MongoDB之Hadoop驱动介绍

MongoDB之Hadoop驱动介绍

------------------------

1. 一些概念

Hadoop 是一套Apache开源的分布式计算框架，其中包括了分布式文件系统DFS与分布式计算模型MapReduce，而MongoDB是一个面向文档的分布式数据库，它是NoSql的一种，而这里所要介绍的就是一个MongoDB的Hadoop驱动，这里就是把MongoDB做为MapReduce的输入源，充分利用MapReduce的优点来对MongoDB的数据进行处理与计算。

2. MongoDB的Hadoop驱动

目前这个版本的Hadoop驱动仍是测试版本，还不能应用到实际的生产环境中去。
你能够从下面网址https://github.com/mongodb/mongo-hadoop下载到最新的驱动包，下面是它的一些依赖说明：

• 目前推荐用最新的Hadoop 0.20.203版本，或者是用Cloudera CHD3还作
• MongoDB的版本最好是用1.8+
• 还有是MongoDB的java驱动必须是2.5.3+

它的一些特色：

• 提供了一个Hadoop的Input和Output适配层，读于对数据的读入与写出
• 提供了大部分参数的可配置化，这些参数均可有XML配置文件来进行配置，你能够在配置文件中定义要查询的字段，查询条件，排序策略等

目前还不支持的功能：

• 目前还不支持多Sharding的源数据读取
• 还不支持数据的split操做

3. 代码分析
运行其examples中的WordCount.java代码

// 事先在MongoDB的test数据库的in表中加入的测试样本,使用以下方法 
    /**
 * test.in db.in.insert( { x : "eliot was here" } ) db.in.insert( { x :
 * "eliot is here" } ) db.in.insert( { x : "who is here" } ) =
 */
public class WordCount {


    private static final Log log = LogFactory.getLog( WordCount.class );


	// 这是一个Map操做
    public static class TokenizerMapper extends Mapper<Object, BSONObject, Text, IntWritable> {


        private final static IntWritable one = new IntWritable( 1 );
        private final Text word = new Text();


        public void map( Object key , BSONObject value , Context context ) throws IOException, InterruptedException{


            System.out.println( "key: " + key );
            System.out.println( "value: " + value );


			// 对词进行按空格切分
            final StringTokenizer itr = new StringTokenizer( value.get( "x" ).toString() );
            while ( itr.hasMoreTokens() ) {
                word.set( itr.nextToken() );
                context.write( word, one ); // 这里的key为词，而value为1
            }
        }
    }


	// 这是Reduce操做，用于计算词出现的频率
    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {


        private final IntWritable result = new IntWritable();


        public void reduce( Text key , Iterable<IntWritable> values , Context context ) throws IOException, InterruptedException{


			// 计算词出现的频率，把相同词的value相加
            int sum = 0;
            for ( final IntWritable val : values ) {
                sum += val.get();
            }
            result.set( sum );
            context.write( key, result ); // key为单个词,value为这个词所对应的词频率
        }
    }


    public static void main( String[] args ) throws Exception{


        final Configuration conf = new Configuration();
		// 定义MongoDB数据库的输入与输出表名，这里是调用本地的MongoDB，默认端口号为27017
        MongoConfigUtil.setInputURI( conf, "mongodb://localhost/test.in" );
        MongoConfigUtil.setOutputURI( conf, "mongodb://localhost/test.out" );
        System.out.println( "Conf: " + conf );


        final Job job = new Job( conf , "word count" );


        job.setJarByClass( WordCount.class );


		// 定义Mapper,Reduce与Combiner类
        job.setMapperClass( TokenizerMapper.class );


        job.setCombinerClass( IntSumReducer.class );
        job.setReducerClass( IntSumReducer.class );


		// 定义Mapper与Reduce的输出key/value的类型
        job.setOutputKeyClass( Text.class );
        job.setOutputValueClass( IntWritable.class );


		// 定义InputFormat与OutputFormat的类型
        job.setInputFormatClass( MongoInputFormat.class );
        job.setOutputFormatClass( MongoOutputFormat.class );


        System.exit( job.waitForCompletion( true ) ? 0 : 1 );
    }
}

4. 分块机制的简单介绍

这里没有实现对不一样shard的split操做，也就是说，对于分布在不一样shard上的数据，只会产生一个Map操做。
这里本人提供了一个分片的思路，有兴趣的能够讨论一下。
咱们知道，对于Collection分块后，会产生一个Config数据库，在这个数据库下有一个叫作chunks的表，其中每一个chunk记录了 start_row与end_row，而这些chunk能够分布在不一样的shard上，咱们能够经过分析这个Collection来获得每一个shard上的chunk信息，从而把每一个shard上的chunk信息组合成一个InputSplit,这就是这里的MongoInputSplit,这样的话，只要去修改MongoInputFormat这个类的getSplits这个方法，加入对chunks表的分析，获得shard的信息，这样就能够实现多 split的Map操做，对于不一样的Shard,每一个Map都会调用本地的Mongos代理服务，这样就实现了移动计算而不是移动数据的目的。
这只是本人的一些想法，有兴趣的朋友能够一块儿来讨论一下。
下来我会发一个具体的实现。

5. 参考

* https://github.com/mongodb/mongo-hadoop * http://www.mongodb.org/display/DOCS/Java+Language+Center