MapReduce基本原理与WordCount程序

MapReduce原理

  通过简单的Mapper和Reducer的抽象提供一个编程模型，可以在一个由几十台上百台PC组成的不可靠集群上并发地，分布式处理大量的数据集，而把并发、分布式（机器间通信）和故障恢复等计算细节隐藏起来。 而Mapper和Reducer的抽象，又是各种各样的复杂数据处理都可以分解为的基本元素。这样，复杂的数据处理可以分为多个Job（包含一个Mapper和一个Reducer）组成的有向无环图（DAG），然后每个Mapper和每个Reducer放在集群上运行，就可以得到结果。

MapReduce的输入和输出都是键值对（key-value）

Mapper 阶段：输入k1,v1,  输出k2,v2

Reducer阶段:  输入k2,v2’,  输出k3,v3

其中V2’是V2的一个集合；

3.2 MapReduce之Shuffle

Hadoop的shuffle过程就是从map端输出到reduce端输入之间的过程，这一段应该是Hadoop中最核心的部分，因为涉及到Hadoop中最珍贵的网络资源，所以shuffle过程中会有很多可以调节的参数，也有很多策略可以研究，http://langyu.iteye.com/blog/992916

Shuffle过程就是从map端输出到reduce端输入之间的过程；是MapReduce的心脏！！！

MAP的输出？ 环形缓冲区，默认100M，如果缓冲区数据达到80M，就准备写入磁盘文件。每个溢出到本地磁盘的数据已经分区并且排序（默认字典顺序），这些不同的数据块最后还要合并成一个大的文件（内容已经分区并且排序）

此图有几个分区？三个

WordCount程序：主要是一个mapper，一个reducer，源代码如下:

import java.io.IOException;
import java.util.StringTokenizer;


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.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.GenericOptionsParser;


public class WordCount {


public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {


// define the constant number ONE

private final static IntWritable one = new IntWritable(1);


private Text word = new Text();


public void map(Object key, Text value, Context context) throws IOException, InterruptedException {


StringTokenizer itr = new StringTokenizer(value.toString());


while (itr.hasMoreTokens()) {


word.set(itr.nextToken());


context.write(word, one);
}
}
}


public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();


// values are the set of each node or file
public void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException {


int sum = 0;     
for (IntWritable val : values) {
sum += val.get();
}


result.set(sum);


context.write(key, result);
}
}


public static void main(String[] args) throws Exception {


Configuration conf = new Configuration();
String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: Wordcount <in> <out>");
System.exit(2);
}


Job job = new Job(conf, "Word count");
job.setJarByClass(WordCount.class);
job.setJobName("Word count test");
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));


System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}

配置好eclipse的环境后，打开集群，设置输入输出文件的路径和运行结果截图如下：