MapReduce，组合式，迭代式，链式

1.迭代式mapreduce

    一些复杂的任务难以用一次mapreduce处理完成，需要多次mapreduce才能完成任务，例如Pagrank，Kmeans算法都需要多次的迭代，关于mapreduce迭代在mahout中运用较多。有兴趣的可以参考一下mahout的源码。

     在map/reduce迭代过程中，思想还是比较简单，就像类似for循环一样，前一个mapreduce的输出结果，作为下一个mapreduce的输入，任务完成后中间结果都可以删除。如代码所以：

Configuration conf1 = new Configuration();Job job1 = new Job(conf1,"job1");.....FileInputFormat.addInputPath(job1,InputPaht1);FileOutputFromat.setOoutputPath(job1,Outpath1);job1.waitForCompletion(true);//sub MapreduceConfiguration conf2 = new Configuration();Job job2 = new Job(conf1,"job1");.....FileInputFormat.addInputPath(job2,Outpath1);FileOutputFromat.setOoutputPath(job2,Outpath2);job2.waitForCompletion(true);//sub MapreduceConfiguration conf3 = new Configuration();Job job3 = new Job(conf1,"job1");.....FileInputFormat.addInputPath(job3,Outpath2);FileOutputFromat.setOoutputPath(job3,Outpath3);job3.waitForCompletion(true);.....

下面列举一个mahout怎样运用mapreduce迭代的，下面的代码快就是mahout中kmeans的算法的代码，在main函数中用一个while循环来做mapreduce的迭代，其中：runIteration()是一次mapreduce的过程。

但个人感觉现在的mapreduce迭代设计不太满意的地方。

1. 每次迭代，如果所有Job（task）重复创建，代价将非常高。

2.每次迭代，数据都写入本地和读取本地，I/O和网络传输的代价比较大。

好像Twister和Haloop的模型能过比较好的解决这些问题，但他们抽象度不够高，支持的计算有限。

期待着下个版本hadoop更好的支持迭代算法。

//main functionwhile (!converged && iteration <= maxIterations) {      log.info("K-Means Iteration {}", iteration);      // point the output to a new directory per iteration      Path clustersOut = new Path(output, AbstractCluster.CLUSTERS_DIR + iteration);      converged = runIteration(conf, input, clustersIn, clustersOut, measure.getClass().getName(), delta);      // now point the input to the old output directory      clustersIn = clustersOut;      iteration++;}  private static boolean runIteration(Configuration conf,                                      Path input,                                      Path clustersIn,                                      Path clustersOut,                                      String measureClass,                                      String convergenceDelta)    throws IOException, InterruptedException, ClassNotFoundException {    conf.set(KMeansConfigKeys.CLUSTER_PATH_KEY, clustersIn.toString());    conf.set(KMeansConfigKeys.DISTANCE_MEASURE_KEY, measureClass);    conf.set(KMeansConfigKeys.CLUSTER_CONVERGENCE_KEY, convergenceDelta);    Job job = new Job(conf, "KMeans Driver running runIteration over clustersIn: " + clustersIn);    job.setMapOutputKeyClass(Text.class);    job.setMapOutputValueClass(ClusterObservations.class);    job.setOutputKeyClass(Text.class);    job.setOutputValueClass(Cluster.class);    job.setInputFormatClass(SequenceFileInputFormat.class);    job.setOutputFormatClass(SequenceFileOutputFormat.class);    job.setMapperClass(KMeansMapper.class);    job.setCombinerClass(KMeansCombiner.class);    job.setReducerClass(KMeansReducer.class);    FileInputFormat.addInputPath(job, input);    FileOutputFormat.setOutputPath(job, clustersOut);    job.setJarByClass(KMeansDriver.class);    HadoopUtil.delete(conf, clustersOut);    if (!job.waitForCompletion(true)) {      throw new InterruptedException("K-Means Iteration failed processing " + clustersIn);    }    FileSystem fs = FileSystem.get(clustersOut.toUri(), conf);    return isConverged(clustersOut, conf, fs);  }

2.依赖关系组合式MapReduce

我们可以设想一下MapReduce有3个子任务job1,job2,job3构成，其中job1和job2相互独立，job3要在job1和job2完成之后才执行。这种关系就叫复杂数据依赖关系的组合时mapreduce。hadoop为这种组合关系提供了一种执行和控制机制，hadoop通过job和jobControl类提供具体的编程方法。Job除了维护子任务的配置信息，还维护子任务的依赖关系，而jobControl控制整个作业流程，把所有的子任务作业加入到JobControl中，执行JobControl的run（）方法即可运行程序。

下面给出伪代码：

Configuration job1conf = new Configuration();Job job1 = new Job(job1conf,"Job1");.........//job1 其他设置Configuration job2conf = new Configuration();Job job2 = new Job(job2conf,"Job2");.........//job2 其他设置Configuration job3conf = new Configuration();Job job3 = new Job(job3conf,"Job3");.........//job3 其他设置job3.addDepending(job1);//设置job3和job1的依赖关系job3.addDepending(job2);JobControl JC = new JobControl("123");JC.addJob(job1);//把三个job加入到jobcontorl中JC.addJob(job2);JC.addJob(job3);JC.run();

3.链式MapReduce

首先看一下例子，来说明为什么要有链式MapReduce，假设在统计单词是，会出现这样的词，make，made，making等，他们都属于一个词，在单词累加的时候，都归于一个词。解决的方法为用一个单独的Mapreduce任务可以实现，单增加了多个Mapreduce作业，将增加整个作业处理的周期，还增加了I/O操作，因而处理效率不高。

一个较好的办法就是在核心的MapReduce之外，增加一个辅助的Map过程，然后将这个辅助的Map过程和核心的Mapreudce过程合并为一个链式的Mapreduce，从而完成整个作业。hadoop提供了专门的链式ChainMapper和ChainReducer来处理链式任务，ChainMapper允许一个Map任务中添加多个Map的子任务，ChainReducer可以在Reducer执行之后，在加入多个Map的子任务。其调用形式如下：

ChainMapper.addMapper(...);    ChainReducer.addMapper(...);    //addMapper()调用的方法形式如下：    public static void addMapper(JOb job,            Class<? extends Mapper> mclass,            Class<?> inputKeyClass,            Class<?> inputValueClass,            Class<?> outputKeyClass,            Class<?> outputValueClass,            Configuration conf    ){    }

其中，ChainReducer专门提供了一个setRreducer()方法来设置整个作业唯一的Reducer。

note：这些Mapper和Reducer之间传递的键和值都必须保持一致。

下面举个例子：用ChainMapper把Map1加如并执行，然后用ChainReducer把Reduce和Map2加入到Reduce过程中。代码如下：Map1.class 要实现map方法

public void function throws IOException {        Configuration conf = new Configuration();        Job job = new Job(conf);        job.setJobName("ChianJOb");        // 在ChainMapper里面添加Map1        Configuration map1conf = new Configuration(false);        ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,                Text.class, Text.class, true, map1conf);        // 在ChainReduce中加入Reducer，Map2；        Configuration reduceConf = new Configuration(false);        ChainReducer.setReducer(job, Reduce.class, LongWritable.class,                Text.class, Text.class, Text.class, true, map1conf);        Configuration map2Conf = new Configuration();        ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,                Text.class, Text.class, true, map1conf);        job.waitForCompletion(true);    }