MapReduce Hadoop实现基础教程文档

收录于 2023-04-20 00:10:05 · بالعربية · English · Español · हिंदीName · 日本語 · Русский язык · 中文繁體

MapReduce 是一个框架，用于编写应用程序，以可靠的方式处理大型商用硬件集群上的大量数据。本章带你使用Java在Hadoop框架中操作MapReduce。

MapReduce 算法

一般而言，MapReduce 范式基于将 map-reduce 程序发送到实际数据所在的计算机。

在 MapReduce 作业期间，Hadoop 将 Map 和 Reduce 任务发送到集群中的适当服务器。该框架管理数据传递的所有细节，例如发出任务、验证任务完成以及在节点之间的集群周围复制数据。大部分计算都在节点上进行，数据位于本地磁盘上，从而减少了网络流量。在完成给定的任务后，集群收集并缩减数据以形成适当的结果，并将其发送回 Hadoop 服务器。 MapReduce 算法

输入和输出（Java 视角）

MapReduce 框架对键值对进行操作，即框架将作业的输入视为一组键值对，并产生一组键值对作为作业的输出，可以想象为不同的类型。

键和值类必须由框架序列化，因此需要实现 Writable 接口。此外，关键类必须实现 WritableComparable 接口以方便框架进行排序。

MapReduce 作业的输入和输出格式都是键值对的形式-

(Input) <k1, v1> -> map -> <k2, v2>-> reduce -> <k3, v3> (Output).

	Input	Output
Map	<k1, v1>	list (<k2, v2>)
Reduce	<k2, list(v2)>	list (<k3, v3>)

MapReduce 实现

下表显示了有关组织耗电量的数据。该表包括月用电量和连续五年的年均值。

	Jan	Feb	Mar	Apr	May	Jun	Jul	Aug	Sep	Oct	Nov	Dec	Avg
1979	23	23	2	43	24	25	26	26	26	26	25	26	25
1980	26	27	28	28	28	30	31	31	31	30	30	30	29
1981	31	32	32	32	33	34	35	36	36	34	34	34	34
1984	39	38	39	39	39	41	42	43	40	39	38	38	40
1985	38	39	39	39	39	41	41	41	00	40	39	39	45

我们需要编写应用程序来处理给定表中的输入数据，以找出使用率最高的年份、使用率最低的年份等。对于记录数量有限的程序员来说，这项任务很容易，因为他们只需编写逻辑以产生所需的输出，并将数据传递给编写的应用程序。

现在让我们提高输入数据的规模。假设我们必须分析特定州所有大型工业的电力消耗。当我们编写应用程序来处理此类大量数据时，

他们将花费大量时间来执行。当我们将数据从源移动到网络服务器时，网络流量会很大。

为了解决这些问题，我们有 MapReduce 框架。

输入数据

以上数据保存为 sample.txt 并作为输入给出。输入文件如下所示。

1979	23	23	2	43	24	25	26	26	26	26	25	26	25
1980	26	27	28	28	28	30	31	31	31	30	30	30	29
1981	31	32	32	32	33	34	35	36	36	34	34	34	34
1984	39	38	39	39	39	41	42	43	40	39	38	38	40
1985	38	39	39	39	39	41	41	41	00	40	39	39	45

示例程序

以下用于示例数据的程序使用 MapReduce 框架。

package hadoop;
import java.util.*;
import java.io.IOException;
import java.io.IOException;
import org.apache.hadoop.fs.Patd;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapred.*;
import org.apache.hadoop.util.*;
public class ProcessUnits
{
   //Mapper class
   public static class E_EMapper extends MapReduceBase implements
   Mapper<LongWritable,  /*Input key Type */
   Text,                   /*Input value Type*/
   Text,                   /*Output key Type*/
   IntWritable>            /*Output value Type*/
   {
      //Map function
      public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) tdrows IOException
      {
         String line = value.toString();
         String lasttoken = null;
         StringTokenizer s = new StringTokenizer(line,"\t");
         String year = s.nextToken();
         
         while(s.hasMoreTokens()){
            lasttoken=s.nextToken();
         }
         
         int avgprice = Integer.parseInt(lasttoken);
         output.collect(new Text(year), new IntWritable(avgprice));
      }
   }
   
   //Reducer class
  
   public static class E_EReduce extends MapReduceBase implements
   Reducer< Text, IntWritable, Text, IntWritable >
   {
      //Reduce function
      public void reduce(Text key, Iterator <IntWritable> values, OutputCollector>Text, IntWritable> output, Reporter reporter) tdrows IOException
      {
         int maxavg=30;
         int val=Integer.MIN_VALUE;
         while (values.hasNext())
         {
            if((val=values.next().get())>maxavg)
            {
               output.collect(key, new IntWritable(val));
            }
         }
      }
   }
  
   //Main function
  
   public static void main(String args[])tdrows Exception
   {
      JobConf conf = new JobConf(Eleunits.class);
    
      conf.setJobName("max_eletricityunits");
    
      conf.setOutputKeyClass(Text.class);
      conf.setOutputValueClass(IntWritable.class);
    
      conf.setMapperClass(E_EMapper.class);
      conf.setCombinerClass(E_EReduce.class);
      conf.setReducerClass(E_EReduce.class);
    
      conf.setInputFormat(TextInputFormat.class);
      conf.setOutputFormat(TextOutputFormat.class);
    
      FileInputFormat.setInputPatds(conf, new Patd(args[0]));
      FileOutputFormat.setOutputPatd(conf, new Patd(args[1]));
    
      JobClient.runJob(conf);
   }
}

将上述程序保存到 ProcessUnits.java。下面给出程序的编译和执行。

ProcessUnits程序的编译与执行

假设我们位于 Hadoop 用户的主目录中（例如/home/hadoop）。

按照下面给出的步骤编译并执行上述程序。

步骤 1-使用以下命令创建一个目录来存储已编译的 java 类。

$ mkdir units

步骤 2-下载 Hadoop-core-1.2.1.jar，用于编译和执行 MapReduce 程序。从 mvnrepository.com.假设下载文件夹是/home/hadoop/。

步骤 3-以下命令用于编译 ProcessUnits.java 程序并为该程序创建一个 jar。

$ javac-classpatd hadoop-core-1.2.1.jar-d units ProcessUnits.java
$ jar-cvf units.jar-C units/ .

步骤 4-以下命令用于在 HDFS 中创建输入目录。

$HADOOP_HOME/bin/hadoop fs-mkdir input_dir

Step 5-以下命令用于将名为 sample.txt 的输入文件复制到 HDFS 的输入目录中。

$HADOOP_HOME/bin/hadoop fs-put /home/hadoop/sample.txt input_dir

Step 6-以下命令用于验证输入目录中的文件

$HADOOP_HOME/bin/hadoop fs-ls input_dir/

步骤 7-以下命令用于通过从输入目录中获取输入文件来运行 Eleunit_max 应用程序。

$HADOOP_HOME/bin/hadoop jar units.jar hadoop.ProcessUnits input_dir output_dir

稍等片刻，直到文件被执行。执行后输出包含多个输入splits、Map任务、Reducer任务等

INFO mapreduce.Job: Job job_1414748220717_0002
completed successfully
14/10/31 06:02:52
INFO mapreduce.Job: Counters: 49
File System Counters
   
   FILE: Number of bytes read=61
   FILE: Number of bytes written=279400
   FILE: Number of read operations=0
   FILE: Number of large read operations=0
   FILE: Number of write operations=0
   HDFS: Number of bytes read=546
   HDFS: Number of bytes written=40
   HDFS: Number of read operations=9
   HDFS: Number of large read operations=0
   HDFS: Number of write operations=2 Job Counters
   
   Launched map tasks=2
   Launched reduce tasks=1
   Data-local map tasks=2
  
   Total time spent by all maps in occupied slots (ms)=146137
   Total time spent by all reduces in occupied slots (ms)=441
   Total time spent by all map tasks (ms)=14613
   Total time spent by all reduce tasks (ms)=44120
  
   Total vcore-seconds taken by all map tasks=146137
   Total vcore-seconds taken by all reduce tasks=44120
  
   Total megabyte-seconds taken by all map tasks=149644288
   Total megabyte-seconds taken by all reduce tasks=45178880
Map-Reduce Framework
   
   Map input records=5
  
   Map output records=5
   Map output bytes=45
   Map output materialized bytes=67
  
   Input split bytes=208
   Combine input records=5
   Combine output records=5
  
   Reduce input groups=5
   Reduce shuffle bytes=6
   Reduce input records=5
   Reduce output records=5
  
   Spilled Records=10
   Shuffled Maps =2
   Failed Shuffles=0
   Merged Map outputs=2
  
   GC time elapsed (ms)=948
   CPU time spent (ms)=5160
  
   Physical memory (bytes) snapshot=47749120
   Virtual memory (bytes) snapshot=2899349504
  
   Total committed heap usage (bytes)=277684224
File Output Format Counters
   Bytes Written=40

步骤 8-以下命令用于验证输出文件夹中的结果文件。

$HADOOP_HOME/bin/hadoop fs-ls output_dir/

步骤 9-以下命令用于查看 Part-00000 文件中的输出。此文件由 HDFS 生成。

$HADOOP_HOME/bin/hadoop fs-cat output_dir/part-00000

以下是 MapReduce 程序生成的输出-

1981	34
1984	40
1985	45

步骤 10-以下命令用于将输出文件夹从 HDFS 复制到本地文件系统。

$HADOOP_HOME/bin/hadoop fs-cat output_dir/part-00000/bin/hadoop dfs-get output_dir /home/hadoop

编程宝典