初學Hadoop之圖解MapReduce與WordCount示例分析

　　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

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>

　　

二、WordCount源碼

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
  }
}

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。

原文地址