Hadoop学习总结之三：Map-Reduce入门详解大数据

每一行字符从0开始计数，第15个到第18个字符为年 第25个到第29个字符为温度，其中第25位是符号+/-

Map-Reduce主要包括两个步骤：Map和Reduce

每一步都有key-value对作为输入和输出：

map阶段的key-value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进程处理，其中key为此行的开头相对于文件的起始位置，value就是此行的字符文本 map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应

对于上面的例子，在map过程，输入的key-value对如下：

(0, 0067011990999991950051507+0000+)

(33, 0043011990999991950051512+0022+)

(66, 0043011990999991950051518-0011+)

(99, 0043012650999991949032412+0111+)

(132, 0043012650999991949032418+0078+)

(165, 0067011990999991937051507+0001+)

(198, 0043011990999991937051512-0002+)

(231, 0043011990999991945051518+0001+)

(264, 0043012650999991945032412+0002+)

(297, 0043012650999991945032418+0078+)

在reduce过程，将map过程中的输出，按照相同的key将value放到同一个列表中作为reduce的输入

其逻辑过程可用如下图表示：

2、编写Map-Reduce程序

编写Map-Reduce程序，一般需要实现两个函数：mapper中的map函数和reducer中的reduce函数。

一般遵循以下格式：

map: (K1, V1)  -   list(K2, V2)

public interface Mapper K1, V1, K2, V2 extends JobConfigurable, Closeable {

  void map(K1 key, V1 value, OutputCollector K2, V2 output, Reporter reporter)

  throws IOException;

}

public interface Reducer K2, V2, K3, V3 extends JobConfigurable, Closeable {

  void reduce(K2 key, Iterator V2 values,

  OutputCollector K3, V3 output, Reporter reporter)

  throws IOException;

}

public class MaxTemperatureMapper extends MapReduceBase implements Mapper LongWritable, Text, Text, IntWritable {

  @Override

  public void map(LongWritable key, Text value, OutputCollector Text, IntWritable output, Reporter reporter) throws IOException {

  String line = value.toString();

  String year = line.substring(15, 19);

  int airTemperature;

  if (line.charAt(25) == + ) {

  airTemperature = Integer.parseInt(line.substring(26, 30));

  } else {

  airTemperature = Integer.parseInt(line.substring(25, 30));

  }

  output.collect(new Text(year), new IntWritable(airTemperature));

  }

}

public class MaxTemperatureReducer extends MapReduceBase implements Reducer Text, IntWritable, Text, IntWritable {

  public void reduce(Text key, Iterator IntWritable values, OutputCollector Text, IntWritable output, Reporter reporter) throws IOException {

  int maxValue = Integer.MIN_VALUE;

  while (values.hasNext()) {

  maxValue = Math.max(maxValue, values.next().get());

  }

  output.collect(key, new IntWritable(maxValue));

  }

}

 

欲运行上面实现的Mapper和Reduce，则需要生成一个Map-Reduce得任务(Job)，其基本包括以下三部分：

输入的数据，也即需要处理的数据 Map-Reduce程序，也即上面实现的Mapper和Reducer 此任务的配置项JobConf

欲配置JobConf，需要大致了解Hadoop运行job的基本原理：

Hadoop将Job分成task进行处理，共两种task：map task和reduce task Hadoop有两类的节点控制job的运行：JobTracker和TaskTracker JobTracker协调整个job的运行，将task分配到不同的TaskTracker上 TaskTracker负责运行task，并将结果返回给JobTracker Hadoop将输入数据分成固定大小的块，我们称之input split Hadoop为每一个input split创建一个task，在此task中依次处理此split中的一个个记录(record) Hadoop会尽量让输入数据块所在的DataNode和task所执行的DataNode(每个DataNode上都有一个TaskTracker)为同一个，可以提高运行效率，所以input split的大小也一般是HDFS的block的大小。 Reduce task的输入一般为Map Task的输出，Reduce Task的输出为整个job的输出，保存在HDFS上。 在reduce中，相同key的所有的记录一定会到同一个TaskTracker上面运行，然而不同的key可以在不同的TaskTracker上面运行，我们称之为partition partition的规则为：(K2, V2) – Integer， 也即根据K2，生成一个partition的id，具有相同id的K2则进入同一个partition，被同一个TaskTracker上被同一个Reducer进行处理。

public interface Partitioner K2, V2 extends JobConfigurable {

  int getPartition(K2 key, V2 value, int numPartitions);

}

下图大概描述了Map-Reduce的Job运行的基本原理：

 

下面我们讨论JobConf，其有很多的项可以进行配置：

setInputFormat：设置map的输入格式，默认为TextInputFormat，key为LongWritable, value为Text setNumMapTasks：设置map任务的个数，此设置通常不起作用，map任务的个数取决于输入的数据所能分成的input split的个数 setMapperClass：设置Mapper，默认为IdentityMapper setMapRunnerClass：设置MapRunner, map task是由MapRunner运行的，默认为MapRunnable，其功能为读取input split的一个个record，依次调用Mapper的map函数 setMapOutputKeyClass和setMapOutputValueClass：设置Mapper的输出的key-value对的格式 setOutputKeyClass和setOutputValueClass：设置Reducer的输出的key-value对的格式 setPartitionerClass和setNumReduceTasks：设置Partitioner，默认为HashPartitioner，其根据key的hash值来决定进入哪个partition，每个partition被一个reduce task处理，所以partition的个数等于reduce task的个数 setReducerClass：设置Reducer，默认为IdentityReducer setOutputFormat：设置任务的输出格式，默认为TextOutputFormat FileInputFormat.addInputPath：设置输入文件的路径，可以使一个文件，一个路径，一个通配符。可以被调用多次添加多个路径 FileOutputFormat.setOutputPath：设置输出文件的路径，在job运行前此路径不应该存在

当然不用所有的都设置，由上面的例子，可以编写Map-Reduce程序如下：

public class MaxTemperature {

  public static void main(String[] args) throws IOException {

  if (args.length != 2) {

  System.err.println( Usage: MaxTemperature input path output path );

  System.exit(-1);

  }

  JobConf conf = new JobConf(MaxTemperature.class);

  conf.setJobName( Max temperature );

  FileInputFormat.addInputPath(conf, new Path(args[0]));

  FileOutputFormat.setOutputPath(conf, new Path(args[1]));

  conf.setMapperClass(MaxTemperatureMapper.class);

  conf.setReducerClass(MaxTemperatureReducer.class);

  conf.setOutputKeyClass(Text.class);

  conf.setOutputValueClass(IntWritable.class);

  JobClient.runJob(conf);

  }

}

客户端Client：用于提交Map-reduce任务job JobTracker：协调整个job的运行，其为一个Java进程，其main class为JobTracker TaskTracker：运行此job的task，处理input split，其为一个Java进程，其main class为TaskTracker HDFS：hadoop分布式文件系统，用于在各个进程间共享Job相关的文件

3.1、任务提交

JobClient.runJob()创建一个新的JobClient实例，调用其submitJob()函数。

向JobTracker请求一个新的job ID 检测此job的output配置 计算此job的input splits 将Job运行所需的资源拷贝到JobTracker的文件系统中的文件夹中，包括job jar文件，job.xml配置文件，input splits 通知JobTracker此Job已经可以运行了

提交任务后，runJob每隔一秒钟轮询一次job的进度，将进度返回到命令行，直到任务运行完毕。

 

3.2、任务初始化

 

当JobTracker收到submitJob调用的时候，将此任务放到一个队列中，job调度器将从队列中获取任务并初始化任务。

初始化首先创建一个对象来封装job运行的tasks, status以及progress。

在创建task之前，job调度器首先从共享文件系统中获得JobClient计算出的input splits。

其为每个input split创建一个map task。

每个task被分配一个ID。

 

3.3、任务分配

 

TaskTracker周期性的向JobTracker发送heartbeat。

在heartbeat中，TaskTracker告知JobTracker其已经准备运行一个新的task，JobTracker将分配给其一个task。

在JobTracker为TaskTracker选择一个task之前，JobTracker必须首先按照优先级选择一个Job，在最高优先级的Job中选择一个task。

TaskTracker有固定数量的位置来运行map task或者reduce task。

默认的调度器对待map task优先于reduce task

当选择reduce task的时候，JobTracker并不在多个task之间进行选择，而是直接取下一个，因为reduce task没有数据本地化的概念。

 

3.4、任务执行

 

TaskTracker被分配了一个task，下面便要运行此task。

首先，TaskTracker将此job的jar从共享文件系统中拷贝到TaskTracker的文件系统中。

TaskTracker从distributed cache中将job运行所需要的文件拷贝到本地磁盘。

其次，其为每个task创建一个本地的工作目录，将jar解压缩到文件目录中。

其三，其创建一个TaskRunner来运行task。

TaskRunner创建一个新的JVM来运行task。

被创建的child JVM和TaskTracker通信来报告运行进度。

  3.4.1、Map的过程

MapRunnable从input split中读取一个个的record，然后依次调用Mapper的map函数，将结果输出。

map的输出并不是直接写入硬盘，而是将其写入缓存memory buffer。

当buffer中数据的到达一定的大小，一个背景线程将数据开始写入硬盘。

在写入硬盘之前，内存中的数据通过partitioner分成多个partition。

在同一个partition中，背景线程会将数据按照key在内存中排序。

每次从内存向硬盘flush数据，都生成一个新的spill文件。

当此task结束之前，所有的spill文件被合并为一个整的被partition的而且排好序的文件。

reducer可以通过http协议请求map的输出文件，tracker.http.threads可以设置http服务线程数。

3.4.2、Reduce的过程

当map task结束后，其通知TaskTracker，TaskTracker通知JobTracker。

对于一个job，JobTracker知道TaskTracer和map输出的对应关系。

reducer中一个线程周期性的向JobTracker请求map输出的位置，直到其取得了所有的map输出。

reduce task需要其对应的partition的所有的map输出。

reduce task中的copy过程即当每个map task结束的时候就开始拷贝输出，因为不同的map task完成时间不同。

reduce task中有多个copy线程，可以并行拷贝map输出。

当很多map输出拷贝到reduce task后，一个背景线程将其合并为一个大的排好序的文件。

当所有的map输出都拷贝到reduce task后，进入sort过程，将所有的map输出合并为大的排好序的文件。

最后进入reduce过程，调用reducer的reduce函数，处理排好序的输出的每个key，最后的结果写入HDFS。

 

 

3.5、任务结束

 

当JobTracker获得最后一个task的运行成功的报告后，将job得状态改为成功。

当JobClient从JobTracker轮询的时候，发现此job已经成功结束，则向用户打印消息，从runJob函数中返回。

原创文章，作者：Maggie-Hunter，如若转载，请注明出处：https://blog.ytso.com/9043.html

分布式文件系统，分布式数据库区块链并行处理（MPP）数据库，数据挖掘开源大数据平台数据中台数据分析数据开发数据治理数据湖数据采集