MongoDB之Hadoop驱动介绍

------------------------

1. 一些概念

Hadoop是一套Apache开源的分布式计算框架，其中包括了分布式文件系统DFS与分布式计算模型MapReduce，而MongoDB是一个面向文档的分布式数据库，它是NoSql的一种，而这里所要介绍的就是一个MongoDB的Hadoop驱动，这里就是把MongoDB作为MapReduce的输入源，充分利用MapReduce的优势来对MongoDB的数据进行处理与计算。

2. MongoDB的Hadoop驱动

目前这个版本的Hadoop驱动还是测试版本，还不能应用到实际的生产环境中去。
你可以从下面网址https://github.com/mongodb/mongo-hadoop下载到最新的驱动包，下面是它的一些依赖说明：

• 目前推荐用最新的Hadoop 0.20.203版本，或者是用Cloudera CHD3还做
• MongoDB的版本最好是用1.8+
• 还有是MongoDB的java驱动必须是2.5.3+

它的一些特点：

• 提供了一个Hadoop的Input和Output适配层，读于对数据的读入与写出
• 提供了大部分参数的可配置化，这些参数都可有XML配置文件来进行配置，你可以在配置文件中定义要查询的字段，查询条件，排序策略等

目前还不支持的功能：

• 目前还不支持多Sharding的源数据读取
• 还不支持数据的split操作

3. 代码分析
运行其examples中的WordCount.java代码

// 事先在MongoDB的test数据库的in表中加入的测试样本,使用如下方法     /** * test.in db.in.insert( { x : "eliot was here" } ) db.in.insert( { x : * "eliot is here" } ) db.in.insert( { x : "who is here" } ) = */public class WordCount {    private static final Log log = LogFactory.getLog( WordCount.class );// 这是一个Map操作    public static class TokenizerMapper extends Mapper<Object, BSONObject, Text, IntWritable> {        private final static IntWritable one = new IntWritable( 1 );        private final Text word = new Text();        public void map( Object key , BSONObject value , Context context ) throws IOException, InterruptedException{            System.out.println( "key: " + key );            System.out.println( "value: " + value );// 对词进行按空格切分            final StringTokenizer itr = new StringTokenizer( value.get( "x" ).toString() );            while ( itr.hasMoreTokens() ) {                word.set( itr.nextToken() );                context.write( word, one ); // 这里的key为词，而value为1            }        }    }// 这是Reduce操作，用于计算词出现的频率    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {        private final IntWritable result = new IntWritable();        public void reduce( Text key , Iterable<IntWritable> values , Context context ) throws IOException, InterruptedException{// 计算词出现的频率，把相同词的value相加            int sum = 0;            for ( final IntWritable val : values ) {                sum += val.get();            }            result.set( sum );            context.write( key, result ); // key为单个词,value为这个词所对应的词频率        }    }    public static void main( String[] args ) throws Exception{        final Configuration conf = new Configuration();// 定义MongoDB数据库的输入与输出表名，这里是调用本地的MongoDB，默认端口号为27017        MongoConfigUtil.setInputURI( conf, "mongodb://localhost/test.in" );        MongoConfigUtil.setOutputURI( conf, "mongodb://localhost/test.out" );        System.out.println( "Conf: " + conf );        final Job job = new Job( conf , "word count" );        job.setJarByClass( WordCount.class );// 定义Mapper,Reduce与Combiner类        job.setMapperClass( TokenizerMapper.class );        job.setCombinerClass( IntSumReducer.class );        job.setReducerClass( IntSumReducer.class );// 定义Mapper与Reduce的输出key/value的类型        job.setOutputKeyClass( Text.class );        job.setOutputValueClass( IntWritable.class );// 定义InputFormat与OutputFormat的类型        job.setInputFormatClass( MongoInputFormat.class );        job.setOutputFormatClass( MongoOutputFormat.class );        System.exit( job.waitForCompletion( true ) ? 0 : 1 );    }}

4. 分块机制的简单介绍

这里没有实现对不同shard的split操作，也就是说，对于分布在不同shard上的数据，只会产生一个Map操作。
这里本人提供了一个分片的思路，有兴趣的可以讨论一下。
我们知道，对于Collection分块后，会产生一个Config数据库，在这个数据库下有一个叫做chunks的表，其中每个chunk记录了start_row与end_row，而这些chunk可以分布在不同的shard上，我们可以通过分析这个Collection来得到每个shard上的chunk信息，从而把每个shard上的chunk信息组合成一个InputSplit,这就是这里的MongoInputSplit,这样的话，只要去修改MongoInputFormat这个类的getSplits这个方法，加入对chunks表的分析，得到shard的信息，这样就可以实现多split的Map操作，对于不同的Shard,每个Map都会调用本地的Mongos代理服务，这样就实现了移动计算而不是移动数据的目的。
这只是本人的一些想法，有兴趣的朋友可以一起来讨论一下。
下来我会发一个具体的实现。

5. 参考

* https://github.com/mongodb/mongo-hadoop
* http://www.mongodb.org/display/DOCS/Java+Language+Center