Hadoop之mapreduce

为什么要用使用mapreduce

1、海量数据在单机上处理因为硬件资源限制，无法胜任 2、而一旦将单机版程序扩展到集群来分布式运行，将极大增加程序的复杂度和开发难度 3、引入mapreduce框架后，开发人员可以将绝大部分工作集中在业务逻辑的开发上，而将分布式计算中的复杂性交由框架来处理 4、一些复杂的逻辑使用hive实现起来很麻烦，即使用hive实现了，之后需求变更，改起来也会很麻烦

mapreduce的原理

1、maptask收集我们的map()方法输出的kv对，放到内存缓冲区中 2、从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件 3、多个溢出文件会被合并成大的溢出文件 4、在溢出过程中，及合并的过程中，都要调用partitoner进行分组和针对key进行排序 5、reducetask根据自己的分区号，去各个maptask机器上取相应的结果分区数据 6、reducetask会取到同一个分区的来自不同maptask的结果文件，reducetask会将这些文件再进行合并（归并排序） 7、合并成大文件后，shuffle的过程也就结束了，后面进入reducetask的逻辑运算过程（从文件中取出一个一个的键值对group，调用用户自定义的reduce()方法）

mapreduce的shuffle过程

• mapreduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle； • shuffle: 洗牌、发牌——（核心机制：数据分区，排序，缓存）； • 具体来说：就是将maptask输出的处理结果数据，分发给reducetask，并在分发的过程中，对数据按key进行了分区和排序；

maptask的数据切片

mapreduce代码实例–wordcount

package com.zjs.mapreduce; import org.apache.commons.io.filefilter.TrueFileFilter; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.FileSystem; import org.apache.hadoop.fs.Path; 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.input.TextInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; import org.apache.log4j.BasicConfigurator; import java.io.IOException; /** * Created by zhangjishuai on 2017/8/6. */ public class WordCount { public static class WordCountMap extends Mapper<LongWritable, Text, Text, IntWritable> { // @Override // protected void setup(Context context) throws IOException, InterruptedException { // super.setup(context); // } Text k = new Text(); IntWritable v = new IntWritable(); @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String line = value.toString(); String[] words = line.split(" "); for (String word : words) { k.set(word); v.set(1); context.write(k, v); } } // @Override // protected void cleanup(Context context) throws IOException, InterruptedException { // super.cleanup(context); // } } public static class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable> { // @Override // protected void setup(Context context) throws IOException, InterruptedException { // super.setup(context); // } IntWritable v = new IntWritable(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int count = 0; for (IntWritable v : values) { count += v.get(); } v.set(count); context.write(key, v); } // @Override // protected Object clone() throws CloneNotSupportedException { // return super.clone(); // } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf); BasicConfigurator.configure(); job.setJarByClass(WordCount.class); job.setMapperClass(WordCountMap.class); job.setReducerClass(WordCountReduce.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); FileInputFormat.setInputPaths(job, new Path("/Users/zhangjishuai/zjs/wordcount/input")); FileSystem fs = FileSystem.get(conf); Path path = new Path("/Users/zhangjishuai/zjs/wordcount/output"); if(fs.exists(path)){ fs.delete(path,true); } FileOutputFormat.setOutputPath(job, path); job.waitForCompletion(true); } }