初探MapReduce

MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。

阶段	功能
Map阶段	负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。
Reduce阶段	负责将任务合并，即把Map阶段的结果进行全局汇总。

MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制，但是只要能用Map和Reduce思想描述清楚要处理的问题，就能轻松地在Hadoop集群上实现分布式计算功能。

在这里插入图片描述

MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。

（二）MapReduce编程模型

MapReduce是一种编程模型，用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候，每个任务的执行过程都会被分为两个阶段，分别是Map和Reduce，其中Map阶段用于对原始数据进行处理，Reduce阶段用于对Map阶段的结果进行汇总，得到最终结果。

在这里插入图片描述

Map和Reduce函数

在这里插入图片描述

（三）MapReduce编程实例——词频统计思路

1、Map阶段（映射阶段）

输入键值对⟹ \Longrightarrow⟹输出键值对

在这里插入图片描述

2、Reduce阶段（归并阶段）

在这里插入图片描述

（四）MapReduce编程实例——词频统计实现

启动hadoop服务

1、准备数据文件

（1）在虚拟机上创建文本文件

（2）上传文件到HDFS指定目录

创建/wordcount/input目录，
执行命令：hdfs dfs -mkdir -p /wordcount/input

将文本文件words.txt，上传到HDFS的/wordcount/input目录

在Hadoop WebUI界面上查看上传的文件

2、创建Maven项目

创建Maven项目 - MRWordCount

单击【Finish】按钮

3、添加相关依赖

在pom.xml文件里添加hadoop和junit依赖

<dependencies>

<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>

<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.13.2</version>
</dependency>
</dependencies>

4、创建日志属性文件

在resources目录里创建log4j.properties文件

log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

5、创建词频统计映射器类

创建net.hw.mr包，在包里创建WordCountMapper类

为了更好理解Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value。

package net.hw.mr;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**功能：词频统计映射器类
 * 作者：lym
 * 日期：2022年12月02日
 */

public class WordCountMapper extends Mapper<LongWritable, Text,LongWritable,Text> {
    @Override
    protected void map(LongWritable key,Text value, Context context)
        throws IOException,InterruptedException{
        //直接将键值对数据传输到下一个阶段
        context.write(key, value);
    }

}

6、创建词频统计驱动器类

在net.hw.mr包里创建WordCountDriver类

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.net.URI;

/**
* 功能：词频统计驱动器类

* 作者：lym
* 日期：2022年12月02日
*/
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);

// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
job.waitForCompletion(true);

// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}

注意导包问题

不要导成org.apache.hadoop.mapred包下的FileInputFormat与FileOutputFormat咯~

import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;

7、运行词频统计驱动器类，查看结果

统计结果之前会显示大量信息

如果不想看到统计结果之前的大堆信息，可以修改log4j.properties文件，将INFO改为ERROR

再运行程序，查看结果

行首数字，表示每行起始位置在整个文件的偏移量（offset）。
第一行：hello hadoop world\n 16个字母，2个空格，1个转义字符，总共19个字符，因此，第二行起始位置在整个文件的偏移量就是19。
第二行：hello hive world\n 14个字母，2个空格，1个转义字符，总共17个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 = 36。
第三行：hello hbase world\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。
第四行：hadoop hive hbase\n 15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。

利用Hadoop WebUI界面查看结果文件

8、修改词频统计映射器类

行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。
将每行按空格拆分成单词数组，输出<单词, 1>的键值对

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}

由于WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver。

9、修改词频统计驱动器类

修改map任务输出键值类型

10、启动词频统计驱动器类，查看结果

观察输出结果，map阶段会按键排序输出

对于这样一组键值对，传递到reduce阶段，按键排序，其值构成迭代器

I   <1>
and   <1>
hadoop   <1,1,1>
hbase   <1,1>
Hello   <1,1,1>
hive   <1,1,1>
love   <1>
World   <1,1>

world <1>

映射任务与归并任务示意图

在这里插入图片描述

11、创建词频统计归并器类

一个类继承Reducer，变成一个Reducer组件类
Reducer组件会接收Mapper组件的输出结果
第一个泛型对应的是Mapper输出key类型
第二个泛型对应的是Mapper输出value类型
第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
Reducer组件不能单独存在，但是Mapper组件可以单独存在
当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value
在net.hw.mr包里创建WordCountReducer

package net.hw.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

/**
* 功能：词频统计归并器
* 作者：lym
* 日期：2022年12月16日
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, Text> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义整数数组列表
List<Integer> integers = new ArrayList<>();
// 遍历输入值迭代器
for (IntWritable value : values) {
// 将每个值添加到数组列表
integers.add(value.get()); // 利用get()方法将hadoop数据类型转换成java数据类型
}
// 输出新的键值对，注意要将java字符串转换成hadoop的text类型
context.write(key, new Text(integers.toString()));
}
}

创建了词频统计归并器之后，我们一定要告知词频统计驱动器类

12、修改词频统计驱动器类

设置词频统计的Reducer类及其输出键类型和输出值类型（Text，Text）

13、运行词频统计驱动器类，查看结果

运行WordCountDriver类，查看结果

现在我们需要修改词频统计归并器，将每个键（单词）的值迭代器进行累加，得到每个单词出现的总次数。

14、修改词频统计归并器类

输出键值类型改为IntWritable，遍历值迭代器，累加得到单词出现次数

package net.hw.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;


import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

/**
 * 功能：词频统计归并器类
 */

public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
    @Override
    protected void reduce(Text key,Iterable<IntWritable> values,Context context)
            throws IOException,InterruptedException {
       // 定义输出键出现次数
        int count = 0;
        // 遍历输出迭代器对象，统计其出现次数
        for (IntWritable value : values){
            count = count + value.get(); // hadoop类型数据通过get（）方法转成java类型
        }
        context.write(key ,new IntWritable(count));
    }
}

由于修改了词频统计归并器的输出值类型（由Text类型改成了IntWritable类型），必须在词频统计驱动器类里进行设置

15、修改词频统计驱动器类

修改归并任务的输出值类型（IntWritable类型）

16、启动词频统计驱动器类，查看结果

此时，可以看到每个单词出现的次数

知识点学习

（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件
（2）写一个类，继承Mapper，则变成了一个Mapper组件类
（3）IntWritable, LongWritable，DoubleWritable, Text，NullWritable都是Hadoop序列化类型
（4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员
（5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value
（6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value
（7）MR框架所处理的文件可以是本地文件，也可以是HDFS文件
（8）map()被调用几次，取决于文件的行数
（9）通过context进行结果的输出，以输出key和输出value的形式来输出
（10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定
（11）输出结果文件的数据以及行数取决于context.write()方法
（12）Text => String: value.toString()
（13）String => Text: new Text(strVar)
（14）LongWritable => long: key.get()
（15）long => LongWritable: new LongWritable(longVar)

17、采用多个Reduce做合并

相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。

（1）MR默认采用哈希分区HashPartitioner

在这里插入图片描述

（2）修改词频统计驱动器类，设置分区数量

设置分区数量：3

此时，运行程序，查看结果

在Hadoop WebUI界面上可以看到，产生了三个结果文件

18、打包上传到虚拟机上运行

MR程序可以在IDEA里运行，也可以打成jar包，上传到虚拟机，利用hadoop jar命令来运行

（1）利用Maven打包

双击package命令，报错，maven插件版本不对 (我在操作的过程中未出现报错，借此运用报错的同学的图片，进行展示)

在这里插入图片描述

修改pom.xml文件，添加maven插件，记得要刷新maven

再次打包，即可生成MRWordCount-1.0-SNAPSHOT.jar

（2）将jar包上传到虚拟机

将MRWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/home目录

查看上传的jar包

（3）运行jar包，查看结果

运行报错，Java编译版本不一致导致错误，本地打包用的是JDK11，虚拟机上安装的JDK8

（4）降低项目JDK版本，重新打包

修改项目JDK

修改语言级别

修改Java编译器版本

修改pom.xml文件

重新利用maven打包

（5）重新上传jar包到虚拟机

删除master虚拟机上的jar包

重新上传jar包

（6）运行jar包，查看结果

执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriver

19、创建新词频统计驱动器类

由用户指定输入路径和输出路径，如果用户不指定，那么由程序来设置
在net.hw.mr包里创建WordCountDriverNew类

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.net.URI;

/**
* 功能：新词频统计驱动器类
* 作者：lym
* 日期：2022年12月16日
*/
public class WordCountDriverNew {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriverNew.class);

// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);

// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);

// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 声明输入目录
Path inputPath = null;
// 声明输出目录
Path outputPath = null;
// 判断输入参数个数
if (args.length == 0) {
// 创建输入目录
inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
outputPath = new Path(uri + "/wordcount/output");
} else if (args.length == 2) {
// 创建输入目录
inputPath = new Path(uri + args[0]);
// 创建输出目录
outputPath = new Path(uri + args[1]);
} else {
// 提示用户参数个数不符合要求
System.out.println("参数个数不符合要求，要么是0个，要么是2个！");
// 结束应用程序
return;
}

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
job.waitForCompletion(true);

// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}

20、重新打包上传虚拟机并执行

重新打包

删除先前的jar包

上传新的单词文件

上传新的jar包

执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew，不指定输入路径和输出路径参数

执行命令：hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.hw.mr.WordCountDriverNew /winter/input，指定输入路径参数，不指定输出路径参数

21、将三个类合并成一个类完成词频统计

在net.hw.mr包里创建WordCount类

package net.hw.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;
import java.net.URI;

/**
* 功能：词频统计
* 作者：lym
* 日期：2022年12月16日
*/
public class WordCount extends Configured implements Tool {

public static class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 清洗所有英文标点符号（\p——属性[property]，P——标点符号[Punctuation]）
line = line.replaceAll("[\\pP]", "");
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}

public static class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 历输出值迭代对象，统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}

@Override
public int run(String[] strings) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");

// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);

// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);

// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);

// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);

// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount2/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount2/output");

// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);

// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);

// 等待作业完成
boolean res = job.waitForCompletion(true);

// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}

if (res) {
return 0;
} else {
return -1;
}
}

public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new WordCount(), args);
System.exit(res);
}
}