line2，jiang su wu xi) (line3，he bei bei jing)
-
NlineInputFormat:
- NlineInputFormat代表每个map进程处理的inputSplit不在按Block块去划分，而是按指定的行数N来划分。
- 输入文件的总行数/N=切片数，如果不整除，切片数=商+1
- 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型
-
值：为这行内容，不包括任何行止符(如回车，换行)
-
示例，一个分片中包含了如下记录：
-
#源文件 si chuan cheng du jiang su wu xi he bei bei jing hu bei wu han -
如果N是2，则每个输入分片包含2行，开启2个Map Task
-
#第一个map收到 (0，si chuan cheng du) (18，jiang su wu xi) #第二个map收到 (33，he bei bei jing) (49，hu bei wu han)
-
CombineTextInputFormat:
-
根据设置的阈值来决定切片数。
-
假设setMaxInputSplitSize值为5M，如下4个文件
-
a.txt 2.1M b.txt 5.8M c.txt 3.6M d.txt 7.8M #虚拟储存过程(因为如上4小个文件在hdfs上占用了4个块，所以要有一个虚拟划块的过程) 2.1M < 5M 划分一块，2.1M 5.8M > 5M 大于5M但是小于2*5M，划分2个同样大小的块，2.9M-2.9M 3.6M < 5M 划分一块，3.6M 12M > 5M 大于2*5M，先划分5M，剩下的 7M > 5M 但是 < 2*5M 划分2个同样大小的块，5M-3.5M-3.5M (得到结果) 2.1M 2.9M 2.9M 3.6M 4M 3.5M 3.5M #切片过程(补够5M划成一块) 第一块 2.1M + 2.9M = 5M 第二块 2.9M + 3.6M = 6.5M 第三块 4M + 3.5M = 7.5M 第四块 3.5M
SequenceFileInputFormat:
- SequenceFile其实就是上一个MR程序的输出
- 由于每一个MR都会落地磁盘，那么框架就提供了一种文件对接格式SequenceFile
- 使用SequenceFileInputFormat作为中间结果的链接
3.4 Shuffle
Partitioner分区
- Partitioner决定了Map Task输出的每条数据，交给哪个Reduce Task处理
- 默认实现：hash(key) mod ReduceTask数目
- 允许用户自定义
- 很多情况需自定义Partitioner
- 比如hash(hostname(URL)) mod ReduceTask数目，确保相同域名的网页交给同一个Reduce Task处理
3.5 Combiner合并
-
Combiner是MR程序中Mapper和Reducer之外的一种组件。
-
Combiner组件的父类是Reducer。
-
Combiner和Reducer的区别是运行位置不同。
- Combiner是在每一个MapTask所在的节点运行；
- Reducer是接受全局所有的Mapper的输出结果；
-
Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
-
Combiner能够应用的前提是不能影响最终的业务逻辑，且Combiner输出KV要和Reducer的输入KV对应。
-
Mapper Reducer 3 5 7 ->(3+5+7) / 3 = 5 (5+4) / 2 = 4.5 不等于 (3+5+7+2+6) / 5 = 4.6 2 6 ->(2+6) / 2 = 4
-
完