一文学会MapReduce编程

Posted 2021-04-19 数舟

“ MapReduce编程模型，相对于初学者来说，会有一些门槛，没关系，这一篇让你学会使用MapReduce进行分布式处理。”

01

—

MapReduce编程模型

MapReduce 框架只对 <key, value> 形式的键值对进行处理。MapReduce会将任务的输入当成一组 <key, value> 键值对，最后也会生成一组 <key, value> 键值对作为结果。

常见的输入为文件，此时读取的行偏移量会作为Key，文件内容作为Value。

key 和 value 的类必须由框架来完成序列化，所以需要实现其中的可写接口（Writable）。如果需要进行数据排序，还必须实现 WritableComparable 接口。

MapReduce已经提供了基本数据类型的Writable实现类，自定义类需要自行实现接口。

常见的基本数据类型的Writable有IntWritable、LongWritable、Text等等。

MapReduce任务由Map和Reduce两个过程，所以需要分别进行编写。Map的实现需要继承Mapper类，实现map方法完成数据处理；Reduce则要继承Reduer类，实现reduce方法完成数据聚合。

/** KEYIN：输入kv数据对中key的数据类型* VALUEIN：输入kv数据对中value的数据类型* KEYOUT：输出kv数据对中key的数据类型* VALUEOUT：输出kv数据对中value的数据类型* 数据类型为Writable类型*/public static class MyMapper extends Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>{ // Context为MapReduce上下文，在Map中通常用于将数据处理结果输出 public void map(KEYIN key, VALUEIN value, Context context) throws IOException, InterruptedException {// Map功能的实现 } }
public static class MyReducer extends Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {// 这里reduce方法的输入的Value值是可迭代Iterable类型，因为Reduce阶段会将Key值相同的数据放置在一起 public void reduce(KEYIN key, Iterable<VALUEIN> values, Context context ) throws IOException, InterruptedException { // Reduce功能的实现 }}

除了MapReduce，为了提高Shuffle效率，减少Shuffle过程中传输的数据量，在Map端可以提前对数据进行聚合：将Key相同的数据进行处理合并，这个过程称为Combiner。

Combiner需要在Job中进行指定，一般指定为Reducer的实现类。

Map和Reduce的功能编写完成之后，在main函数中创建MapReduce的Job实例，填写MapReduce作业运行所必要的配置信息，并指定Map和Reduce的实现类，用于作业的创建。

public static void main(String[] args) throws Exception {// 配置类 Configuration conf = new Configuration(); // 创建MapReduce Job实例 Job job = Job.getInstance(conf, "Job Name"); // 为MapReduce作业设置必要的配置 // 设置main函数所在的入口类 job.setJarByClass(WordCount.class); // 设置Map和Reduce实现类，并指定Combiner job.setMapperClass(MyMapper.class); job.setCombinerClass(MyReducer.class); job.setReducerClass(IntSumReducer.class); // 设置结果数据的输出类 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 设置结果数据的输入和输出路径 FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 作业运行，并输出结束标志 System.exit(job.waitForCompletion(true) ? 0 : 1);}

除了基本的设置外，还可以指定Reduce的个数

job.setNumReduceTasks(int)

MapReduce提供的常见类，除Mapper、Reduer之外，还有Partitioner和Counter。

其中Partitioner可以自定义Map中间结果输出时对Key的Partition分区，其目的是为了优化并减少计算量；如果不做自定义实现，HashPartitioner 是 MapReduce 使用的默认分区程序。

Counter （计数器）是 MapReduce 应用程序报告统计数据的一种工具。在 Mapper 和 Reducer 的具体实现中，可以利用 Counter 来报告统计信息。

02

—

WordCount实现

接下来，实现最经典的入门案例，词频统计。编写MapReduce程序，统计单词出现的次数。

数据样例：

首先准备数据，并上传到HDFS中：

// 将Hadoop当前用户切换为hdfs，进行访问授权export HADOOP_USER_NAME=hdfs// 在HDFS中创建作业输入目录hadoop fs -mkdir -p /tmp/mr/data/wc_input// 在本地创建词频统计文件vim wordcount.txt// 文本内容如下hello hadoophello hdfshello yarnhello mapreduce// 将wordcount.txt上传到作业输入目录hadoop fs -put wordcount.txt /tmp/mr/data/wc_input

在linux本地创建WordCount.java文件，编辑MapReduce程序，完成词频统计功能：

import java.io.IOException;import java.util.StringTokenizer;
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.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WordCount {
/** 实现Mapper，文件的每一行数据会执行一次map运算逻辑* 因为输入是文件，会将处理数据的行数作为Key，这里应为LongWritable，设置为Object也可以；Value类型为Text：每一行的文件内容* Mapper处理逻辑是将文件中的每一行切分为单词后，将单词作为Key，而Value则设置为1，<Word,1>* 因此输出类型为Text，IntWritable*/public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{
// 事先定义好Value的值，它是IntWritable，值为1 private final static IntWritable one = new IntWritable(1); // 事先定义好Text对象word，用于存储提取出来的每个单词 private Text word = new Text();
 public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { // 将文件内容的每一行数据按照空格拆分为单词 StringTokenizer itr = new StringTokenizer(value.toString()); // 遍历单词，处理为<word,1>的Key-Value形式，并输出（这里会调用上下文输出到buffer缓冲区） while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } }}
/** 实现Reducer* 接收Mapper的输出，所以Key类型为Text，Value类型为IntWritable* Reducer的运算逻辑是Key相同的单词，对Value进行累加* 因此输出类型为Text，IntWritable，只不过IntWritable不再是1，而是最终累加结果*/public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { // 预先定义IntWritable对象result用于存储词频结果 private IntWritable result = new IntWritable();
 public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; // 遍历key相同单词的value值，进行累加 for (IntWritable val : values) { sum += val.get(); } result.set(sum); // 将结果输出 context.write(key, result); }}
// 实现Main方法public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1);}}

接下来将代码编译为jar包：

export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jarhadoop com.sun.tools.javac.Main WordCount.javajar cf wc.jar WordCount*.class

当然也可以使用IDE进行编译打包。

打包完成之后，便可以提交作业了，在main函数中，定义了两个参数：输入路径和输出路径，所以调用作业时需要指定参数。

hadoop jar wc.jar WordCount /tmp/mr/data/wc_input /tmp/mr/data/wc_output

运行结束后，查看运行结果是否正确：

hadoop fs -cat /tmp/mr/data/wc_output/part-r-*

看到这里，关于MapReduce编程，你懂了吗？记得关注，下期见！

扫描二维码

获取更多精彩

数舟,再会