日韩黑丝制服一区视频播放|日韩欧美人妻丝袜视频在线观看|九九影院一级蜜桃|亚洲中文在线导航|青草草视频在线观看|婷婷五月色伊人网站|日本一区二区在线|国产AV一二三四区毛片|正在播放久草视频|亚洲色图精品一区

分享

初學(xué)Hadoop之圖解MapReduce與WordCount示例分析

 大明明小珠珠 2016-02-16
  Hadoop的框架最核心的設(shè)計(jì)就是:HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲(chǔ),MapReduce則為海量的數(shù)據(jù)提供了計(jì)算。
  HDFS是Google File System(GFS)的開源實(shí)現(xiàn),MapReduce是Google MapReduce的開源實(shí)現(xiàn)。
  HDFS和MapReduce實(shí)現(xiàn)是完全分離的,并不是沒有HDFS就不能MapReduce運(yùn)算。
本文主要參考了以下三篇博客學(xué)習(xí)整理而成。

1、MapReduce整體流程

  最簡(jiǎn)單的MapReduce應(yīng)用程序至少包含 3 個(gè)部分:一個(gè) Map 函數(shù)、一個(gè) Reduce 函數(shù)和一個(gè) main 函數(shù)。在運(yùn)行一個(gè)mapreduce計(jì)算任務(wù)時(shí)候,任務(wù)過程被分為兩個(gè)階段:map階段和reduce階段,每個(gè)階段都是用鍵值對(duì)(key/value)作為輸入(input)和輸出(output)。main 函數(shù)將作業(yè)控制和文件輸入/輸出結(jié)合起來。
  
  • 并行讀取文本中的內(nèi)容,然后進(jìn)行MapReduce操作。
  
  • Map過程:并行讀取文本,對(duì)讀取的單詞進(jìn)行map操作,每個(gè)詞都以<key,value>形式生成。

我的理解:

  一個(gè)有三行文本的文件進(jìn)行MapReduce操作。

  讀取第一行Hello World Bye World ,分割單詞形成Map。

  <Hello,1> <World,1> <Bye,1> <World,1>

  讀取第二行Hello Hadoop Bye Hadoop ,分割單詞形成Map。

  <Hello,1> <Hadoop,1> <Bye,1> <Hadoop,1>

  讀取第三行Bye Hadoop Hello Hadoop,分割單詞形成Map。

  <Bye,1> <Hadoop,1> <Hello,1> <Hadoop,1>

  
  • Reduce操作是對(duì)map的結(jié)果進(jìn)行排序,合并,最后得出詞頻。

我的理解:

  經(jīng)過進(jìn)一步處理(combiner),將形成的Map根據(jù)相同的key組合成value數(shù)組。

  <Bye,1,1,1> <Hadoop,1,1,1,1> <Hello,1,1,1> <World,1,1>

  循環(huán)執(zhí)行Reduce(K,V[]),分別統(tǒng)計(jì)每個(gè)單詞出現(xiàn)的次數(shù)。

  <Bye,3> <Hadoop,4> <Hello,3> <World,2>

  

2、WordCount源碼

復(fù)制代碼
package org.apache.hadoop.examples;

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;
import org.apache.hadoop.util.GenericOptionsParser;
/**
 * 
 * 描述:WordCount explains by York
  * @author Hadoop Dev Group
 */
publicclass WordCount {
    /**
     * 建立Mapper類TokenizerMapper繼承自泛型類Mapper
     * Mapper類:實(shí)現(xiàn)了Map功能基類
     * Mapper接口:
     * WritableComparable接口:實(shí)現(xiàn)WritableComparable的類可以相互比較。所有被用作key的類應(yīng)該實(shí)現(xiàn)此接口。
     * Reporter 則可用于報(bào)告整個(gè)應(yīng)用的運(yùn)行進(jìn)度,本例中未使用。 
     * 
     */
  publicstaticclass TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{
        /**
         * IntWritable, Text 均是 Hadoop 中實(shí)現(xiàn)的用于封裝 Java 數(shù)據(jù)類型的類,這些類實(shí)現(xiàn)了WritableComparable接口,
         * 都能夠被串行化從而便于在分布式環(huán)境中進(jìn)行數(shù)據(jù)交換,你可以將它們分別視為int,String 的替代品。
     * 聲明one常量和word用于存放單詞的變量
         */
    privatefinalstatic IntWritable one =new IntWritable(1);
    private Text word =new Text();
    /**
         * Mapper中的map方法:
         * void map(K1 key, V1 value, Context context)
         * 映射一個(gè)單個(gè)的輸入k/v對(duì)到一個(gè)中間的k/v對(duì)
         * 輸出對(duì)不需要和輸入對(duì)是相同的類型,輸入對(duì)可以映射到0個(gè)或多個(gè)輸出對(duì)。
         * Context:收集Mapper輸出的<k,v>對(duì)。
         * Context的write(k, v)方法:增加一個(gè)(k,v)對(duì)到context
         * 程序員主要編寫Map和Reduce函數(shù).這個(gè)Map函數(shù)使用StringTokenizer函數(shù)對(duì)字符串進(jìn)行分隔,通過write方法把單詞存入word中
     * write方法存入(單詞,1)這樣的二元組到context中
     */  
    publicvoid map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr =new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }
  
  publicstaticclass IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result =new IntWritable();
    /**
         * Reducer類中的reduce方法:
      * void reduce(Text key, Iterable<IntWritable> values, Context context)
         * 中k/v來自于map函數(shù)中的context,可能經(jīng)過了進(jìn)一步處理(combiner),同樣通過context輸出           
         */
    publicvoid reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum =0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  publicstaticvoid main(String[] args) throws Exception {
        /**
         * Configuration:map/reduce的j配置類,向hadoop框架描述map-reduce執(zhí)行的工作
         */
    Configuration conf =new Configuration();
    String[] otherArgs =new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length !=2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job =new Job(conf, "word count");    //設(shè)置一個(gè)用戶定義的job名稱
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);    //為job設(shè)置Mapper類
    job.setCombinerClass(IntSumReducer.class);    //為job設(shè)置Combiner類
    job.setReducerClass(IntSumReducer.class);    //為job設(shè)置Reducer類
    job.setOutputKeyClass(Text.class);        //為job的輸出數(shù)據(jù)設(shè)置Key類
    job.setOutputValueClass(IntWritable.class);    //為job輸出設(shè)置value類
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //為job設(shè)置輸入路徑
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//為job設(shè)置輸出路徑
    System.exit(job.waitForCompletion(true) ?0 : 1);        //運(yùn)行job
  }
}
復(fù)制代碼

3、WordCount逐行解析

  • 對(duì)于map函數(shù)的方法。
public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

  這里有三個(gè)參數(shù),前面兩個(gè)Object key, Text value就是輸入的key和value,第三個(gè)參數(shù)Context context這是可以記錄輸入的key和value,例如:context.write(word, one);此外context還會(huì)記錄map運(yùn)算的狀態(tài)。

  • 對(duì)于reduce函數(shù)的方法。
public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {…}

  reduce函數(shù)的輸入也是一個(gè)key/value的形式,不過它的value是一個(gè)迭代器的形式Iterable<IntWritable> values,也就是說reduce的輸入是一個(gè)key對(duì)應(yīng)一組的值的value,reduce也有context和map的context作用一致。

  至于計(jì)算的邏輯則需要程序員編碼實(shí)現(xiàn)。

  • 對(duì)于main函數(shù)的調(diào)用。

  首先是:

Configuration conf = new Configuration();

  運(yùn)行MapReduce程序前都要初始化Configuration,該類主要是讀取MapReduce系統(tǒng)配置信息,這些信息包括hdfs還有MapReduce,也就是安裝hadoop時(shí)候的配置文件例如:core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息,有些童鞋不理解為啥要這么做,這個(gè)是沒有深入思考MapReduce計(jì)算框架造成,我們程序員開發(fā)MapReduce時(shí)候只是在填空,在map函數(shù)和reduce函數(shù)里編寫實(shí)際進(jìn)行的業(yè)務(wù)邏輯,其它的工作都是交給MapReduce框架自己操作的,但是至少我們要告訴它怎么操作啊,比如hdfs在哪里,MapReduce的jobstracker在哪里,而這些信息就在conf包下的配置文件里。

  接下來的代碼是:

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }

  If的語句好理解,就是運(yùn)行WordCount程序時(shí)候一定是兩個(gè)參數(shù),如果不是就會(huì)報(bào)錯(cuò)退出。至于第一句里的GenericOptionsParser類,它是用來解釋常用hadoop命令,并根據(jù)需要為Configuration對(duì)象設(shè)置相應(yīng)的值,其實(shí)平時(shí)開發(fā)里我們不太常用它,而是讓類實(shí)現(xiàn)Tool接口,然后再main函數(shù)里使用ToolRunner運(yùn)行程序,而ToolRunner內(nèi)部會(huì)調(diào)用GenericOptionsParser。

  接下來的代碼是:

    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);

  第一行就是在構(gòu)建一個(gè)job,在mapreduce框架里一個(gè)mapreduce任務(wù)也叫mapreduce作業(yè)也叫做一個(gè)mapreduce的job,而具體的map和reduce運(yùn)算就是task了,這里我們構(gòu)建一個(gè)job,構(gòu)建時(shí)候有兩個(gè)參數(shù),一個(gè)是conf這個(gè)就不累述了,一個(gè)是這個(gè)job的名稱。

  第二行就是裝載程序員編寫好的計(jì)算程序,例如我們的程序類名就是WordCount了。這里我要做下糾正,雖然我們編寫mapreduce程序只需要實(shí)現(xiàn)map函數(shù)和reduce函數(shù),但是實(shí)際開發(fā)我們要實(shí)現(xiàn)三個(gè)類,第三個(gè)類是為了配置mapreduce如何運(yùn)行map和reduce函數(shù),準(zhǔn)確的說就是構(gòu)建一個(gè)mapreduce能執(zhí)行的job了,例如WordCount類。

  第三行和第五行就是裝載map函數(shù)和reduce函數(shù)實(shí)現(xiàn)類了,這里多了個(gè)第四行,這個(gè)是裝載Combiner類,這個(gè)類和mapreduce運(yùn)行機(jī)制有關(guān),其實(shí)本例去掉第四行也沒有關(guān)系,但是使用了第四行理論上運(yùn)行效率會(huì)更好。

  接下來的代碼:

    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);

  這個(gè)是定義輸出的key/value的類型,也就是最終存儲(chǔ)在hdfs上結(jié)果文件的key/value的類型。

  最后的代碼是:

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);

  第一行就是構(gòu)建輸入的數(shù)據(jù)文件,第二行是構(gòu)建輸出的數(shù)據(jù)文件,最后一行如果job運(yùn)行成功了,我們的程序就會(huì)正常退出。

    本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間,所有內(nèi)容均由用戶發(fā)布,不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購(gòu)買等信息,謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容,請(qǐng)點(diǎn)擊一鍵舉報(bào)。
    轉(zhuǎn)藏 分享 獻(xiàn)花(0

    0條評(píng)論

    發(fā)表

    請(qǐng)遵守用戶 評(píng)論公約

    類似文章 更多