hadoop学习之路（二）hadoop基本概念原理以及单词统计任务源码分析

在上一遍博文中，已经将hadoop集群环境搭建完毕。那么，接下来，笔者再根据安装过程中的一些名词对象进行解释，以及大致的运行原理。最后，再获取hadoop-example jar中的单词计数源码，进行解释并在hadoop环境中运行。

一、hadoop基本概念

hadoop包括两个核心组成：
HDFS：分布式文件系统，存储海量的数据
MapReduce：并行处理框架，实现任务分解和调度。

整个HDFS三个重要角色：NameNode、DataNode和Client。NameNode可以看作是分布式文件系统中的管理者，主要负责管理文件系统的命名空间、集群配置信息和存储块的复制等。NameNode会将文件系统的Meta-data存储在内存中，这些信息主要包括了文件信息、每一个文件对应的文件块的信息和每一个文件块在DataNode的信息等。DataNode是文件存储的基本单元，它将Block存储在本地文件系统中，保存了Block的Meta-data，同时周期性地将所有存在的Block信息发送给NameNode。Client就是需要获取分布式文件系统文件的应用程序。

MapReduce 是现今一个非常流行的分布式计算框架，它被设计用于并行计算海量数据。第一个提出该技术框架的是Google 公司，而Google 的灵感则来自于函数式编程语言，如LISP，Scheme，ML 等。MapReduce 框架的核心步骤主要分两部分：Map 和Reduce。当你向MapReduce 框架提交一个计算作业时，它会首先把计算作业拆分成若干个Map 任务，然后分配到不同的节点上去执行，每一个Map 任务处理输入数据中的一部分，当Map 任务完成后，它会生成一些中间文件，这些中间文件将会作为Reduce 任务的输入数据。Reduce 任务的主要目标就是把前面若干个Map 的输出汇总到一起并输出。

二、hadoop运行机制

关于hadoop的运行机制，这里由于笔者还没真正弄透彻，只是知道一个大致的处理思想。下面就贴几张比较形象的图片：
HDFS：

文件写入：
Client向NameNode发起文件写入的请求。
NameNode根据文件大小和文件块配置情况，返回给Client它所管理部分DataNode的信息。
Client将文件划分为多个Block，根据DataNode的地址信息，按顺序写入到每一个DataNode块中。
文件读取：
Client向NameNode发起文件读取的请求。
NameNode返回文件存储的DataNode的信息。
Client读取文件信息。
文件Block复制：
NameNode发现部分文件的Block不符合最小复制数或者部分DataNode失效。
通知DataNode相互复制Block。
DataNode开始直接相互复制。

MapReduce工作原理：

一切都是从最上方的user program开始的，user program链接了MapReduce库，实现了最基本的Map函数和Reduce函数。

MapReduce库先把user program的输入文件划分为M份（M为用户定义），每一份通常有16MB到64MB，如图左方所示分成了split0~4(文件块)；然后使用fork将用户进程拷贝到集群内其它机器上。
user program的副本中有一个称为master，其余称为worker，master是负责调度的，为空闲worker分配作业（Map作业或Reduce作业），worker数量可由用户指定的。
被分配了Map作业的worker，开始读取对应文件块的输入数据，Map作业数量是由M决定的，和split一一对应；Map作业(包含多个map函数)从输入数据中抽取出键值对，每一个键值对都作为参数传递给map函数，map函数产生的中间键值对被缓存在内存中。
缓存的中间键值对会被定期写入本地磁盘。主控进程知道Reduce的个数，比如R个（通常用户指定）。然后主控进程通常选择一个哈希函数作用于键并产生0~R-1个桶编号。Map任务输出的每个键都被哈希起作用，根据哈希结果将Map的结果存放到R个本地文件中的一个（后来每个文件都会指派一个Reduce任务）。
master通知分配了Reduce作业的worker它负责的分区在什么位置。当Reduce worker把所有它负责的中间键值对都读过来后，先对它们进行排序，使得相同键的键值对聚集在一起。因为不同的键可能会映射到同一个分区也就是同一个Reduce作业（谁让分区少呢），所以排序是必须的。
reduce worker遍历排序后的中间键值对，对于每个唯一的键，都将键与关联的值传递给reduce函数，reduce函数产生的输出会添加到这个分区的输出文件中。
当所有的Map和Reduce作业都完成了，master唤醒正版的user program，MapReduce函数调用返回user program的代码。
所有执行完毕后，MapReduce输出放在了R个分区的输出文件中（分别对应一个Reduce作业）。用户通常并不需要合并这R个文件，而是将其作为输入交给另一个MapReduce程序处理。整个过程中，输入数据是来自底层分布式文件系统（GFS）的，中间数据是放在本地文件系统的，最终输出数据是写入底层分布式文件系统（GFS）的。而且我们要注意Map/Reduce作业和map/reduce函数的区别：Map作业处理一个输入数据的分片，可能需要调用多次map函数来处理每个输入键值对；Reduce作业处理一个分区的中间键值对，期间要对每个不同的键调用一次reduce函数，Reduce作业最终也对应一个输出文件。

函数说明 pid_t fork( void)

一个现有进程可以调用fork函数创建一个新进程。由fork创建的新进程被称为子进程。fork函数被调用一次但返回两次。两次返回的唯一区别是子进程中返回0值而父进程中返回子进程ID。子进程是父进程的副本，它将获得父进程数据空间、堆、栈等资源的副本。注意，子进程持有的是上述存储空间的“副本”，这意味着父子进程间不共享这些存储空间。
这里关于hadoop的原理参考了以下两篇博文：
HDFS的运行原理：http://www.cnblogs.com/laov/p/3434917.html，
MapReduce工作原理：http://www.cnblogs.com/kaituorensheng/p/3958862.html

三、单词统计源码分析

这里，笔者搭建一个简单的maven项目，添加hadoop依赖，将hadoop src下的单词计数代码迁移过来，稍作修改，结构如下：

pom.xml：

<?xml version="1.0"?><project xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd" xmlns="http://maven.apache.org/POM/4.0.0"    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">  <modelVersion>4.0.0</modelVersion>  <parent>    <groupId>org.qiyongkang.hadoop</groupId>    <artifactId>qyk_hadoop_1.x</artifactId>    <version>0.0.1-SNAPSHOT</version>  </parent>  <groupId>org.qiyongkang.hadoop</groupId>  <artifactId>qyk_hadoop_1_wordcount</artifactId>  <version>0.0.1-SNAPSHOT</version>  <name>qyk_hadoop_1_wordcount</name>  <url>http://maven.apache.org</url>  <properties>    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>  </properties>  <dependencies>    <dependency>      <groupId>junit</groupId>      <artifactId>junit</artifactId>      <version>3.8.1</version>      <scope>test</scope>    </dependency>  </dependencies>  <build>    <!-- 这是一个打可执行jar的插件，执行package命令即可 -->    <plugins>       <plugin>         <groupId>org.apache.maven.plugins</groupId>         <artifactId>maven-jar-plugin</artifactId>         <version>2.4</version>         <configuration>           <archive>              <manifest>                <addClasspath>false</addClasspath>                <classpathPrefix>lib/</classpathPrefix>                <mainClass>org.qiyongkang.hadoop.wordcount.WordCount</mainClass>              </manifest>            </archive>         </configuration>      </plugin>    </plugins>  </build></project>

然后，再来看看主类WordCount.java：

package org.qiyongkang.hadoop.wordcount;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;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 org.apache.hadoop.util.GenericOptionsParser;public class WordCount {  public static void main(String[] args) throws Exception {    Configuration conf = new Configuration();    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();    //如果没有两个输入参数，则不执行    if (otherArgs.length != 2) {      System.err.println("Usage: wordcount <in> <out>");      System.exit(2);    }    //创建一个作业    Job job = new Job(conf, "word count");    //设置job的main class    job.setJarByClass(WordCount.class);    //设置Mapper    job.setMapperClass(TokenizerMapper.class);    //在MapReduce中，当map生成的数据过大时，带宽就成了瓶颈，怎样精简压缩传给Reduce的数据，有不影响最终的结果呢。    //有一种方法就是使用Combiner，Combiner号称本地的Reduce，Reduce最终的输入，是Combiner的输出    job.setCombinerClass(IntSumReducer.class);    //设置Reducer    job.setReducerClass(IntSumReducer.class);    //设置输出key和value的类型    job.setOutputKeyClass(Text.class);    job.setOutputValueClass(IntWritable.class);    //设置输入文件所在路径    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //设置输出结果所在路径    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));    System.exit(job.waitForCompletion(true) ? 0 : 1);  }}

再就是Mapper类：

package org.qiyongkang.hadoop.wordcount;import java.io.IOException;import java.util.StringTokenizer;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;/** * ClassName:TokenizerMapper <br/> * Function: 分. <br/> * Date:     2016年2月23日 下午3:20:19 <br/> * @author   qiyongkang * @version   * @since    JDK 1.6 * @see       */public class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{    private final static IntWritable one = new IntWritable(1);    private Text word = new Text();    @Override    protected void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context)            throws IOException, InterruptedException {        //我们当时放入到hdfs中input目录下的文件，每个文件都是包含单词的字符文本        StringTokenizer itr = new StringTokenizer(value.toString());        while (itr.hasMoreTokens()) {          //这里取到每一个单词，作为map的输出，也就是reduce的输入          word.set(itr.nextToken());          //单词作为key，1作为value，因为每获取一个单词就记1          context.write(word, one);        }    }}

最后，就是Reducer类：

package org.qiyongkang.hadoop.wordcount;import java.io.IOException;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;/** * ClassName:IntSumReducer <br/> * Date:     2016年2月23日 下午3:23:34 <br/> * @author   qiyongkang * @version   * @since    JDK 1.6 * @see       */public class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {    private IntWritable result = new IntWritable();    @Override    protected void reduce(Text key, Iterable<IntWritable> values,            Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {        //这里map的输出都是单词，1的形势，洗牌后，我们把相同key也就是单词进行汇总        int sum = 0;        for (IntWritable val : values) {          sum += val.get();        }        result.set(sum);        //以单词 数量的格式输出        context.write(key, result);    }}

相关的解释已在注解中标明。
然后，运行mvn package便可打成jar包，再将此包上传到服务器，这里笔者放在200服务器的/root目录下。

四、运行单词统计并查看作业运行状态

启动hadoop后，运行hadoop jar /root/qyk_hadoop_1_wordcount-0.0.1-SNAPSHOT.jar input output，可以看到：
，
然后，运行hadoop fs -cat output/*，查看统计结果：
，
最后访问http://172.31.26.200:50030/可以查看此次job运行的情况：

还可以点击查看任务运行详情：

好了，今天就介绍到这儿了。