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

  1. 理解MapReduce核心思想
  2. 掌握MapReduce编程模型
  3. 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

  • pom.xml文件里添加hadoopjunit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

  • 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
  • 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keyvalue
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输入类型(InputKeyClass)
泛型参数2输入类型(InputValueClass)
泛型参数3输出类型(OutputKeyClass)
泛型参数4输出类型(OutputValueClass)

(7)创建词频统计驱动器类

  • net.hw.mr包里创建WordCountDriver
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FileInputFormatFileOutputFormat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

环境变量
HADOOP_HOMED:\\hadoop-3.3.4
HADOOP_USER_NAMEroot
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

  • net.hw.mr包里创建WordCountReducer
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
(3LongWritableTextString)IntWritableNullWritable都是Hadoop序列化类型
(4Mapper组件将每行的行首偏移量,作为输入key,通过map()传给程序员5Mapper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
(6Mapper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
(8map()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
(12Text=>String:  value.toString()13String=>Text:  new Text(string var)14LongWritable=>long:  key.get()15long=>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

  • net.hw.mr包里创建WordCount
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

大数据讲课笔记2.1 初探大数据

大数据讲课笔记5.4 MapReduce运行模式

大数据讲课笔记5.2 MapReduce工作原理

大数据讲课笔记5.3 MapReduce编程组件

大数据讲课笔记5.5 MapReduce经典案例——倒排索引

大数据讲课笔记5.6 MR案例—数据去重