一脸懵逼学习MapReduce的原理和编程(Map局部处理,Reduce汇总)和MapReduce几种运行方式

  1. 云栖社区>
  2. 博客>
  3. 正文

一脸懵逼学习MapReduce的原理和编程(Map局部处理,Reduce汇总)和MapReduce几种运行方式

biehl 2017-09-18 15:03:00 浏览862
展开阅读全文

1:MapReduce的概述:

  (1):MapReduce是一种分布式计算模型,由Google提出,主要用于搜索领域,解决海量数据的计算问题.
  (2):MapReduce由两个阶段组成:Map和Reduce,用户只需要实现map()和reduce()两个函数,即可实现分布式计算,非常简单。
  (3):这两个函数的形参是key、value对,表示函数的输入信息。

2:MapReduce执行步骤:

  (1): map任务处理

    (a):读取输入文件内容,解析成key、value对。对输入文件的每一行,解析成key、value对。每一个键值对调用一次map函数。
    (b):写自己的逻辑,对输入的key、value处理,转换成新的key、value输出。
  (2)reduce任务处理

    (a)在reduce之前,有一个shuffle的过程对多个map任务的输出进行合并、排序。
    (b)写reduce函数自己的逻辑,对输入的key、value处理,转换成新的key、value输出。
    (c)把reduce的输出保存到文件中。
       例子:实现WordCountApp
3:map、reduce键值对格式:

 4:MapReduce流程:
  (1)代码编写
  (2)作业配置
  (3)提交作业
  (4)初始化作业
  (5)分配任务
  (6)执行任务
  (7)更新任务和状态
  (8)完成作业


5:MapReduce介绍及wordcount和wordcount的编写和提交集群运行的案例:

WcMap类进行单词的局部处理:

 1 package com.mapreduce;
 2 
 3 
 4 import java.io.IOException;
 5 
 6 import org.apache.commons.lang.StringUtils;
 7 import org.apache.hadoop.io.LongWritable;
 8 import org.apache.hadoop.io.Text;
 9 import org.apache.hadoop.mapreduce.Mapper;
10 
11 /***
12  * 
13  * @author Administrator
14  * 1:4个泛型中,前两个是指定mapper输入数据的类型,KEYIN是输入的key的类型,VALUEIN是输入的value的值
15  *       KEYOUT是输入的key的类型,VALUEOUT是输入的value的值 
16  * 2:map和reduce的数据输入和输出都是以key-value的形式封装的。
17  * 3:默认情况下,框架传递给我们的mapper的输入数据中,key是要处理的文本中一行的起始偏移量,这一行的内容作为value
18  * 4:key-value数据是在网络中进行传递,节点和节点之间互相传递,在网络之间传输就需要序列化,但是jdk自己的序列化很冗余
19  *    所以使用hadoop自己封装的数据类型,而不要使用jdk自己封装的数据类型;
20  *    Long--->LongWritable
21  *    String--->Text    
22  */
23 public class WcMap extends Mapper<LongWritable, Text, Text, LongWritable>{
24 
25     //重写map这个方法
26     //mapreduce框架每读一行数据就调用一次该方法
27     @Override
28     protected void map(LongWritable key, Text value, Context context)
29             throws IOException, InterruptedException {
30         //具体业务逻辑就写在这个方法体中,而且我们业务要处理的数据已经被框架传递进来,在方法的参数中key-value
31         //key是这一行数据的起始偏移量,value是这一行的文本内容
32         
33         //1:切分单词,首先拿到单词value的值,转化为String类型的
34         String str = value.toString();
35         //2:切分单词,空格隔开,返回切分开的单词
36         String[] words = StringUtils.split(str," ");
37         //3:遍历这个单词数组,输出为key-value的格式,将单词发送给reduce
38         for(String word : words){
39             //输出的key是Text类型的,value是LongWritable类型的
40             context.write(new Text(word), new LongWritable(1));
41         }
42         
43         
44     }
45 }

WcReduce进行单词的计数处理:

 1 package com.mapreduce;
 2 
 3 import java.io.IOException;
 4 
 5 import org.apache.hadoop.io.LongWritable;
 6 import org.apache.hadoop.io.Text;
 7 import org.apache.hadoop.mapreduce.Reducer;
 8 
 9 /***
10  * 
11  * @author Administrator
12  * 1:reduce的四个参数,第一个key-value是map的输出作为reduce的输入,第二个key-value是输出单词和次数,所以
13  *      是Text,LongWritable的格式;
14  */
15 public class WcReduce extends Reducer<Text, LongWritable, Text, LongWritable>{
16 
17     //继承Reducer之后重写reduce方法
18     //第一个参数是key,第二个参数是集合。
19     //框架在map处理完成之后,将所有key-value对缓存起来,进行分组,然后传递一个组<key,valus{}>,调用一次reduce方法
20     //<hello,{1,1,1,1,1,1.....}>
21     @Override
22     protected void reduce(Text key, Iterable<LongWritable> values,Context context) 
23             throws IOException, InterruptedException {
24         //将values进行累加操作,进行计数
25         long count = 0;
26         //遍历value的list,进行累加求和
27         for(LongWritable value : values){
28             
29             count += value.get();
30         }
31         
32         //输出这一个单词的统计结果
33         //输出放到hdfs的某一个目录上面,输入也是在hdfs的某一个目录
34         context.write(key, new LongWritable(count));
35     }
36     
37     
38 }

WcRunner用来描述一个特定的作业

 1 package com.mapreduce;
 2 
 3 import java.io.IOException;
 4 
 5 import org.apache.hadoop.conf.Configuration;
 6 import org.apache.hadoop.fs.Path;
 7 import org.apache.hadoop.io.LongWritable;
 8 import org.apache.hadoop.io.Text;
 9 import org.apache.hadoop.mapreduce.Job;
10 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
11 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
12 
13 
14 /***
15  * 1:用来描述一个特定的作业
16  *       比如,该作业使用哪个类作为逻辑处理中的map,那个作为reduce
17  * 2:还可以指定该作业要处理的数据所在的路径
18  *        还可以指定改作业输出的结果放到哪个路径
19  * @author Administrator
20  *
21  */
22 public class WcRunner {
23 
24     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
25         //创建配置文件
26         Configuration conf = new Configuration();
27         //获取一个作业
28         Job job = Job.getInstance(conf);
29         
30         //设置整个job所用的那些类在哪个jar包
31         job.setJarByClass(WcRunner.class);
32         
33         //本job使用的mapper和reducer的类
34         job.setMapperClass(WcMap.class);
35         job.setReducerClass(WcReduce.class);
36         
37         //指定reduce的输出数据key-value类型
38         job.setOutputKeyClass(Text.class);
39         job.setOutputValueClass(LongWritable.class);
40         
41         
42         //指定mapper的输出数据key-value类型
43         job.setMapOutputKeyClass(Text.class);
44         job.setMapOutputValueClass(LongWritable.class);
45         
46         //指定要处理的输入数据存放路径
47         FileInputFormat.setInputPaths(job, new Path("hdfs://master:9000/wc/srcdata"));
48         
49         //指定处理结果的输出数据存放路径
50         FileOutputFormat.setOutputPath(job, new Path("hdfs://master:9000/wc/output"));
51         
52         //将job提交给集群运行 
53         job.waitForCompletion(true);
54     }
55     
56 }

书写好上面的三个类以后打成jar包上传到虚拟机上面进行运行:

然后启动你的hadoop集群:start-dfs.sh和start-yarn.sh启动集群;然后将jar分发到节点上面进行运行;

之前先造一些数据,如下所示:

内容自己随便搞吧:

 然后上传到hadoop集群上面,首选创建目录,存放测试数据,将数据上传到创建的目录即可;但是输出目录不需要手动创建,会自动创建,自己创建会报错:

然后将jar分发到节点上面进行运行;命令格式如hadoop    jar   自己的jar包   主类的路径

 正常性运行完过后可以查看一下运行的效果:

6:MapReduce的本地模式运行如下所示(本地运行需要修改输入数据存放路径和输出数据存放路径):

 1 package com.mapreduce;
 2 
 3 import java.io.IOException;
 4 
 5 import org.apache.hadoop.conf.Configuration;
 6 import org.apache.hadoop.fs.Path;
 7 import org.apache.hadoop.io.LongWritable;
 8 import org.apache.hadoop.io.Text;
 9 import org.apache.hadoop.mapreduce.Job;
10 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
11 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
12 
13 
14 /***
15  * 1:用来描述一个特定的作业
16  *       比如,该作业使用哪个类作为逻辑处理中的map,那个作为reduce
17  * 2:还可以指定该作业要处理的数据所在的路径
18  *        还可以指定改作业输出的结果放到哪个路径
19  * @author Administrator
20  *
21  */
22 public class WcRunner {
23 
24     public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
25         //创建配置文件
26         Configuration conf = new Configuration();
27         //获取一个作业
28         Job job = Job.getInstance(conf);
29         
30         //设置整个job所用的那些类在哪个jar包
31         job.setJarByClass(WcRunner.class);
32         
33         //本job使用的mapper和reducer的类
34         job.setMapperClass(WcMap.class);
35         job.setReducerClass(WcReduce.class);
36         
37         //指定reduce的输出数据key-value类型
38         job.setOutputKeyClass(Text.class);
39         job.setOutputValueClass(LongWritable.class);
40         
41         
42         //指定mapper的输出数据key-value类型
43         job.setMapOutputKeyClass(Text.class);
44         job.setMapOutputValueClass(LongWritable.class);
45         
46         //指定要处理的输入数据存放路径
47         //FileInputFormat.setInputPaths(job, new Path("hdfs://master:9000/wc/srcdata/"));
48         FileInputFormat.setInputPaths(job, new Path("d:/wc/srcdata/"));
49         
50         
51         //指定处理结果的输出数据存放路径
52         //FileOutputFormat.setOutputPath(job, new Path("hdfs://master:9000/wc/output/"));
53         FileOutputFormat.setOutputPath(job, new Path("d:/wc/output/"));
54         
55         
56         //将job提交给集群运行 
57         job.waitForCompletion(true);
58     }
59     
60 }

然后去自己定义的盘里面创建文件夹即可:

然后直接运行出现下面的错误:

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Exception in thread "main" java.io.IOException: Cannot initialize Cluster. Please check your configuration for mapreduce.framework.name and the correspond server addresses.
    at org.apache.hadoop.mapreduce.Cluster.initialize(Cluster.java:120)
    at org.apache.hadoop.mapreduce.Cluster.<init>(Cluster.java:82)
    at org.apache.hadoop.mapreduce.Cluster.<init>(Cluster.java:75)
    at org.apache.hadoop.mapreduce.Job$9.run(Job.java:1255)
    at org.apache.hadoop.mapreduce.Job$9.run(Job.java:1251)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1556)
    at org.apache.hadoop.mapreduce.Job.connect(Job.java:1250)
    at org.apache.hadoop.mapreduce.Job.submit(Job.java:1279)
    at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1303)
    at com.mapreduce.WcRunner.main(WcRunner.java:57)

解决办法:

缺少Jar包:hadoop-mapreduce-client-common-2.2.0.jar


 好吧,最后还是没有实现在本地运行此运行,先在这里记一下吧。下面这个错搞不定,先做下笔记吧;

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Exception in thread "main" java.lang.IllegalArgumentException: Pathname /c:/wc/output from hdfs://master:9000/c:/wc/output is not a valid DFS filename.
    at org.apache.hadoop.hdfs.DistributedFileSystem.getPathName(DistributedFileSystem.java:194)
    at org.apache.hadoop.hdfs.DistributedFileSystem.access$000(DistributedFileSystem.java:102)
    at org.apache.hadoop.hdfs.DistributedFileSystem$17.doCall(DistributedFileSystem.java:1124)
    at org.apache.hadoop.hdfs.DistributedFileSystem$17.doCall(DistributedFileSystem.java:1120)
    at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)
    at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1120)
    at org.apache.hadoop.fs.FileSystem.exists(FileSystem.java:1398)
    at org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.checkOutputSpecs(FileOutputFormat.java:145)
    at org.apache.hadoop.mapreduce.JobSubmitter.checkSpecs(JobSubmitter.java:458)
    at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:343)
    at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1285)
    at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1282)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:415)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1556)
    at org.apache.hadoop.mapreduce.Job.submit(Job.java:1282)
    at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1303)
    at com.mapreduce.WcRunner.main(WcRunner.java:57)


7:MapReduce程序的几种提交运行模式:

本地模型运行
1:在windows的eclipse里面直接运行main方法,就会将job提交给本地执行器localjobrunner执行
      ----输入输出数据可以放在本地路径下(c:/wc/srcdata/)
      ----输入输出数据也可以放在hdfs中(hdfs://master:9000/wc/srcdata)
2:在linux的eclipse里面直接运行main方法,但是不要添加yarn相关的配置,也会提交给localjobrunner执行
      ----输入输出数据可以放在本地路径下(/home/hadoop/wc/srcdata/)
      ----输入输出数据也可以放在hdfs中(hdfs://master:9000/wc/srcdata)  
     
集群模式运行
1:将工程打成jar包,上传到服务器,然后用hadoop命令提交  hadoop jar wc.jar cn.itcast.hadoop.mr.wordcount.WCRunner
2:在linux的eclipse中直接运行main方法,也可以提交到集群中去运行,但是,必须采取以下措施:
      ----在工程src目录下加入 mapred-site.xml  和  yarn-site.xml
      ----将工程打成jar包(wc.jar),同时在main方法中添加一个conf的配置参数 conf.set("mapreduce.job.jar","wc.jar");           

3:在windows的eclipse中直接运行main方法,也可以提交给集群中运行,但是因为平台不兼容,需要做很多的设置修改
        ----要在windows中存放一份hadoop的安装包(解压好的)
        ----要将其中的lib和bin目录替换成根据你的windows版本重新编译出的文件
        ----再要配置系统环境变量 HADOOP_HOME  和 PATH
        ----修改YarnRunner这个类的源码 

 

网友评论

登录后评论
0/500
评论
biehl
+ 关注