Hadoop之WordCount详解

时间 2019-11-19

原文原文链接

花了好长时间查找资料理解、学习、总结这应该是一篇比较全面的MapReduce之WordCount文章了耐心看下去java

1，建立本地文件

在hadoop-2.6.0文件夹下建立一个文件夹data，在其中建立一个text文件 node

mkdir data
cd data
vi hello

再在当前文件夹中建立一个apps文件夹，方便后续传jar包git

mkdir apps

将文本文件传到HDFS的根目录下程序员

bin/hdfs dfs -put data/hello /

2，程序打jar包并上传到apps目录

3，执行Hadoop命令

bin/hadoop jar apps/WordClass-***.jar /hello /out

4，查看输出结果

将HDFS根目录下的/out输出文件传到本地目录中查看，一般有两个文件：github

5，WordCount程序详解

这部分是最重要的，可是也是最容易让人犯晕的部分，涉及到许多mapreduce的原理，可是学习就是这样，你越难吃透的东西，一般越重要apache

先把程序贴上来：编程

package cn.hx.test;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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;

public class WordCountApp {
    //自定义的mapper，继承org.apache.hadoop.mapreduce.Mapper
    public static class MyMapper extends org.apache.hadoop.mapreduce.Mapper<LongWritable, Text, Text, LongWritable>{
        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                throws IOException, InterruptedException {
            String line = value.toString();
//split  函数是用于按指定字符（串）或正则去分割某个字符串，结果以字符串数组形式返回，这里按照"\t"来分割text文件中字符，即一个制表符，这就是为何我在文本中用了空格分割，致使最后的结果有很大的出入。
            String[] splited = line.split("\t");
  　　　　　　//foreach 就是 for（元素类型t 元素变量x:遍历对象obj）{引用x的java语句}
            for (String word : splited) {          
                context.write(new Text(word), new LongWritable(1));
            }
        }
    }
    
    public static class MyReducer extends org.apache.hadoop.mapreduce.Reducer<Text, LongWritable, Text, LongWritable>{
        @Override
        protected void reduce(Text k2, Iterable<LongWritable> v2s,
                Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
        
            long count = 0L;
            for (LongWritable v2 : v2s) {
                count += v2.get();
            }
            LongWritable v3 = new LongWritable(count);
            context.write(k2, v3);
        }
    }
    
    //客户端代码，写完交给ResourceManager框架去执行
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, WordCountApp.class.getSimpleName());
        //打成jar执行
        job.setJarByClass(WordCountApp.class);
        
        //数据在哪里？
        FileInputFormat.setInputPaths(job, args[0]);
        //使用哪一个mapper处理输入的数据？
        job.setMapperClass(MyMapper.class);
        //map输出的数据类型是什么？
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);
        
        //使用哪一个reducer处理输入的数据？
        job.setReducerClass(MyReducer.class);
        //reduce输出的数据类型是什么？
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);
        //数据输出到哪里？
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        
        //交给yarn去执行，直到执行结束才退出本程序
        job.waitForCompletion(true);
    }
}

POM文件：数组

<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>

    <groupId>cn.hx.test</groupId>
    <artifactId>WordClass</artifactId>
    <version>1.0-SNAPSHOT</version>
    <packaging>jar</packaging>

    <name>WordCount</name>
    <url>http://maven.apache.org</url>

    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
    </properties>

    <build>
        <pluginManagement>
            <plugins>
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-jar-plugin</artifactId>
                    <configuration>

                        <archive>
                            <manifest>
                                <mainClass>cn.hx.test.WordClass</mainClass>
                                <addClasspath>true</addClasspath>
                                <classpathPrefix>lib/</classpathPrefix>
                            </manifest>

                        </archive>
                        <classesDirectory>
                        </classesDirectory>
                    </configuration>
                </plugin>
            </plugins>
        </pluginManagement>
    </build>

    <dependencies>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>3.8.1</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.6.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.6.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>2.6.0</version>
        </dependency>
        <dependency>
            <groupId>log4j</groupId>
            <artifactId>log4j</artifactId>
            <version>1.2.17</version>
        </dependency>
    </dependencies>
</project>

如今来一部分一部分的理解程序：缓存

要写一个mapreduce程序，首先要实现一个map函数和reduce函数。咱们看看map的方法：app

protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)


**//** * KEYIN 即K1 表示每一行的起始位置（偏移量offset） * VALUEIN 即v1 表示每一行的文本内容 * KEYOUT 即k2 表示每一行中的每一个单词 * VALUEOUT 即v2 表示每一行中的每一个单词的出现次数，固定值1

这里有三个参数，前面两个LongWritable key, Text value就是输入的key和value，第三个参数Context context这是能够记录输入的key和value，例如：

context.write(new Text(word), new LongWritable(1));

此外context还会记录map运算的状态。

对于reduce函数的方法：

 protected void reduce(Text k2, Iterable<LongWritable> v2s,Reducer<Text, LongWritable, Text, LongWritable>.Context context)

/**
     * KEYIN    即k2     表示每一行中的每一个单词
     * VALUEIN  即v2     表示每一行中每一个单词出现次数，固定值1
     * KEYOUT   即k3     表示整个文件中的不一样单词
     * VALUEOUT 即v3     表示整个文件中的不一样单词的出现总次数
 **/

reduce函数的输入也是一个key/value的形式，不过它的value是一个迭代器的形式Iterable<IntWritable> values，也就是说reduce的输入是一个key对应一组的值的value，reduce也有context和map的context做用一致。

下面就是main函数的调用了:

 Configuration conf = new Configuration();

运行mapreduce程序前都要初始化Configuration，该类主要是读取mapreduce系统配置信息，这些信息包括hdfs还有mapreduce，也就是安装hadoop时候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，咱们开发mapreduce时候只是在填空，在map函数和reduce函数里编写实际进行的业务逻辑，其它的工做都是交给mapreduce框架本身操做的，可是至少咱们要告诉它怎么操做啊，好比hdfs在哪里啊，mapreduce的jobstracker在哪里啊，而这些信息就在conf包下的配置文件里。

接下来关于Job的使用代码的注释中写得很清楚了

6，MapReduce的运行机制

仔细研究图能够更加利于理解

首先讲讲物理实体，参入mapreduce做业执行涉及4个独立的实体：

客户端（client）：编写mapreduce程序，配置做业，提交做业，这就是程序员完成的工做；
JobTracker：初始化做业，分配做业，与TaskTracker通讯，协调整个做业的执行；
TaskTracker：保持与JobTracker的通讯，在分配的数据片断上执行Map或Reduce任务，TaskTracker和JobTracker的不一样有个很重要的方面，就是在执行任务时候TaskTracker能够有n多个，JobTracker则只会有一个（JobTracker只能有一个就和hdfs里namenode同样存在单点故障，我会在后面的mapreduce的相关问题里讲到这个问题的）
Hdfs：保存做业的数据、配置信息等等，最后的结果也是保存在hdfs上面

MapReduce的运行机制：

首先是客户端要编写好mapreduce程序，配置好mapreduce的做业也就是job，接下来就是提交job了，提交job是提交到JobTracker上的，这个时候JobTracker就会构建这个job，具体就是分配一个新的job任务的ID值，接下来它会作检查操做，这个检查就是肯定输出目录是否存在，若是存在那么job就不能正常运行下去，JobTracker会抛出错误给客户端，接下来还要检查输入目录是否存在，若是不存在一样抛出错误，若是存在JobTracker会根据输入计算输入分片（Input Split），若是分片计算不出来也会抛出错误，至于输入分片后面会作讲解的，这些都作好了JobTracker就会配置Job须要的资源了。分配好资源后，JobTracker就会初始化做业，初始化主要作的是将Job放入一个内部的队列，让配置好的做业调度器能调度到这个做业，做业调度器会初始化这个job，初始化就是建立一个正在运行的job对象（封装任务和记录信息），以便JobTracker跟踪job的状态和进程。

初始化完毕后，做业调度器会获取输入分片信息（input split），每一个分片建立一个map任务。接下来就是任务分配了，这个时候tasktracker会运行一个简单的循环机制按期发送心跳给jobtracker，心跳间隔是5秒，程序员能够配置这个时间，心跳就是jobtracker和tasktracker沟通的桥梁，经过心跳，jobtracker能够监控tasktracker是否存活，也能够获取tasktracker处理的状态和问题，同时tasktracker也能够经过心跳里的返回值获取jobtracker给它的操做指令。任务分配好后就是执行任务了。在任务执行时候jobtracker能够经过心跳机制监控tasktracker的状态和进度，同时也能计算出整个job的状态和进度，而tasktracker也能够本地监控本身的状态和进度。当jobtracker得到了最后一个完成指定任务的tasktracker操做成功的通知时候，jobtracker会把整个job状态置为成功，而后当客户端查询job运行状态时候（注意：这个是异步操做），客户端会查到job完成的通知的。若是job中途失败，mapreduce也会有相应机制处理，通常而言若是不是程序员程序自己有bug，mapreduce错误处理机制都能保证提交的job能正常完成。

下面我从逻辑实体的角度讲解mapreduce运行机制，这些按照时间顺序包括：输入分片（input split）、map阶段、combiner阶段、shuffle阶段和reduce阶段。

1. 输入分片（input split）：在进行map计算以前，mapreduce会根据输入文件计算输入分片（input split），每一个输入分片（input split）针对一个map任务，输入分片（input split）存储的并不是数据自己，而是一个分片长度和一个记录数据的位置的数组，输入分片（input split）每每和hdfs的block（块）关系很密切，假如咱们设定hdfs的块的大小是64mb，若是咱们输入有三个文件，大小分别是3mb、65mb和127mb，那么mapreduce会把3mb文件分为一个输入分片（input split），65mb则是两个输入分片（input split）而127mb也是两个输入分片（input split），换句话说咱们若是在map计算前作输入分片调整，例如合并小文件，那么就会有5个map任务将执行，并且每一个map执行的数据大小不均，这个也是mapreduce优化计算的一个关键点。

2. map阶段：就是程序员编写好的map函数了，所以map函数效率相对好控制，并且通常map操做都是本地化操做也就是在数据存储节点上进行；

3. combiner阶段：combiner阶段是程序员能够选择的，combiner其实也是一种reduce操做，所以咱们看见WordCount类里是用reduce进行加载的。Combiner是一个本地化的reduce操做，它是map运算的后续操做，主要是在map计算出中间文件前作一个简单的合并重复key值的操做，例如咱们对文件里的单词频率作统计，map计算时候若是碰到一个hadoop的单词就会记录为1，可是这篇文章里hadoop可能会出现n屡次，那么map输出文件冗余就会不少，所以在reduce计算前对相同的key作一个合并操做，那么文件会变小，这样就提升了宽带的传输效率，毕竟hadoop计算力宽带资源每每是计算的瓶颈也是最为宝贵的资源，可是combiner操做是有风险的，使用它的原则是combiner的输入不会影响到reduce计算的最终输入，例如：若是计算只是求总数，最大值，最小值可使用combiner，可是作平均值计算使用combiner的话，最终的reduce计算结果就会出错。

4. shuffle阶段：将map的输出做为reduce的输入的过程就是shuffle了，这个是mapreduce优化的重点地方。这里我不讲怎么优化shuffle阶段，讲讲shuffle阶段的原理，由于大部分的书籍里都没讲清楚shuffle阶段。Shuffle一开始就是map阶段作输出操做，通常mapreduce计算的都是海量数据，map输出时候不可能把全部文件都放到内存操做，所以map写入磁盘的过程十分的复杂，更况且map输出时候要对结果进行排序，内存开销是很大的，map在作输出时候会在内存里开启一个环形内存缓冲区，这个缓冲区专门用来输出的，默认大小是100mb，而且在配置文件里为这个缓冲区设定了一个阀值，默认是0.80（这个大小和阀值都是能够在配置文件里进行配置的），同时map还会为输出操做启动一个守护线程，若是缓冲区的内存达到了阀值的80%时候，这个守护线程就会把内容写到磁盘上，这个过程叫spill，另外的20%内存能够继续写入要写进磁盘的数据，写入磁盘和写入内存操做是互不干扰的，若是缓存区被撑满了，那么map就会阻塞写入内存的操做，让写入磁盘操做完成后再继续执行写入内存操做，前面我讲到写入磁盘前会有个排序操做，这个是在写入磁盘操做时候进行，不是在写入内存时候进行的，若是咱们定义了combiner函数，那么排序前还会执行combiner操做。

每次spill操做也就是写入磁盘操做时候就会写一个溢出文件，也就是说在作map输出有几回spill就会产生多少个溢出文件，等map输出所有作完后，map会合并这些输出文件。这个过程里还会有一个Partitioner操做，对于这个操做不少人都很迷糊，其实Partitioner操做和map阶段的输入分片（Input split）很像，一个Partitioner对应一个reduce做业，若是咱们mapreduce操做只有一个reduce操做，那么Partitioner就只有一个，若是咱们有多个reduce操做，那么Partitioner对应的就会有多个，Partitioner所以就是reduce的输入分片，这个程序员能够编程控制，主要是根据实际key和value的值，根据实际业务类型或者为了更好的reduce负载均衡要求进行，这是提升reduce效率的一个关键所在。到了reduce阶段就是合并map输出文件了，Partitioner会找到对应的map输出文件，而后进行复制操做，复制操做时reduce会开启几个复制线程，这些线程默认个数是5个，程序员也能够在配置文件更改复制线程的个数，这个复制过程和map写入磁盘过程相似，也有阀值和内存大小，阀值同样能够在配置文件里配置，而内存大小是直接使用reduce的tasktracker的内存大小，复制时候reduce还会进行排序操做和合并文件操做，这些操做完了就会进行reduce计算了。

5. reduce阶段：和map函数同样也是程序员编写的，最终结果是存储在hdfs上的。

Mapreduce的相关问题

① jobtracker的单点故障：jobtracker和hdfs的namenode同样也存在单点故障，单点故障一直是hadoop被人诟病的大问题，为何hadoop的作的文件系统和mapreduce计算框架都是高容错的，可是最重要的管理节点的故障机制却如此很差，我认为主要是namenode和jobtracker在实际运行中都是在内存操做，而作到内存的容错就比较复杂了，只有当内存数据被持久化后容错才好作，namenode和jobtracker均可以备份本身持久化的文件，可是这个持久化都会有延迟，所以真的出故障，任然不能总体恢复，另外hadoop框架里包含zookeeper框架，zookeeper能够结合jobtracker，用几台机器同时部署jobtracker，保证一台出故障，有一台立刻能补充上，不过这种方式也无法恢复正在跑的mapreduce任务。

② 作mapreduce计算时候，输出通常是一个文件夹，并且该文件夹是不能存在，并且这个检查作的很早，当咱们提交job时候就会进行，mapreduce之因此这么设计是保证数据可靠性，若是输出目录存在reduce就搞不清楚你究竟是要追加仍是覆盖，不论是追加和覆盖操做都会有可能致使最终结果出问题，mapreduce是作海量数据计算，一个生产计算的成本很高，例如一个job彻底执行完可能要几个小时，所以一切影响错误的状况mapreduce是零容忍的。

③ Mapreduce还有一个InputFormat和OutputFormat，咱们在编写map函数时候发现map方法的参数是之间操做行数据，没有牵涉到InputFormat，这些事情在咱们new Path时候mapreduce计算框架帮咱们作好了，而OutputFormat也是reduce帮咱们作好了，咱们使用什么样的输入文件，就要调用什么样的InputFormat，InputFormat是和咱们输入的文件类型相关的，mapreduce里经常使用的InputFormat有FileInputFormat普通文本文件，SequenceFileInputFormat是指hadoop的序列化文件，另外还有KeyValueTextInputFormat。OutputFormat就是咱们想最终存储到hdfs系统上的文件格式了，这个根据你须要定义了，hadoop有支持不少文件格式。