初探MapReduce

亦凉 2024-03-30 09:07 44阅读 0赞

> 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

#### 文章目录 ####

*  MapReduce核心思想
 *  MapReduce编程模型
 *  MapReduce编程实例——词频统计思路
 *   *  1、Map阶段（映射阶段）
     *  2、Reduce阶段（归并阶段）
 *  MapReduce编程实例——词频统计实现
 *   *  （1）在虚拟机上创建文本文件
     *  （2）上传文件到HDFS指定目录
 *  创建Maven项目
 *  添加相关依赖
 *  创建日志属性文件
 *  创建词频统计映射器类
 *  Java数据类型与Hadoop数据类型对应关系
 *  创建词频统计驱动器类
 *  运行词频统计驱动器类，查看结果
 *  修改词频统计映射器类
 *  修改词频统计驱动器类
 *  创建词频统计归并器类
 *  修改词频统计驱动器类
 *  运行词频统计驱动器类，查看结果
 *  修改词频统计归并器类
 *  修改词频统计驱动器类
 *  启动词频统计驱动器类，查看结果
 *  采用多个Reduce做合并
 *   *  （1）MR默认采用哈希分区HashPartitioner
     *  （2）修改词频统计驱动器类，设置分区数量

--------------------

## MapReduce核心思想 ##

> MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。

> MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。

<table> 
 <thead> 
  <tr> 
   <th>阶段</th> 
   <th>功能</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Map阶段</td> 
   <td>负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。</td> 
  </tr> 
  <tr> 
   <td>Reduce阶段</td> 
   <td>负责将任务合并，即把Map阶段的结果进行全局汇总。</td> 
  </tr> 
 </tbody> 
</table>

## MapReduce编程模型 ##

> MapReduce是一种编程模型，用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候，每个任务的执行过程都会被分为两个阶段，分别是Map和Reduce，其中Map阶段用于对原始数据进行处理，Reduce阶段用于对Map阶段的结果进行汇总，得到最终结果。

## MapReduce编程实例——词频统计思路 ##

### 1、Map阶段（映射阶段） ###

![在这里插入图片描述][ee7bb25133f84ba1b9acffda8c161a2d.png]

### 2、Reduce阶段（归并阶段） ###

![在这里插入图片描述][aa0138891ea74608b48b6b4723cd3977.png]

## MapReduce编程实例——词频统计实现 ##

*  启动hadoop服务  
    ![在这里插入图片描述][c05fa85a27274fe2acd2f8da6c64daf7.png]

### （1）在虚拟机上创建文本文件 ###

*  创建wordcount目录，在里面创建words.txt文件  
    ![在这里插入图片描述][6f321c1f41aa4f9680899efc1fa22b5d.png]

### （2）上传文件到HDFS指定目录 ###

*  创建/wordcount/input目录，执行命令：hdfs dfs -mkdir -p /wordcount/input  
    ![在这里插入图片描述][970c922bb0ce42a485b419bf4e51d06d.png]
 *  将文本文件words.txt，上传到HDFS的/wordcount/input目录  
    ![在这里插入图片描述][33d109ce6877469fb80adfb3a400ad79.png]  
    ![在这里插入图片描述][727d1d61a50c448d8debeb86f78bb3c7.png]

## 创建Maven项目 ##

![在这里插入图片描述][e1e17c46e13e44e4b7b8c583f5d0cfe7.png]

## 添加相关依赖 ##

![在这里插入图片描述][7fdd095a20424bb28d73c7971e5bfc95.png]

<dependencies>                                   
                                     
        <dependency>                                 
            <groupId>org.apache.hadoop</groupId>     
            <artifactId>hadoop-client</artifactId>   
            <version>3.3.4</version>                 
        </dependency>                                
                                        
        <dependency>                                 
            <groupId>junit</groupId>                 
            <artifactId>junit</artifactId>           
            <version>4.13.2</version>                
        </dependency>                                
    </dependencies>

## 创建日志属性文件 ##

*  在resources目录里创建log4j.properties文件  
    ![在这里插入图片描述][422c9ea5e0104bf2ae06fec4720dc4c9.png]  
    ![在这里插入图片描述][ca32f3b0d01546c2ba8a4342e79f51c9.png]

log4j.rootLogger=INFO, stdout, logfile
    log4j.appender.stdout=org.apache.log4j.ConsoleAppender
    log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
    log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
    log4j.appender.logfile=org.apache.log4j.FileAppender
    log4j.appender.logfile.File=target/wordcount.log
    log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
    log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

## 创建词频统计映射器类 ##

*  创建net.hw.mr包，在包里创建WordCountMapper类  
    ![在这里插入图片描述][019840fdf3eb4a319e32fd6ee1f2c554.png]
 *  为了更好理解Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value。

package net.at.mr;
    
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;
    
    import java.io.IOException;
    
    /**
     * 功能：词频统计映射器类
     * 作者：Argonaut
     * 日期：2022年12月07日
     */
    public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text> {
        
        @Override
        protected void map(LongWritable key, Text value, Context context)
                throws IOException, InterruptedException {
        
            // 直接将键值对数据传到下一个阶段
            context.write(key, value);
        }
    }

*  Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明  
    ![在这里插入图片描述][f45dfa04bdfd482db043eb32fc2c7c44.png]  
    `注意：MR应用，必须有映射器（Mapper），但是归并器（Reducer）可有可无`

## Java数据类型与Hadoop数据类型对应关系 ##

![在这里插入图片描述][bd398b8e952b4522878a01c6b919164b.png]

*  Hadoop类型数据调用get()方法就可以转换成Java类型数据
 *  Java类型数据通过new XXXWritable(x)方式转换成对应的Hadoop类型数据

## 创建词频统计驱动器类 ##

*  在net.hw.mr包里创建WordCountDriver类  
    ![在这里插入图片描述][141e2b70b28b46e4aa5ea4bb22f5231d.png]

package net.at.mr;
    
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.FSDataInputStream;
    import org.apache.hadoop.fs.FileStatus;
    import org.apache.hadoop.fs.FileSystem;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.IOUtils;
    import org.apache.hadoop.io.LongWritable;
    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.net.URI;
    
    /**
     * 功能：词频统计驱动器类
     * 作者：Argonaut
     * 日期：2022年12月07日
     */
    public class WordCountDriver {
        
        public static void main(String[] args) throws Exception {
        
            // 创建配置对象
            Configuration conf = new Configuration();
            // 设置数据节点主机名属性
            conf.set("dfs.client.use.datanode.hostname", "true");
    
            // 获取作业实例
            Job job = Job.getInstance(conf);
            // 设置作业启动类
            job.setJarByClass(WordCountDriver.class);
    
            // 设置Mapper类
            job.setMapperClass(WordCountMapper.class);
            // 设置map任务输出键类型
            job.setMapOutputKeyClass(LongWritable.class);
            // 设置map任务输出值类型
            job.setMapOutputValueClass(Text.class);
    
            // 定义uri字符串
            String uri = "hdfs://master:9000";
            // 创建输入目录
            Path inputPath = new Path(uri + "/wordcount/input");
            // 创建输出目录
            Path outputPath = new Path(uri + "/wordcount/output");
    
            // 获取文件系统
            FileSystem fs =  FileSystem.get(new URI(uri), conf);
            // 删除输出目录（第二个参数设置是否递归）
            fs.delete(outputPath, true);
    
            // 给作业添加输入目录（允许多个）
            FileInputFormat.addInputPath(job, inputPath);
            // 给作业设置输出目录（只能一个）
            FileOutputFormat.setOutputPath(job, outputPath);
    
            // 等待作业完成
            job.waitForCompletion(true);
    
            // 输出统计结果
            System.out.println("======统计结果======");
            FileStatus[] fileStatuses = fs.listStatus(outputPath);
            for (int i = 1; i < fileStatuses.length; i++) {
        
                // 输出结果文件路径
                System.out.println(fileStatuses[i].getPath());
                // 获取文件系统数据字节输入流
                FSDataInputStream in = fs.open(fileStatuses[i].getPath());
                // 将结果文件显示在控制台
                IOUtils.copyBytes(in, System.out, 4096, false);
            }
        }
    }

## 运行词频统计驱动器类，查看结果 ##

*  运行报错，提示：Did not find winutils.exe

![在这里插入图片描述][da45fe5ad6ad44c2af671f6818cf37cb.png]

## 修改词频统计映射器类 ##

> 行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。  
> 将每行按空格拆分成单词数组，输出<单词, 1>的键值对

![在这里插入图片描述][a3fdeb9fc0ff443ba0bf8bae50a75eac.png]

> 由于WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver。

## 修改词频统计驱动器类 ##

> 修改map任务输出键值类型

![在这里插入图片描述][68c2019ef9b245819cf9bb718a8518a0.png]  
![在这里插入图片描述][a0485e2b5eff4ea69dbfc28e1b92da3c.png]

## 创建词频统计归并器类 ##

> 1.一个类继承Reducer，变成一个Reducer组件类  
> 2. Reducer组件会接收Mapper组件的输出结果  
> 3.第一个泛型对应的是Mapper输出key类型  
> 4.第二个泛型对应的是Mapper输出value类型  
> 5.第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型  
> 6.Reducer组件不能单独存在，但是Mapper组件可以单独存在  
> 7.当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value  
> 8.在net.at.mr包里创建WordCountReducer  
> ![在这里插入图片描述][4582e6c739344643a11b88eb706b7f4b.png]

package net.at.mr;
    
    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    import java.io.IOException;
    import java.util.ArrayList;
    import java.util.List;
    
    /**
     * 功能：词频统计归并器
     * 作者：Argonaut
     * 日期：2022年12月13日
     */
    public class WordCountReducer extends Reducer<Text, IntWritable, Text, Text> {
        
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
        
            // 定义整数数组列表
            List<Integer> integers = new ArrayList<>();
            // 遍历输入值迭代器
            for (IntWritable value : values) {
        
                // 将每个值添加到数组列表
                integers.add(value.get()); // 利用get()方法将hadoop数据类型转换成java数据类型
            }
            // 输出新的键值对，注意要将java字符串转换成hadoop的text类型
            context.write(key, new Text(integers.toString()));
        }
    }

`创建了词频统计归并器之后，我们一定要告知词频统计驱动器类`

## 修改词频统计驱动器类 ##

> 设置词频统计的Reducer类及其输出键类型和输出值类型（Text，Text）  
> ![在这里插入图片描述][a47dce1049ce49f798e1aaff41a6a1b9.png]  
> ![在这里插入图片描述][1c13787e198c4855954f9b21f49f87f8.png]

## 运行词频统计驱动器类，查看结果 ##

> 运行WordCountDriver类，查看结果

![在这里插入图片描述][d5151cfe10b647cb877c8b9a813e15e3.png]

> 现在我们需要修改词频统计归并器，将每个键（单词）的值迭代器进行累加，得到每个单词出现的总次数。

## 修改词频统计归并器类 ##

> 修改词频统计归并器类  
> ![在这里插入图片描述][210eb1d52e784b0eb62f1714bd4c6247.png]

package net.at.mr;
    
    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;
    
    import java.io.IOException;
    
    /**
     * 功能：词频统计归并器
     * 作者：Argonaut
     * 日期：2022年12月14日
     */
    public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
        
            // 定义键出现次数
            int count = 0;
            // 遍历输入值迭代器
            for (IntWritable value : values) {
        
                count += value.get(); // 其实针对此案例，可用count++来处理
            }
            // 输出新的键值对，注意要将java的int类型转换成hadoop的IntWritable类型
            context.write(key, new IntWritable(count));
        }
    }

> 由于修改了词频统计归并器的输出值类型（由Text类型改成了IntWritable类型），必须在词频统计驱动器类里进行设置

## 修改词频统计驱动器类 ##

> 修改归并任务的输出值类型（IntWritable类型）  
> ![在这里插入图片描述][e27bcd4d636e4480ac0a4b0dd6e3e59f.png]

## 启动词频统计驱动器类，查看结果 ##

> 此时，可以看到每个单词出现的次数

![在这里插入图片描述][6a0d63a1abbb4dca8f01493a5989599e.png]

（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件
    （2）写一个类，继承Mapper，则变成了一个Mapper组件类
    （3）IntWritable, LongWritable，DoubleWritable, Text，NullWritable都是Hadoop序列化类型
    （4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员
    （5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value
    （6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value
    （7）MR框架所处理的文件可以是本地文件，也可以是HDFS文件
    （8）map()被调用几次，取决于文件的行数
    （9）通过context进行结果的输出，以输出key和输出value的形式来输出
    （10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定
    （11）输出结果文件的数据以及行数取决于context.write()方法
    （12）Text => String:  value.toString()
    （13）String => Text:  new Text(strVar)
    （14）LongWritable => long:  key.get()
    （15）long => LongWritable: new LongWritable(longVar)

## 采用多个Reduce做合并 ##

> 相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。

### （1）MR默认采用哈希分区HashPartitioner ###

`Mapper输出key.hashcode & Integer.MAX_ VALUE % Reduce任务数量`

### （2）修改词频统计驱动器类，设置分区数量 ###

[ee7bb25133f84ba1b9acffda8c161a2d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/f9dc29e9614840978b71c02852c85119.png
[aa0138891ea74608b48b6b4723cd3977.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/134fb4e8fa844f079005c3fb68d30793.png
[c05fa85a27274fe2acd2f8da6c64daf7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/ff1555f4ceff45f095a7e8eb7e1677ce.png
[6f321c1f41aa4f9680899efc1fa22b5d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/b6ce10fed5554285bc44f1ca34012a80.png
[970c922bb0ce42a485b419bf4e51d06d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/dd86694d123b4791b364aef5c3462bf7.png
[33d109ce6877469fb80adfb3a400ad79.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/f33855801ac54843b8e9e468ce5422e9.png
[727d1d61a50c448d8debeb86f78bb3c7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/a094c4d2982d459bae56d777029812e8.png
[e1e17c46e13e44e4b7b8c583f5d0cfe7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/14acd762a193490b8c3fecf67ef873b2.png
[7fdd095a20424bb28d73c7971e5bfc95.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/d3f24b754fad4942805618c933e6e448.png
[422c9ea5e0104bf2ae06fec4720dc4c9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/5ec6c4af11ac4ecf96ba368cc497cba3.png
[ca32f3b0d01546c2ba8a4342e79f51c9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/5284b218c3bf4cb69a8dd9d31b886f9f.png
[019840fdf3eb4a319e32fd6ee1f2c554.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/c64c4975414140febe5e9fda58a9d3e4.png
[f45dfa04bdfd482db043eb32fc2c7c44.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/ab517d4493a04d5fb2fbe005087550cb.png
[bd398b8e952b4522878a01c6b919164b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/98299dcef8c5444193985a3f29b30e30.png
[141e2b70b28b46e4aa5ea4bb22f5231d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/a23ffa53a009462bbde7c01f7f6bbe24.png
[da45fe5ad6ad44c2af671f6818cf37cb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/3c9500cfd60b451ba92101be9135992e.png
[a3fdeb9fc0ff443ba0bf8bae50a75eac.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/180b539f65ea4ae4bad38c3bf88c6b6d.png
[68c2019ef9b245819cf9bb718a8518a0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/9125fbb483f045e4b5dca69a4f9d05dc.png
[a0485e2b5eff4ea69dbfc28e1b92da3c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/0d2f3a492b5047edb391447d73fbe6bd.png
[4582e6c739344643a11b88eb706b7f4b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/3824c2c8fe134c69b69f02216f6fedec.png
[a47dce1049ce49f798e1aaff41a6a1b9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/eed0470fa7ba4c5e805469a6271adf1a.png
[1c13787e198c4855954f9b21f49f87f8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/a7d3e85175ff4f509d1230672a82d1cd.png
[d5151cfe10b647cb877c8b9a813e15e3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/7975a821854b4b869da1dfdb99c4c3d0.png
[210eb1d52e784b0eb62f1714bd4c6247.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/249395b83baf449a987bd96a98d6ee79.png
[e27bcd4d636e4480ac0a4b0dd6e3e59f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/da37a539e8ee4ddf9969349c630eab5f.png
[6a0d63a1abbb4dca8f01493a5989599e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/15b4c8e62d7c455291ebe7df1c3f6f53.png