Hadoop MapReduce

概观：

Hadoop MapReduce是一个软件框架，用于轻松编写应用程序，以可靠，容错的方式在大型集群（数千个节点）的商用硬件上并行处理大量数据（多TB数据集）。

MapReduce 作业通常将输入数据集拆分为独立的块，这些块由map任务以完全并行的方式处理。框架对地图的输出进行排序，然后输入到reduce任务。通常，作业的输入和输出都存储在文件系统中。该框架负责调度任务，监视任务并重新执行失败的任务。

通常，计算节点和存储节点是相同的，即MapReduce框架和Hadoop分布式文件系统（请参阅HDFS体系结构指南）在同一组节点上运行。此配置允许框架有效地在已存在数据的节点上调度任务，从而在集群中产生非常高的聚合带宽。

MapReduce框架由单个主ResourceManager，每个集群节点一个从NodeManager和每个应用程序的MRAppMaster组成（参见YARN体系结构指南）。

最低限度，应用程序通过适当的接口和/或抽象类的实现来指定输入/输出位置并提供映射和减少功能。这些和其他作业参数包括作业配置。

然后，Hadoop 作业客户端将作业（jar /可执行文件等）和配置提交给ResourceManager，然后ResourceManager负责将软件/配置分发给从站，调度任务并监视它们，为作业提供状态和诊断信息 -客户。

虽然Hadoop框架是用Java™实现的，但MapReduce应用程序不需要用Java编写。

• Hadoop Streaming 是一个实用程序，它允许用户使用任何可执行文件（例如shell实用程序）作为映射器和/或reducer创建和运行作业。
• Hadoop Pipes 是一个与SWIG兼容的C ++ API，用于实现MapReduce应用程序（非基于JNI™）。

​

​ MapReduce 是一种程序开发模式，可以使用大量服务器来并行处理。MapReduce，简单来说，Map就是分配工作，Reduce就是将工作结果汇总整理。

​ 1、首先使用 Map 将待处理的数据分割成很多的小份数据，由每台服务器分别运行。

​ 2、再通过 Reduce 程序进行数据合并，最后汇总整理出结果。

简单介绍 WordCount.java

顺序	开发步骤	说明
1	编辑 WordCount.java	使用 getdit 编辑 WordCount.java
2	编译 WordCount.java	编译、打包 WordCount.java 程序
3	创建测试文本文件	使用 Hadoop 目录下的 LICENSE.txt 文件作为测试文件，并上传文本文件至HDFS
4	运行 WordCount.java	在 Hadoop 环境运行 WordCount
5	查看运行结果	运行会产生输出文件并存储到 HDFS 中，可使用 HDFS 命令查看

​

编辑 WordCount.java

在此我们使用最简单的方式（使用 gedit）编辑 WordCount.java

1、创建 wordcount 目录

1.1 创建 wordcount 测试目录

mkdir -p ~/wordcount/input

1.2 切换至 wordcount 测试目录

cd ~/wordcount

2、复制 Wordcount.java 程序代码

​ 在 Hadoop 说明文件中就具有 WordCount.java 的程序代码，在浏览器输入下列网址就可以看到原文的详细说明与源代码。

http://hadoop.apache.org/docs/current/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapReduceTutorial.html

​

3、编辑 WordCount.java

3.1 使用 gedit 编辑 WordCount.java

sudo gedit WordCount.java

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;

public class WordCount {

  
}

4、 Import 相关的Lib 并创建 WordCount.java 类

首先要 Import 相关的 Lib 链接库，并且创建 WordCount 类 class ，后续的程序都是引入到 WordCount 类中。

4.1 创建 main function

 public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setoutputKeyClass(Text.class);
    job.setoutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(args[0]));
    FileOutputFormat.setoutputPath(job, new Path(args[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }

4.2 创建 TokenizerMapper 类

​ 在 TokenizerMapper 类的 map 方法中，先创建 StringTokenizer，然后使用 while(itr.hasMoretokens())读取每一个 word 并写入 context.write(word,one)，创建 key/value(word,1)。

​

public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

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

    public void 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);
      }
    }
  }

4.3 创建 IntSumReducer 类

​ 在 IntSumReducer 类的 reduce 方法中，先使用 for(IntWritable val:values)读取每一个数值，并使用 sum+=val.get() 求和，最后写入结果。

public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void 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);
    }
  }

编译 WordCount.java

接下来编译 WordCount.java，只是需要先设置环境变量。

1、修改编译所需要的环境变量文件

1.1 编译 ~/.bashrc

sudo gedit ~/.bashrc

export PATH=${JAVA_HOME}/bin:${PATH}
export HADOOP_CLAsspATH=${JAVA_HOME}/lib/tools.jar

1.2 设置 PATH

export PATH = $ {JAVA_HOME} / bin：$ {PATH}

​ 因为我们后续要使用的命令（例如jar）存在 /usr/lib/jvm/java-7-openjdk-amd64/bin，所以将 ${JAVA_HOME}/bin 加入 PATH，这样，切换到其他目录时也就能够使用此命令了。

1.3 设置 HADOOP_CLAsspATH，编译时才找得到链接库export

HADOOP_CLAsspATH=${JAVA_HOME}/lib/tools.jar

2、让 ~/.bashrc 修改的设置值生效

​ 当我们修改 ~/.bashrc 之后，可以先从系统注销再重新登录，该设置会生效；或者使用 source 让命令 ~/.bashrc 设置立即生效。

2.1 让 ~/.bashrc 设置生效

source ~/.bashrc

3、开始编辑

使用下列命令进行编译，编译完成后，就会生成 wc.jar 文件

命令	说明
hadoop com.sun.tools.javac.Main WordCount.java	编辑 WordCount 程序
jar cf wc.jar WordCount*.class	把 WordCount 类打包成 wc.jar
ll	查看目录内容

​ jar 文件（java ARchive）是一种压缩文件，包含 Class 与相关资源（文字、图片等），之后就可以运行 wc.jar 这个程序了。

创建测试文本文件

为了测试 WordCount 程序，我们可以使用 Hadoop 目录下的 LICENSE.txt 文件。

1、复制 LICENSE.txt

1.1 切换到输入目录

cp /usr/local/hadoop/LICENSE.txt  ~/wordcount/input

ll ~/wordcount/input

1.2 启动所有虚拟服务器

1.3 进入 master 虚拟机，启动 Hadoop Multi-Node Cluster

启动 Hadoop Multi-Node Cluster

Start-all.sh

1.4 上传测试文件到 HDFS 目录

在 HDFS 创建目录

hadoop fs -mkdir -p /user/hduser/wordcount/input

切换到 ~/wordcount/input 数据文件目录

cd ~/wordcount/input

上传文本文件到 HDFS

hadoop fs -copyFromLocal LICENSE.txt /user/hduser/wordcount/input

列出 HDFS 文件

hadoop fs -ls /user/hduser/wordcount/input

运行 WordCount.java

1、切换目录

cd ~/wordcount

2、运行 WordCount.java 程序

hadoop jar wc.jar WordCount /user/hduser/wordcount/input/LICENSE.txt /user/hduser/wordcount/output

​ 运行 WordCount 程序，语句格式为 “hadoop jar wc.jar [输入文件] [输出目录]"。如上述命令所示，程序会读取输入文件 /user/hduser/wordcount/input/LICENSE.txt ，处理完成后将结果写入 /user/hduser/wordcount/output 目录。

查看运行结果

运行后，程序会将结果存储到 /user/hduser/wordcount/output 目录中。

1、查看输出目录

1.1 查看 HDFS 的目录

hadoop fs -ls /user/hduser/wordcount/output

_SUCCESS ：代表程序运行成功

part-r-00000：运行结果的文本文件

2、 查看输出文件

2.1 查看 HDFS 中的输文件内容

hadoop fs -cat /user/hduser/wordcount/output/part-r-00000|more

3、删除输出目录

​ 如果要再次执行 WordCount 程序，请先删除输出目录，这样才不会出现文件已经存在的包错信息。

hadoop fs -rm -R /user/hduser/wordcount/output

结论：

本章介绍了 Hadoop MapReduce，同时发现它有以下缺点：

1、程序设计模式不容易使用，而且 Hadoop 的 Map Reduce API 太过低级，很难提高开发者的效率。

2、有运行效率问题，MapReduce 需要将中间产生的数据保存到硬盘中，因此会有读写数据延迟问题。

3、不支持实时处理，它原始的设计就是以批处理为主。