大数据讲课笔记5.1 初探MapReduce
Posted howard2005
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了大数据讲课笔记5.1 初探MapReduce相关的知识,希望对你有一定的参考价值。
文章目录
- 零、学习目标
- 一、导入新课
- 二、新课讲解
- (一)MapReduce核心思想
- (二)MapReduce编程模型
- (三)MapReduce编程实例——词频统计
- 三、归纳总结
- 四、上机操作
零、学习目标
- 理解MapReduce核心思想
- 掌握MapReduce编程模型
- 理解MapReduce编程实例——词频统计
一、导入新课
- 带领学生回顾项目四HDFS相关的知识,由于MapReduce是Hadoop系统的另一个核心组件,它是一种可用于大数据并行处理的计算模型、框架和平台,主要解决海量数据的计算,是目前分布式计算模型中应用较为广泛的一种。因此,本次课将针对MapReduce分布式计算框架进行详细讲解。
二、新课讲解
(一)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。
阶段 | 功能 |
---|---|
Map阶段 | 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。 |
Reduce阶段 | 负责将任务合并,即把Map阶段的结果进行全局汇总。 |
-
MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制,但是只要能用Map和Reduce思想描述清楚要处理的问题,就能轻松地在Hadoop集群上实现分布式计算功能。
-
MapReduce设计的一个理念就是“计算向数据靠拢”,而不是“数据向计算靠拢”,因为,移动数据需要大量的网络传输开销。
(二)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。
- Map和Reduce函数
- 问题1:100副牌,没有大小王,差一张牌,请确定缺少哪张牌?
- 问题2:100GB网站访问日志文件,找出访问次数最多的IP地址
(三)MapReduce编程实例——词频统计
1、词频统计设计思路
(1)Map阶段
(2)Reduce阶段
2、词频统计实现步骤
(1)创建Maven项目
- 创建Maven项目 -
MRWordCount
- 单击【Finish】按钮
(2)创建待词频统计文件
- 在项目根目录创建文本文件 -
words.txt
(3)上传文件到HDFS指定目录
- 启动集群HDFS服务
- 在HDFS上创建
/wordcount
目录,并将words.txt
上传到该目录
(4)添加相关依赖
- 在
pom.xml
文件里添加hadoop
和junit
依赖
<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>
(5)创建日志属性文件
- 在
resources
目录里创建log4j.properties
文件
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
(6)创建词频统计映射器类
- 创建
net.hw.mr
包,在包里创建WordCountMapper
类
- 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.hw.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:华卫
* 日期:2022年10月09日
*/
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException
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
参数 | 说明 |
---|---|
泛型参数1 | 输入键类型(InputKeyClass) |
泛型参数2 | 输入值类型(InputValueClass) |
泛型参数3 | 输出键类型(OutputKeyClass) |
泛型参数4 | 输出值类型(OutputValueClass) |
(7)创建词频统计驱动器类
- 在
net.hw.mr
包里创建WordCountDriver
类
package net.hw.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:华卫
* 日期:2022年10月09日
*/
public class WordCountDriver
public static void main(String[] args) throws Exception
// 创建配置对象
Configuration conf = new Configuration();
// 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");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/result");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录
fs.delete(outputPath, true);
// 给作业添加输入目录
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录
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);
- 注意导包问题
- 不要导成
org.apache.hadoop.mapred
包下的FileInputFormat
与FileOutputFormat
咯~
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
(8)启动集群YARN服务
- 在主节点上执行命令:
start-yarn.sh
(9)启动词频统计驱动器类,看看结果
- 运行
WordCountDriver
类,报错找不到winutils.exe
文件
- 解决办法:下载对应版本的winutils.exe
和hadoop.dll
,放在hadoop安装目录的bin
子目录里 - https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/winutils.exe
- https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/hadoop.dll
- 配置环境变量
环境变量 | 值 |
---|---|
HADOOP_HOME | D:\\hadoop-3.3.4 |
HADOOP_USER_NAME | root |
Path | %HADOOP_HOME%\\bin; |
-
此时,运行程序,就没有问题了
-
说明:一个切片,对应一个map任务。
-
如果不想看到统计结果之前的大堆信息,可以修改
log4j.properties
文件,将INFO
改为ERROR
-
再运行程序,查看结果
-
行首数字,表示每行起始位置在整个文件的偏移量(offset)。
-
第一行:Hello World Bye World\\r\\n 18个字母,3个空格,2个转义字符,总共23个字符,因此,第二行起始位置在整个文件的偏移量就是23。
-
第二行:Hello Hadoop Bye Hadoop\\r\\n 20个字母,3个空格,2个转义字符,总共25个字符,因此,第三行起始位置在整个文件的偏移量就是23 + 25 = 48。
-
其实,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
。 -
利用HDFS集群WebUI界面查看结果文件
(10)修改词频统计映射器类
- 将每行按空格拆分成单词数组,输出
单词 1
的键值对
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组,生成输出键值对
for (int i = 0; i < words.length; i++)
context.write(new Text(words[i]), new IntWritable(1));
- 由于
WordCountMapper
的输出键值类型
发生变化,所以必须告诉WordCountDriver
。
(11)修改词频统计驱动器类
- 修改map任务输出键值类型
(12)启动词频统计驱动器类,查看结果
- 观察输出结果,map阶段会按键排序输出
- 对于这样一组键值对,我们需要
Reducer
组件来进行归并处理,结果如下所示
Bye 3
Hadoop 4
Hello 3
World 2
- 映射任务与归并任务示意图
(13)创建词频统计归并器类
一个类继承Reducer,变成一个Reducer组件类
Reducer组件会接收Mapper组件的输出结果
第一个泛型对应的是Mapper输出key类型,第二个泛型对应的是Mapper输出value类型
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
Reducer组件不能单独存在,但是Mapper组件可以单独存在
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
- 在
net.hw.mr
包里创建WordCountReducer
类
package net.hw.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:词频统计归并器类
* 作者:华卫
* 日期:2022年10月09日
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException
// 定义输出键出现次数
int count = 0;
// 遍历输出值迭代对象,统计其出现次数
for (IntWritable value : values)
count = count + value.get();
// 生成键值对输出
context.write(key, new IntWritable(count));
- 由于引入了词频统计归并器,必须在词频统计驱动器类里进行设置
(14)修改词频统计驱动器类
- 设置
WordCountReducer
,并且设置归并任务的输出键值类型
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
(15)启动词频统计驱动器类,查看结果
- 统计出每个单词出现的次数
知识点学习
(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)LongWritable,Text(String),IntWritable,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(在初学阶段,第一个和第二个类型写死)
(7)MR框架所处理的文件必须是在HDFS上的
(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
(12)Text=>String: value.toString()
(13)String=>Text: new Text(string var)
(14)LongWritable=>long: key.get()
(15)long=>LongWritable: new LongWritable(long var)
(16)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。
A. MR默认采用哈希分区HashPartitioner
- Mapper输出
key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
B. 修改词频统计驱动器类,设置分区数量
- 设置分区数量:
3
- 此时,运行程序,查看结果
- 可以看到,产生了三个结果文件
(17)将三个类合并成一个类完成词频统计
- 在
net.hw.mr
包里创建WordCount
类
package net.hw.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
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.IntWritable;
import org.apache.hadoop.io.LongWritable;
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;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
import java.net.URI;
/**
* 功能:词频统计
* 作者:华卫
* 日期:2022年10月09日
*/
public class WordCount extends Configured implements Tool
public static class Map extends Mapper<LongWritable, Text, Text, IntWritable>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException以上是关于大数据讲课笔记5.1 初探MapReduce的主要内容,如果未能解决你的问题,请参考以下文章