大数据技术学习笔记（五）—— MapReduce（1）
温馨提示：这篇文章已超过398天没有更新，请注意相关的内容是否还可用！
目录
- 1 MapReduce 概述
- 1.1 MapReduce 定义
- 1.2 MapReduce 优缺点
- 1.3 MapReduce 核心思想
- 1.4 MapReduce 进程
- 1.5 Hadoop 序列化类型
- 1.6 MapReduce 编程规范
- 1.7 WordCount 案例实操
- 1.7.1 案例需求
- 1.7.2 环境准备
- 1.7.3 编写程序
- 1.7.4 测试
- 2 MapReduce 序列化
- 2.1 序列化概述
- 2.2 自定义bean对象实现序列化接口（Writable）
- 2.3 序列化案例实操
- 2.3.1 案例需求
- 2.3.2 编写程序
1 MapReduce 概述
1.1 MapReduce 定义
MapReduce 是一个 分布式运算程序 的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。
MapReduce 核心功能是将 用户编写的业务逻辑代码 和 自带默认组件 整合成一个完整的分布式运算程序，并行运行在一个Hadoop集群上。
1.2 MapReduce 优缺点
（1）优点
- MapReduce 易于编程
- 它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。
- 良好的扩展性
- 当你的计算资源不能得到满足的时候，你可以通过 简单的增加机器 来扩展它的计算能力。
- 高容错性
- MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如 其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。
- 适合 PB 级以上海量数据的离线处理
- 可以实现上千台服务器集群并发工作，提供数据处理能力。
（2）缺点
- 不擅长 实时计算
- MapReduce 无法像 MySQL一样，在毫秒或者秒级内返回结果。
- 不擅长 流式计算
- 流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。
- 不擅长 DAG（有向无环图）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。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。
1.3 MapReduce 核心思想
（1）分布式的运算程序往往需要分成至少2个阶段。
（2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。
（3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
（4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。
总结：分析WordCount数据流走向深入理解MapReduce核心思想。
注意：
- Map阶段对数据进行 切片（针对单个文件），每片128M，一个片就代表一个MapTask
- ReduceTask 的数量取决于有多少个分区
- 切片和分区的源码要掌握
1.4 MapReduce 进程
一个完整的MapReduce程序在分布式运行时有三类实例进程：
- MrAppMaster：负责整个程序的过程调度及状态协调。
- MapTask：负责Map阶段的整个数据处理流程。
- ReduceTask：负责Reduce阶段的整个数据处理流程。
1.5 Hadoop 序列化类型
采用反编译工具反编译源码，发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是 Hadoop 自身封装的序列化类型。
常用的序列化类型：
1.6 MapReduce 编程规范
用户编写的程序分成三个部分：Mapper、Reducer 和 Driver。
（1） Mapper阶段
- 用户自定义的 Mapper 要继承自己的父类
- Mapper的输入数据是KV对的形式（KV类型可自定义）
- Mapper中的业务逻辑写在 map 方法中
- Mapper的输出数据是KV对的形式（KV类型可自定义）
- map方法（MapTask进程）对每一个调用一次
（2）Reducer阶段
- 用户自定义的 Reducer 要继承自己的父类
- Reducer的输入数据类型对应Mapper的输出类型，也是KV
- Reducer中的业务逻辑写在 reduce 方法中
- reduce方法（ReduceTask进程）对每一组相同的 K 的 组调用一次
（3）Driver 阶段
相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce 程序相关运行参数的 job 对象。
1.7 WordCount 案例实操
1.7.1 案例需求
在给定的文本文件中 hello.txt 统计输出每一个单词出现的总次数
hello.txt 文本内容
hu hu hu ss ss cls cls jiao banzhang xue hadoop
期望输出数据
hu 3 banzhang 1 cls 2 hadoop 1 jiao 1 ss 2 xue 1
1.7.2 环境准备
（1）创建 maven 工程
（2）在 pom.xml 文件中添加如下依赖
junit junit 4.12 org.apache.logging.log4j log4j-slf4j-impl 2.12.0 org.apache.hadoop hadoop-client 3.1.3（3）在项目的 src/main/resources目录下，新建一个文件，命名为log4j2.xml，在文件中填入
1.7.3 编写程序
WordCountMapper.java
/** * 自定义的Mapper类需要继承Hadoop提供的Mapper，并且根据具体的业务指定输入数据和输出数据的数据类型 * 输入数据的类型 * KEYIN, 读取文件的偏移量 数字（LongWritable） * VALUEIN, 读取文件的一行数据 文本（Text） * 输出数据的类型 * KEYOUT, 输出数据 key 的形式 一个单词（Text） * VALUEOUT, 输出数据 value 的形式 给单词标记数字1（IntWritable） */ public class WordCountMapper extends Mapper { private Text outk = new Text(); private IntWritable outv = new IntWritable(1); /** * Map阶段的核心业务处理方法，每输入一行数据就会调用一次 map 方法 * @param context 上下文对象 */ @Override protected void map(LongWritable key, Text value, Mapper.Context context) throws IOException, InterruptedException { // 获取输入的当前行数据 String line = value.toString(); // 切割数据 String[] datas = line.split(" "); for (String data : datas) { // context.write(new Text(data),new IntWritable(1)); outk.set(data); context.write(outk, outv); } } }WordCountReducer.java
/** * 自定义的Reducer类需要继承Hadoop提供的Reducer，并且根据具体的业务指定输入数据和输出数据的数据类型 * 输入数据的类型 * KEYIN, Map端输出的key的数据类型（Text） * VALUEIN, Map端输出的value的数据类型（IntWritable） * 输出数据的类型 * KEYOUT, 输出数据 key 的形式 一个单词（Text） * VALUEOUT, 输出数据 value 的形式 单词出现的总次数（IntWritable） */ public class WordCountReducer extends Reducer { private Text outk = new Text(); private IntWritable outv = new IntWritable(); /** * Reduce阶段的核心业务处理方法，一组相同key的values会调用一次reduce方法 */ @Override protected void reduce(Text key, Iterable values, Reducer.Context context) throws IOException, InterruptedException { int total = 0; // 遍历values for (IntWritable value : values) { // 对value累加，输出结果 total += value.get(); } // 封装key和value outk.set(key); outv.set(total); context.write(outk, outv); } }WordCountDriver.java
/** * MR的驱动类，主要用于提交MR任务 */ public class WordCountDriver { public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { // 声明配置对象 Configuration conf = new Configuration(); // 声明Job对象 Job job = Job.getInstance(conf); // 指定当前Job的驱动类 job.setJarByClass(WordCountDriver.class); // 指定当前Job的Mapper job.setMapperClass(WordCountMapper.class); // 指定当前Job的Reducer job.setReducerClass(WordCountReducer.class); // 指定Map端输出数据的key的类型和输出数据value的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); // 指定最终（Reduce端）输出数据的key的类型和输出数据value的类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 指定输入数据的路径和输出数据的路径 FileInputFormat.setInputPaths(job,new Path("E:\\wcinput")); FileOutputFormat.setOutputPath(job,new Path("E:\\wcoutput")); // 输出文件夹会自己创建，不要自己提前创建，否则会报错 // 提交Job // 参数代表是否监控提交过程 job.waitForCompletion(true); } }注意：驱动类中这里选择的是第一个 ！！！
1.7.4 测试
本地测试的话，运行 WordCountDriver.java 即可。主要来讲讲在 Hadoop集群测试
（1）修改 WordCountDriver.java 代码
（2）将该 maven 模块打成 jar 包
不懂 Maven 的可以参考 Java Web 学习笔记（三） —— Maven 基础
（3）将打好的 jar 包上传到 /opt/module/hadoop-3.1.3/下
（4）开启 hadoop 集群，并将 wcinput/hello.txt上传到 HDFS
（5）执行程序
[huwei@hadoop101 hadoop-3.1.3]$ hadoop jar mapreduce-1.0-SNAPSHOT.jar com.huwei.mr.WordCountDriver /wcinput /wcoutput
com.huwei.mr.WordCountDriver 驱动类的全限类名，快速复制的方法如下
（6）查看结果
Web端查看YARN ：http://hadoop102:8088
Web端查看 HDFS：http://hadoop101:9870
2 MapReduce 序列化
2.1 序列化概述
序列化 就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输。
反序列化 就是将收到的字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。
为什么要序列化呢？
一般来说，“活”的对象只生存在内存里，关机断电就没有了，而且“活”的对象只能由本地的进程使用，不能被发送到网络上的另一台计算机，然而序列化可以存储“活”的对象，可以将“活”的对象发送到远程计算机。
为什么不用Java的序列化呢？
Java的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息、Header，继承体系等），不便于在网络中高效的传输。所以，Hadoop自己开发了一套序列化机制（Writable）。
Hadoop序列化的特点：
- 紧凑：高效使用存储空间
- 快速：读写数据的额外开销小
- 可扩展：随着通信协议的升级而可以升级
- 互操作：支持多语言的交互
2.2 自定义bean对象实现序列化接口（Writable）
在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在Hadoop框架内部传递一个bean对象，那么该对象就需要实现序列化接口。
具体实现bean对象序列化步骤如下：
（1）必须实现 Writable 接口
（2）反序列化时，需要反射调用空参构造函数，所以必须有空参构造
public FlowBean() { super(); }（3）重写序列化方法
@Override public void write(DataOutput out) throws IOException { out.writeLong(upFlow); out.writeLong(downFlow); out.writeLong(sumFlow); }（4）重写反序列化方法
@Override public void readFields(DataInput in) throws IOException { upFlow = in.readLong(); downFlow = in.readLong(); sumFlow = in.readLong(); }注意反序列化的顺序和序列化的顺序完全一致
（5）要想把结果显示在文件中，需要重写 toString()，可用\t分开，方便后续用。
（6）如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口，因为 MapReduce 框架中的 Shuffle 过程要求对 key 必须能排序。
@Override public int compareTo(FlowBean o) { // 倒序排列，从大到小 return this.sumFlow > o.getSumFlow() ? -1 : 1; }2.3 序列化案例实操
2.3.1 案例需求
统计 phone_data.txt 中每一个手机号耗费的总上行流量、总下行流量、总流量。
phone_data.txt
1 13736230513 192.196.100.1 www.bala.com 2481 24681 200 2 13846544121 192.196.100.2 264 0 200 3 13956435636 192.196.100.3 132 1512 200 4 13966251146 192.168.100.1 240 0 404 5 18271575951 192.168.100.2 www.bala.com 1527 2106 200 6 84188413 192.168.100.3 www.bala.com 4116 1432 200 7 13590439668 192.168.100.4 1116 954 200 8 15910133277 192.168.100.5 www.hao123.com 3156 2936 200 9 13729199489 192.168.100.6 240 0 200 10 13630577991 192.168.100.7 www.shouhu.com 6960 690 200 11 15043685818 192.168.100.8 www.baidu.com 3659 3538 200 12 15959002129 192.168.100.9 www.bala.com 1938 180 500 13 13560439638 192.168.100.10 918 4938 200 14 13470253144 192.168.100.11 180 180 200 15 13682846555 192.168.100.12 www.qq.com 1938 2910 200 16 13992314666 192.168.100.13 www.gaga.com 3008 3720 200 17 13509468723 192.168.100.14 www.qinghua.com 7335 110349 404 18 18390173782 192.168.100.15 www.sogou.com 9531 2412 200 19 13975057813 192.168.100.16 www.baidu.com 11058 48243 200 20 13768778790 192.168.100.17 120 120 200 21 13568436656 192.168.100.18 www.alibaba.com 2481 24681 200 22 13568436656 192.168.100.19 1116 954 200
输入数据格式：
7 13560436666 120.196.100.99 1116 954 200 id 手机号码 网络ip 上行流量 下行流量 网络状态码
期望输出数据格式：
13560436666 1116 954 2070 手机号码 上行流量 下行流量 总流量
2.3.2 编写程序
自定义 bean 对象 FlowBean.java
public class FlowBean implements Writable { private Integer upFlow; private Integer downFlow; private Integer sumFlow; // 默认有无参构造方法 public Integer getUpFlow() { return upFlow; } public void setUpFlow(Integer upFlow) { this.upFlow = upFlow; } public Integer getDownFlow() { return downFlow; } public void setDownFlow(Integer downFlow) { this.downFlow = downFlow; } public Integer getSumFlow() { return sumFlow; } public void setSumFlow(Integer sumFlow) { this.sumFlow = sumFlow; } @Override public String toString() { return "FlowBean{" + "upFlow=" + upFlow + ", downFlow=" + downFlow + ", sumFlow=" + sumFlow + '}'; } /** * 序列化方法 */ @Override public void write(DataOutput dataOutput) throws IOException { dataOutput.writeInt(upFlow); dataOutput.writeInt(downFlow); dataOutput.writeInt(sumFlow); } /** * 反序列化方法 * （顺序要和序列化方法一致） */ @Override public void readFields(DataInput dataInput) throws IOException { upFlow = dataInput.readInt(); downFlow = dataInput.readInt(); sumFlow = dataInput.readInt(); } // 计算上下行流量之和 public void setSumFlow() { this.sumFlow = this.upFlow + this.downFlow; } }FlowMapper.java
/** * 输入数据的类型 * KEYIN, 读取文件的偏移量 数字（LongWritable） * VALUEIN, 读取文件的一行数据 文本（Text） * 输出数据的类型 * KEYOUT, 输出数据 key 的形式 手机号码（Text） * VALUEOUT, 输出数据 value 的形式 FlowBean对象 */ public class FlowMapper extends Mapper { private Text outk = new Text(); private FlowBean outv = new FlowBean(); @Override protected void map(LongWritable key, Text value, Mapper.Context context) throws IOException, InterruptedException { // 获取输入的当前行数据 String line = value.toString(); // 切割数据 String[] datas = line.split("\t"); // 获取输出数据的key（手机号） outk.set(datas[1]); // 获取输出数据的value（FlowBean对象） outv.setUpFlow(Integer.parseInt(datas[datas.length-3])); outv.setDownFlow(Integer.parseInt(datas[datas.length-2])); outv.setSumFlow(); // 将数据输出 context.write(outk,outv); } }FlowReducer.java
public class FlowReducer extends Reducer { private Text outk = new Text(); private FlowBean outv = new FlowBean(); @Override protected void reduce(Text key, Iterable values, Reducer.Context context) throws IOException, InterruptedException { // 遍历当前一组相同的key的values int totalUpFlow = 0; int totalDownFlow = 0; // int totalSumFlow = 0; for (FlowBean value : values) { totalUpFlow += value.getUpFlow(); totalDownFlow += value.getDownFlow(); //totalSumFlow += value.getSumFlow(); } // 封装key和value outk.set(key); outv.setUpFlow(totalUpFlow); outv.setDownFlow(totalDownFlow); //outv.setSumFlow(totalSumFlow); outv.setSumFlow(); context.write(outk, outv); } }FlowDriver.java
public class FlowDriver { public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException { // 声明配置对象 Configuration conf = new Configuration(); // 声明Job对象 Job job = Job.getInstance(conf); // 指定当前Job的驱动类 job.setJarByClass(FlowDriver.class); // 指定当前Job的Mapper job.setMapperClass(FlowMapper.class); // 指定当前Job的Reducer job.setReducerClass(FlowReducer.class); // 指定Map端输出数据的key的类型和输出数据value的类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(FlowBean.class); // 指定最终（Reduce端）输出数据的key的类型和输出数据value的类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(FlowBean.class); FileInputFormat.setInputPaths(job, new Path("E:\\hadoop\\in\\phone_data.txt")); FileOutputFormat.setOutputPath(job, new Path("E:\\hadoop\\out\\phone_data_out")); // 提交Job job.waitForCompletion(true); } }
- 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。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。
- 不擅长 实时计算
- 可以实现上千台服务器集群并发工作，提供数据处理能力。
- MapReduce 易于编程
免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理! 部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理! 图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库和百度，360，搜狗等多加搜索引擎自动关键词搜索配图，如有侵权的图片，请第一时间联系我们，邮箱：ciyunidc@ciyunshuju.com。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!
