Hadoop化繁为简(三)—探索Mapreduce简要原理与实践

目录-探索mapreduce

　　一、Mapreduce的模型简介与特性？Yarn的做用？

　　二、mapreduce的工做原理是怎样的？

　　三、配置Yarn与Mapreduce、演示Mapreduce例子程序

　　四、javaApi开发Mapreduce程序

发散思考-入门mapreduce

　　思考题：假设有一个长度为1000万的int数组，求数组数据长度。

　　答：若是是应试考试，你说以为太简单了吧，一个for循环就搞定。但是，它是一个面试，你如何经过解决这一个问题就脱颖而出呢？凡是，大数据量计算必定要向多线程方向去靠。

　　

　　思考题：设计一个解决方案，把分布在四台机器上的数据报表统计出来。

　　

　　数据向计算靠近：把数据网络传输所有汇总在一块儿，而后用应用程序计算。

　　计算向数据靠近：把应用程序放在存储数据的机器节点上，而后把用网络传输计算结果汇总。

mapreduce简介　

　　mapreduce就是将存储在分布式文件系统hdfs的一个大规模数据集，会被切分许多个独立的小数据块，这些小数据块能够被多个Map任务并行处理。

　　mapreduce特性：分布式存储、工做调度、负载均衡、容错处理、网络通讯。

　　mapreduce设计理念：计算向数据靠拢、“分而治之”。

　　Yarn被称为调度引擎，那怎么个调度法？

　　答：假设你已经了解Hdfs文件系统，当客户端提交一个计算任务给hadoop集群，Master(NameNode)会先拆分计算任务，那么怎么把任务分配给空闲机器呢？那怎么识别空闲机器呢？这些任务就交给Yarn这个调度引擎处理。

　　

　　若是你对Hadoop的环境部署、分布式文件系统还为入门，可参照下述文章：

　　Hadoop化繁为简（一）-从安装Linux到搭建集群环境
　　Hadoop化繁为简（二）—层层递进轻松入门hdfs

mapreduce工做流程

　　举例：计算文件中单词出现的次数，咱们能够用抽象的思惟假设它是一个超级超级大的文件。

　　注：个人机器的物理架构是一个Master、三个Slave，如上图所示。此处暂且不讨论Block与InputSplit的关系。

　　

1. Master负责协调调度做业，Slave负责执行Map、Reduce任务。
2. 在分布式文件系统下存在/input/words.txt大文件，Master将大文件按行分红5个分片，而且把任务分配给Slave分配给空闲机器。把任务分配给靠近数据节点(在文件系统中，文件可能只在Slave一、Slave2这两台机器上，因此把拆分任务尽可能分配给存储文件的机器上)。
3. 执行Map任务：把每一个分片上的任务，按行拆分单词，而且把单词做为key、出现次数做为value。而且把中件结果，也就是shuffle的<k,v>结果存储在本地缓冲区中，当缓存满了，清空缓存，把缓存数据写入到本地文件系统中，被称为“溢写”。当一个Map任务完成之后，它会立刻通知Master机器，须要Master安排机器来领取数据执行Reduce任务。
4. 在shuffle过程当中，可能有一个疑问，是怎样把相同key值的value放在一块去的呢？在数据结构中，有一个hash查找的概念，在这里就是采用hashMap函数。
5. 执行Reduce任务：在执行Reduce任务以前，会把分布在不一样机器上的同一个结果集经过shuffle过程归并在一块儿。例如，假设上面的input是一个超级大的文件，每一行被分布在不一样机器上，那么java这个key值可能在Slave一、Slave2当中都有，那么就须要先把Slave一、Slave2的java派发在同一台机器上执行Reduce任务。最后，Reduce任务就是把List<K,V>遍历，按照key把value相加。

　　建议：理论先知道轮廓，立刻进行实践，最少总结再研究细节。

配置yarn与执行mapreduce　　

注：假设已经参考上述文章，配置好hadoop环境、hdfs。

一、配置计算引擎mapreduce和调度引擎yarn。

二、Master(nameNode)的mapred-site.xml

<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>

三、Master(namenode)和Slave(datanode)的yarn-site.xml

<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>master</value>
</property>
 
<property>  
    <name>yarn.nodemanager.aux-services</name>  
    <value>mapreduce_shuffle</value>  
</property>  
 
<property>
    <name>yarn.nodemanager.auxservices.mapreduce.shuffle.class</name>
    <value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>

四、start-yarn.sh启动集群，若是没有配置环境变量，须要在/hadoop/sbin/目录下执行。

五、利用jps查看集群启动状况或者利用网页http://master:8088/观察。

六、查找mapreduce示例程序：/find /usr/local/hadoop -name *example*.jar 查找示例文件

七、执行 hadoop jar **.jar wordcount /input /output2

八、可利用网页(http://master:8088/cluster)查看job执行状况

利用JavaAPI执行mapreduce程序

一、添加jar-pom.xml包

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <artifactId>aaorn-mapreduce</artifactId>
    <packaging>jar</packaging>
　　　　 <!--hadoop公共部分 Begin-->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <!--hadoop公共部分 End-->

        <!--hadoop分布式文件系统 Begin-->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <!--hadoop分布式文件系统 End-->

        <!--hadoop mapreduce Begin-->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <!--hadoop mapreduce End-->
    </dependencies>
</project>

二、配置log4j.properties，放到src/main/resources目录下

log4j.rootCategory=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender   
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout   
log4j.appender.stdout.layout.ConversionPattern=[QC] %p [%t] %C.%M(%L) | %m%n

三、编Map程序

//Mapper的输入是key：行号（LongWritable） value：每一行的文本（Text） //Mapper的输出是key：单词（Text） value：出现的次数(LongWritable)
public class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //单词按空格分割
        String [] values=value.toString().split(" "); final LongWritable MAP_VALUE=new LongWritable(1); for(String s:values){ context.write(new Text(s),MAP_VALUE); } } }

四、编写Reduce程序

//Reducer的输入是key：单词（Text） value：单词出现的次数集合（Iterable<LongWritable>） //Reducer的输出是key：单词（Text） value：出现的总次数(LongWritable)
public class WordCountReducer extends Reducer<Text,LongWritable,Text,LongWritable>{ @Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { long count=0; for(LongWritable value:values){ count+=value.get(); } context.write(key,new LongWritable(count)); } }

五、测试程序

public class Test { public static void main(String [] args) throws Exception{ Configuration conf = new Configuration(); conf.set("fs.defaultFS", "hdfs://master:9000/"); //先写完程序再打jar包。
        conf.set("mapreduce.job.jar", "D:/intelij-workspace/aaron-bigdata/aaorn-mapreduce/target/aaorn-mapreduce-1.0-SNAPSHOT.jar".trim()); conf.set("mapreduce.framework.name", "yarn"); conf.set("yarn.resourcemanager.hostname", "master"); conf.set("mapreduce.app-submission.cross-platform", "true"); Job job = Job.getInstance(conf); job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); FileInputFormat.setInputPaths(job,"hdfs://master:9000/input/"); FileOutputFormat.setOutputPath(job,new Path("hdfs://master:9000/output/")); job.waitForCompletion(true); } }

五、测试结果

 

六、可能出现的问题

（1）namenode处于安全模式：http://www.cnblogs.com/qiuyong/p/6944375.html

（2）windows本地用户访问权限问题：配置执行时的虚拟机参数-DHADOOP_USER_NAME=root

 

（3）若是遇到其余问题，欢迎留言。若是哪里有写的不当或者不够完善的，欢迎提出建议，以便博主完善为网友提供更加优质的文章。

版权声明

　　做者：邱勇Aaron

　　出处：http://www.cnblogs.com/qiuyong/

　　您的支持是对博主深刻思考总结的最大鼓励。

　　本文版权归做者全部，欢迎转载，但未经做者赞成必须保留此段声明，且在文章页面明显位置给出原文链接，尊重做者的劳动成果。