Hadoop之圖解MapReduce與WordCount示例分析

轉https://blog.csdn.net/shujuelin/article/details/79119214

Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS爲海量的數據提供了存儲，MapReduce則爲海量的數據提供了計算。
　　HDFS是Google File System（GFS）的開源實現，MapReduce是Google MapReduce的開源實現。
　　HDFS和MapReduce實現是徹底分離的，並非沒有HDFS就不能MapReduce運算。
本文主要參考瞭如下三篇博客學習整理而成。
　　一、Hadoop示例程序WordCount詳解及實例
　　二、hadoop 學習筆記：mapreduce框架詳解
　　三、hadoop示例程序wordcount分析
       4，初學hadoop之圖解MapReduce與WordCount示例分析
一、MapReduce總體流程
　　最簡單的MapReduce應用程序至少包含 3 個部分：一個 Map 函數、一個 Reduce 函數和一個 main 函數。在運行一個mapreduce計算任務時候，任務過程被分爲兩個階段：map階段和reduce階段，每一個階段都是用鍵值對（key/value）做爲輸入（input）和輸出（output）。main 函數將做業控制和文件輸入/輸出結合起來。
　　

    並行讀取文本中的內容，而後進行MapReduce操做。

　　

    Map過程：並行讀取文本，對讀取的單詞進行map操做，每一個詞都以<key,value>形式生成。

個人理解：

　　一個有三行文本的文件進行MapReduce操做。

　　讀取第一行Hello World Bye World ，分割單詞造成Map。

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

　　讀取第二行Hello Hadoop Bye Hadoop ，分割單詞造成Map。

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

　　讀取第三行Bye Hadoop Hello Hadoop，分割單詞造成Map。

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

    Reduce操做是對map的結果進行排序，合併，最後得出詞頻。

個人理解：

　　通過進一步處理(combiner),將造成的Map根據相同的key組合成value數組。

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

　　循環執行Reduce(K,V[])，分別統計每一個單詞出現的次數。

　　<Bye,3> <Hadoop,4> <Hello,3> <World,2>
　　
回到目錄
二、WordCount源碼
複製代碼

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 {
    /**
     * 創建Mapper類TokenizerMapper繼承自泛型類Mapper
     * Mapper類:實現了Map功能基類
     * Mapper接口：
     * WritableComparable接口：實現WritableComparable的類能夠相互比較。全部被用做key的類應該實現此接口。
     * Reporter 則可用於報告整個應用的運行進度，本例中未使用。
     *
     */
  publicstaticclass TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{
        /**
         * IntWritable, Text 均是 Hadoop 中實現的用於封裝 Java 數據類型的類，這些類實現了WritableComparable接口，
         * 都可以被串行化從而便於在分佈式環境中進行數據交換，你能夠將它們分別視爲int,String 的替代品。
     * 聲明one常量和word用於存放單詞的變量
         */
    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)
         * 映射一個單個的輸入k/v對到一箇中間的k/v對
         * 輸出對不須要和輸入對是相同的類型，輸入對能夠映射到0個或多個輸出對。
         * Context：收集Mapper輸出的<k,v>對。
         * Context的write(k, v)方法:增長一個(k,v)對到context
         * 程序員主要編寫Map和Reduce函數.這個Map函數使用StringTokenizer函數對字符串進行分隔,經過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來自於map函數中的context,可能通過了進一步處理(combiner),一樣經過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執行的工做
         */
    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");    //設置一個用戶定義的job名稱
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);    //爲job設置Mapper類
    job.setCombinerClass(IntSumReducer.class);    //爲job設置Combiner類
    job.setReducerClass(IntSumReducer.class);    //爲job設置Reducer類
    job.setOutputKeyClass(Text.class);        //爲job的輸出數據設置Key類
    job.setOutputValueClass(IntWritable.class);    //爲job輸出設置value類
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //爲job設置輸入路徑
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//爲job設置輸出路徑
    System.exit(job.waitForCompletion(true) ?0 : 1);        //運行job
  }
}

複製代碼
回到目錄
三、WordCount逐行解析

    對於map函數的方法。

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

　　這裏有三個參數，前面兩個Object key, Text value就是輸入的key和value，第三個參數Context context這是能夠記錄輸入的key和value，例如：context.write(word, one);此外context還會記錄map運算的狀態。

    對於reduce函數的方法。

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

　　reduce函數的輸入也是一個key/value的形式，不過它的value是一個迭代器的形式Iterable<IntWritable> values，也就是說reduce的輸入是一個key對應一組的值的value，reduce也有context和map的context做用一致。

　　至於計算的邏輯則須要程序員編碼實現。

    對於main函數的調用。

　　首先是：

Configuration conf = new Configuration();

　　運行MapReduce程序前都要初始化Configuration，該類主要是讀取MapReduce系統配置信息，這些信息包括hdfs還有MapReduce，也就是安裝hadoop時候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件裏的信息，有些童鞋不理解爲啥要這麼作，這個是沒有深刻思考MapReduce計算框架形成，咱們程序員開發MapReduce時候只是在填空，在map函數和reduce函數裏編寫實際進行的業務邏輯，其它的工做都是交給MapReduce框架本身操做的，可是至少咱們要告訴它怎麼操做啊，好比hdfs在哪裏，MapReduce的jobstracker在哪裏，而這些信息就在conf包下的配置文件裏。

　　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，就是運行WordCount程序時候必定是兩個參數，若是不是就會報錯退出。至於第一句裏的GenericOptionsParser類，它是用來解釋經常使用hadoop命令，並根據須要爲Configuration對象設置相應的值，其實平時開發裏咱們不太經常使用它，而是讓類實現Tool接口，而後再main函數裏使用ToolRunner運行程序，而ToolRunner內部會調用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);

　　第一行就是在構建一個job，在mapreduce框架裏一個mapreduce任務也叫mapreduce做業也叫作一個mapreduce的job，而具體的map和reduce運算就是task了，這裏咱們構建一個job，構建時候有兩個參數，一個是conf這個就不累述了，一個是這個job的名稱。

　　第二行就是裝載程序員編寫好的計算程序，例如咱們的程序類名就是WordCount了。這裏我要作下糾正，雖然咱們編寫mapreduce程序只須要實現map函數和reduce函數，可是實際開發咱們要實現三個類，第三個類是爲了配置mapreduce如何運行map和reduce函數，準確的說就是構建一個mapreduce能執行的job了，例如WordCount類。

　　第三行和第五行就是裝載map函數和reduce函數實現類了，這裏多了個第四行，這個是裝載Combiner類，這個類和mapreduce運行機制有關，其實本例去掉第四行也沒有關係，可是使用了第四行理論上運行效率會更好。

　　接下來的代碼：

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

　　這個是定義輸出的key/value的類型，也就是最終存儲在hdfs上結果文件的key/value的類型。

　　最後的代碼是：

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

　　第一行就是構建輸入的數據文件，第二行是構建輸出的數據文件，最後一行若是job運行成功了，咱們的程序就會正常退出。

Mapreduce運行機制

MapReduce主要包括JobClient, JobTracker, TaskTracker , HDFS  4個獨立的部分

談mapreduce運行機制，能夠從不少不一樣的角度來描述，好比說從mapreduce運行流程來說解，也能夠從計算模型的邏輯流程來進行講解，也許有些深刻理解了mapreduce運行機制還會從更好的角度來描述，可是將mapreduce運行機制有些東西是避免不了的，就是一個個參入的實例對象，一個就是計算模型的邏輯定義階段，我這裏講解不從什麼流程出發，就從這些一個個牽涉的對象，不論是物理實體仍是邏輯實體。

首先講講物理實體，參入mapreduce做業執行涉及4個獨立的實體：

    客戶端（client）：編寫mapreduce程序，配置做業，提交做業，這就是程序員完成的工做；
    JobTracker：初始化做業，分配做業，與TaskTracker通訊，協調整個做業的執行；
    TaskTracker：保持與JobTracker的通訊，在分配的數據片斷上執行Map或Reduce任務，TaskTracker和JobTracker的不一樣有個很重要的方面，就是在執行任務時候TaskTracker能夠有n多個，JobTracker則只會有一個（JobTracker只能有一個就和hdfs裏namenode同樣存在單點故障，我會在後面的mapreduce的相關問題裏講到這個問題的）
    Hdfs：保存做業的數據、配置信息等等，最後的結果也是保存在hdfs上面

那麼mapreduce究竟是如何運行的呢？

首先是客戶端要編寫好mapreduce程序，配置好mapreduce的做業也就是job，接下來就是提交job了，提交job是提交到JobTracker上的，這個時候JobTracker就會構建這個job，具體就是分配一個新的job任務的ID值，接下來它會作檢查操做，這個檢查就是肯定輸出目錄是否存在，若是存在那麼job就不能正常運行下去，JobTracker會拋出錯誤給客戶端，接下來還要檢查輸入目錄是否存在，若是不存在一樣拋出錯誤，若是存在JobTracker會根據輸入計算輸入分片（Input Split），若是分片計算不出來也會拋出錯誤，至於輸入分片我後面會作講解的，這些都作好了JobTracker就會配置Job須要的資源了。分配好資源後，JobTracker就會初始化做業，初始化主要作的是將Job放入一個內部的隊列，讓配置好的做業調度器能調度到這個做業，做業調度器會初始化這個job，初始化就是建立一個正在運行的job對象（封裝任務和記錄信息），以便JobTracker跟蹤job的狀態和進程。

初始化完畢後，做業調度器會獲取輸入分片信息（input split），每一個分片建立一個map任務。接下來就是任務分配了，這個時候tasktracker會運行一個簡單的循環機制按期發送心跳給jobtracker，心跳間隔是5秒，程序員能夠配置這個時間，心跳就是jobtracker和tasktracker溝通的橋樑，經過心跳，jobtracker能夠監控tasktracker是否存活，也能夠獲取tasktracker處理的狀態和問題，同時tasktracker也能夠經過心跳裏的返回值獲取jobtracker給它的操做指令。任務分配好後就是執行任務了。在任務執行時候jobtracker能夠經過心跳機制監控tasktracker的狀態和進度，同時也能計算出整個job的狀態和進度，而tasktracker也能夠本地監控本身的狀態和進度。當jobtracker得到了最後一個完成指定任務的tasktracker操做成功的通知時候，jobtracker會把整個job狀態置爲成功，而後當客戶端查詢job運行狀態時候（注意：這個是異步操做），客戶端會查到job完成的通知的。若是job中途失敗，mapreduce也會有相應機制處理，通常而言若是不是程序員程序自己有bug，mapreduce錯誤處理機制都能保證提交的job能正常完成。

下面我從邏輯實體的角度講解mapreduce運行機制，這些按照時間順序包括：輸入分片（input split）、map階段、combiner階段、shuffle階段和reduce階段。

1. 輸入分片（input split）：在進行map計算以前，mapreduce會根據輸入文件計算輸入分片（input split），每一個輸入分片（input split）針對一個map任務，輸入分片（input split）存儲的並不是數據自己，而是一個分片長度和一個記錄數據的位置的數組，輸入分片（input split）每每和hdfs的block（塊）關係很密切，假如咱們設定hdfs的塊的大小是64mb，若是咱們輸入有三個文件，大小分別是3mb、65mb和127mb，那麼mapreduce會把3mb文件分爲一個輸入分片（input split），65mb則是兩個輸入分片（input split）而127mb也是兩個輸入分片（input split），換句話說咱們若是在map計算前作輸入分片調整，例如合併小文件，那麼就會有5個map任務將執行，並且每一個map執行的數據大小不均，這個也是mapreduce優化計算的一個關鍵點。

2. map階段：就是程序員編寫好的map函數了，所以map函數效率相對好控制，並且通常map操做都是本地化操做也就是在數據存儲節點上進行；

3. combiner階段：combiner階段是程序員能夠選擇的，combiner其實也是一種reduce操做，所以咱們看見WordCount類裏是用reduce進行加載的。Combiner是一個本地化的reduce操做，它是map運算的後續操做，主要是在map計算出中間文件前作一個簡單的合併重複key值的操做，例如咱們對文件裏的單詞頻率作統計，map計算時候若是碰到一個hadoop的單詞就會記錄爲1，可是這篇文章裏hadoop可能會出現n屢次，那麼map輸出文件冗餘就會不少，所以在reduce計算前對相同的key作一個合併操做，那麼文件會變小，這樣就提升了寬帶的傳輸效率，畢竟hadoop計算力寬帶資源每每是計算的瓶頸也是最爲寶貴的資源，可是combiner操做是有風險的，使用它的原則是combiner的輸入不會影響到reduce計算的最終輸入，例如：若是計算只是求總數，最大值，最小值可使用combiner，可是作平均值計算使用combiner的話，最終的reduce計算結果就會出錯。

4. shuffle階段：將map的輸出做爲reduce的輸入的過程就是shuffle了，這個是mapreduce優化的重點地方。這裏我不講怎麼優化shuffle階段，講講shuffle階段的原理，由於大部分的書籍裏都沒講清楚shuffle階段。Shuffle一開始就是map階段作輸出操做，通常mapreduce計算的都是海量數據，map輸出時候不可能把全部文件都放到內存操做，所以map寫入磁盤的過程十分的複雜，更況且map輸出時候要對結果進行排序，內存開銷是很大的，map在作輸出時候會在內存裏開啓一個環形內存緩衝區，這個緩衝區專門用來輸出的，默認大小是100mb，而且在配置文件裏爲這個緩衝區設定了一個閥值，默認是0.80（這個大小和閥值都是能夠在配置文件裏進行配置的），同時map還會爲輸出操做啓動一個守護線程，若是緩衝區的內存達到了閥值的80%時候，這個守護線程就會把內容寫到磁盤上，這個過程叫spill，另外的20%內存能夠繼續寫入要寫進磁盤的數據，寫入磁盤和寫入內存操做是互不干擾的，若是緩存區被撐滿了，那麼map就會阻塞寫入內存的操做，讓寫入磁盤操做完成後再繼續執行寫入內存操做，前面我講到寫入磁盤前會有個排序操做，這個是在寫入磁盤操做時候進行，不是在寫入內存時候進行的，若是咱們定義了combiner函數，那麼排序前還會執行combiner操做。

每次spill操做也就是寫入磁盤操做時候就會寫一個溢出文件，也就是說在作map輸出有幾回spill就會產生多少個溢出文件，等map輸出所有作完後，map會合並這些輸出文件。這個過程裏還會有一個Partitioner操做，對於這個操做不少人都很迷糊，其實Partitioner操做和map階段的輸入分片（Input split）很像，一個Partitioner對應一個reduce做業，若是咱們mapreduce操做只有一個reduce操做，那麼Partitioner就只有一個，若是咱們有多個reduce操做，那麼Partitioner對應的就會有多個，Partitioner所以就是reduce的輸入分片，這個程序員能夠編程控制，主要是根據實際key和value的值，根據實際業務類型或者爲了更好的reduce負載均衡要求進行，這是提升reduce效率的一個關鍵所在。到了reduce階段就是合併map輸出文件了，Partitioner會找到對應的map輸出文件，而後進行復制操做，複製操做時reduce會開啓幾個複製線程，這些線程默認個數是5個，程序員也能夠在配置文件更改複製線程的個數，這個複製過程和map寫入磁盤過程相似，也有閥值和內存大小，閥值同樣能夠在配置文件裏配置，而內存大小是直接使用reduce的tasktracker的內存大小，複製時候reduce還會進行排序操做和合並文件操做，這些操做完了就會進行reduce計算了。

5. reduce階段：和map函數同樣也是程序員編寫的，最終結果是存儲在hdfs上的。