MapReduce的组合式，迭代式，链式

1.比如我们输出的mapreduce结果，需要进入下一个mapreduce，该怎么解决？可以使用迭代式 2.那么什么是迭代式? 3.什么是依赖式？ 4.什么是链式？ 5.三种模式各自的应用场景是什么？

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，K-means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MapReduce的迭代思想，类似for循环，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。
        代码示例：

Configuration conf1 = new Configuration();

Job job1 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job1,InputPaht1);

FileOutputFromat.setOoutputPath(job1,Outpath1);

job1.waitForCompletion(true);

//sub Mapreduce

Configuration conf2 = new Configuration();

Job job2 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job2,Outpath1);

FileOutputFromat.setOoutputPath(job2,Outpath2);

job2.waitForCompletion(true);

//sub Mapreduce

Configuration conf3 = new Configuration();

Job job3 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job3,Outpath2);

FileOutputFromat.setOoutputPath(job3,Outpath3);

job3.waitForCompletion(true);

.....

 

关键点：
上面满眼的代码，下面列出关键代码：
第一个job的输出路径为Outpath1
FileOutputFromat.setOoutputPath(job1,Outpath1);

第二个job的输入路径为Outpath1，输出路径为Outpath2
FileInputFormat.addInputPath(job2,Outpath1);
FileOutputFromat.setOoutputPath(job2,Outpath2);

第三个job的输入路径为Outpath2
FileInputFormat.addInputPath(job3,Outpath2);
换句话说：第一个job的输出路径为第二个job的输入路径，以此类推。

上面采用的是一种直线式，那么他们能不能更省事，成为循环样式。
成为循环式，是可以的，但是有不少需要解决的问题：这里只是举例，你可能还会碰到其它问题。
1.需要他们的key,value等值是完全一致的，也就是说两个job或则说job之间必须是一致的。
2.输入输出路径需要区分等。


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();

 

关键点：
下面代码：addDepending()这个函数，作用的是建立两个job之间的依赖关系。那么如何建立，看下面两行

 

//下面面代码的作用是设置job3和job1的依赖关系

job3.addDepending(job1);

//下面代码的作用是设置job3和job2的依赖关系

job3.addDepending(job2);

 

建立依赖关系之后，还有一步骤，也就是还有一个类需要我们了解JobControl，通过这个类来控制他们之间的依赖关系。如何做到，通过下面代码：

 

//实例化

JobControl JC = new JobControl("123");

//把三个job加入到jobcontorl中

JC.addJob(job1);

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);

    }

关键点：

链式，那么什么是链式，链式是mapreduce中存在多个map.

那么是怎么实现的？通过链式ChainMapper和ChainReducer实现。

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。

下面为ChainMapper、ChainReducer：的具体实现。

ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,

Text.class, Text.class, true, map1conf);

ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,

Text.class, Text.class, true, map1conf);

 

hadoop本身就不适合做迭代运算，所以在实际运用中，应适当优化程序，减少MR迭代次数。如需进行大量迭代性工作，建议使用spark。