数据库实验5MapReduce Prgramming实验

MapReduce Prgramming实验

Source Code for WordCount v1.0
From http://hadoop.apache.org/docs/stable/mapred_tutorial.html#Source+Code
WordCount.java

1. package org.myorg;
3. import java.io.IOException;
4. import java.util.*;
6. import org.apache.hadoop.fs.Path;
7. import org.apache.hadoop.conf.*;
8. import org.apache.hadoop.io.*;
9. import org.apache.hadoop.mapred.*;
10. import org.apache.hadoop.util.*;
12. public class WordCount {
14. public static class Map extends MapReduceBase implements Mapper {

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

16.  private Text word = new Text();  
    

18.  public void map(LongWritable key, Text value, OutputCollector output, Reporter reporter) throws IOException {  
    

19.    String line = value.toString();  
    

20.    StringTokenizer tokenizer = new StringTokenizer(line);  
    

21.    while (tokenizer.hasMoreTokens()) {  
    

22.      word.set(tokenizer.nextToken());  
    

23.      output.collect(word, one);  
    

24.    }  
    

25.  }  
    

26. }
28. public static class Reduce extends MapReduceBase implements Reducer {

29.  public void reduce(Text key, Iterator values, OutputCollector output, Reporter reporter) throws IOException {  
    

2
30. int sum = 0;
31. while (values.hasNext()) {
32. sum += values.next().get();
33. }
34. output.collect(key, new IntWritable(sum));
35. }
36. }
37.
38. public static void main(String[] args) throws Exception {
39. JobConf conf = new JobConf(WordCount.class);
40. conf.setJobName(“wordcount”);
41.
42. conf.setOutputKeyClass(Text.class);
43. conf.setOutputValueClass(IntWritable.class);
44.
45. conf.setMapperClass(Map.class);
46. conf.setCombinerClass(Reduce.class);
47. conf.setReducerClass(Reduce.class);
48.
49. conf.setInputFormat(TextInputFormat.class);
50. conf.setOutputFormat(TextOutputFormat.class);
51.
52. FileInputFormat.setInputPaths(conf, new Path(args[0]));
53. FileOutputFormat.setOutputPath(conf, new Path(args[1]));
54.
55. JobClient.runJob(conf);
56. }
57. }

演练
WordCount应用程序非常简单。
Mapper实现(第14-26行)通过map方法(第18-25行)一次处理一行，这是由指定的TextInputFormat(第49行)提供的。然后，它通过StringTokenizer将行分割成由空白分隔的令牌，并发出一对键值
< , 1>.

对于给定的示例输入，第一个映射发出:
< Hello, 1>
< World, 1>
< Bye, 1>
< World, 1>

第二个map发出:
< Hello, 1>
< Hadoop, 1>
< Goodbye, 1>
< Hadoop, 1>

在本教程稍后的部分中，我们将了解为给定作业生成的映射的数量，以及如何以细粒度的方式控制它们。

WordCount还指定了一个组合器(第46行)。因此，在对键进行排序之后，每个映射的输出将通过本地组合器(根据作业配置，与Reducer相同)进行本地聚合。

第一个map的输出:
< Bye, 1>
< Hello, 1>
< World, 2>

第二个map的输出:
< Goodbye, 1>
< Hadoop, 2>
< Hello, 1>

Reducer实现(第28-36行)通过reduce方法(第29-35行)总结了值，这些值是每个键(即本例中的单词)的出现计数。

因此作业的输出为:
< Bye, 1>
< Goodbye, 1>
< Hadoop, 2>
< Hello, 2>
< World, 2>
run方法指定作业的各个方面，例如JobConf中的输入/输出路径(通过命令行传递)、键/值类型、输入/输出格式等。然后它调用JobClient.runJob(第55行)来提交和监视其进度。

一些关于WordCount程序的评论
Chuck Lam的Hadoop in Action (Greenwich, CT: Manning Publications, 2011)在第13-14页中给出了WordCount的伪代码
要分布在许多机器上的第一阶段的伪代码是

define wordCount as Multiset;
for each document in documentSubset {
T = tokenize(document);
for each token in T {
wordCount[token]++;
}
}
sendToSecondPhase(wordCount);

第二阶段的伪代码是

define totalWordCount as Multiset;
for each wordCount received from firstPhase {
multisetAdd (totalWordCount, wordCount);
}

在第17-18页的WordCount程序中，该书还建议进行以下改进
我们想对程序做的更改很容易发现。我们看到WordCount在其默认设置中使用Java的StringTokenizer，该设置仅基于空白进行标记。为了忽略标准标点符号，我们将它们添加到StringTokenizer的分隔符字符列表中:

StringTokenizer itr = new StringTokenizer(line, " \t\n\r\f,.:;?![]’");

在遍历标记集时，提取每个标记并将其转换为文本对象。(同样，在Hadoop中，使用特殊的类文本代替字符串)。我们希望单词计数忽略大写，因此在将它们转换为Textobjects之前，我们将所有单词都小写。

word.set(itr.nextToken().toLowerCase());

我们修改以仅在满足该条件时才将单词计数收集到输出中。(这是Hadoop中的emit()函数，相当于伪代码中的emit()函数)。)
if (sum > 4) output.collect(key, new IntWritable(sum));

Exercise 1 MapReduce using the Java Perspective

使用JAVA透视图MAPREDUCE
1.1开始BIGINSIGHTS组件在ECLIPSE
1.2定义了一个JAVA项目
1.3创建一个JAVA包MAPPER类
1.4完成MAPPER
1.5创建类减速器
1.6完成减速器
1.7创建驱动程序
1.8创建一个JAR文件
1.9添加组合器函数
1.10重新创建JAR文件
1.11再次运行您的应用程序

lab1 Mapreduce使用Java透视图
在这个练习中，学生开发了一个MapReduce应用程序，该应用程序使用Eclipse中的Java透视图查找最高的月平均温度。

完成这个动手实验后，你将能够:
•在Eclipse中使用Java透视图编写MapReduce应用程序

给这个实验室45分钟。
这个版本的实验室是使用InfoSphere BigInsights 2.1快速启动版设计的，但已经在3.0映像上进行了测试。在整个实验过程中，您将使用以下帐户登录信息。如果您的密码不同，请注意差异。

假设您已经按照本课程的指导下载并解压缩了BDU_Hadoop_Files.tar. 文件。这个练习需要tar文件中的数据。

1.1启动BigInsights组件

__ 1。使用biadmin的用户id和密码登录到BigInsights映像。

__ 2。启动BigInsights组件。使用桌面上的图标。

__ 3。从命令行(右键单击桌面并选择Open in Terminal)执行:
hadoop fs -mkdir TempData

__ 4。从本地文件系统上传一些温度数据。
hadoop fs -copyFromLocal /home/labfiles/SumnerCountyTemp.dat /user/biadmin/TempData

__5。您可以从Web控制台的Files选项卡或通过执行以下命令查看此数据。第95列的值(354,353,353,353,352…)是平均每日温度。它们是实际平均值的乘积温度值乘以10。(这样你就不用担心小数点的问题了)
hadoop fs -cat TempData/SumnerCountyTemp.dat

1.2在Eclipse 中定义Java项目

__ 1。使用桌面上的图标启动Eclipse。使用默认工作区。

__ 2。确保您正在使用Java透视图。点击 Window->Open Perspective>Other.。然后选择Java。单击OK。

__ 3。创建一个Java项目。选择File->New->Java Project. 。

__ 4。指定项目名称MaxTemp。单击Finish。

__ 5。右键单击MaxTemp项目，向下滚动并选择Properties。

__ 6。选择 Java Build Path

__ 7。在“属性”对话框中，选择Libraries 选项卡。

__ 8。单击Add Library按钮。

__ 9。选择BigInsights Libraries 并单击Next。然后单击Finish。然后单击OK。

1.3创建Java包和mapper类

__ 1。在Package Explorer中展开MaxTemp并右键单击src。选择New->Package。

__ 2。键入com.some.company的名称。单击Finish。

__ 3。右键单击com.some.company并选择New->Class。

__ 4。输入MaxTempMapper的名称。它将是一个公共类。单击Finish。
mapper的输入键的数据类型是LongWritable。数据本身将是文本类型。mapper的输出键类型为Text。来自制图器的数据(温度)将是IntWritable的类型。

__ 5。你的类:
__ a.你需要导入java.io.IOException。
__ b. Exend Mapper

__ c.定义一个名为map的公共类。

你的代码应该看起来像这样:
package com.some.company;

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class MaxTempMapper extends
Mapper {

@Override public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {

}
}

1.4完成映射器

在一行数据中正在读取的。您将希望将其转换为字符串，以便进行一些字符串操作。您需要提取每个记录的月份和平均温度。

月份从记录的第22个字符(零偏移量)开始，平均温度从第95个字符开始。(记住，平均温度值是三位数。)

__ 1。在map方法中，添加以下代码(或者您认为需要的任何代码):
String line = value.toString();
String month = line.substring(22,24);
int avgTemp;
avgTemp = Integer.parseInt(line.substring(95,98));
context.write(new Text(month), new IntWritable(avgTemp));

__ 2。保存您的工作。

1.5创建reducer类

__ 1。在包资源管理器中右键单击com.some.company并选择New->类。

__ 2。输入MaxTempReducer的名称。它将是一个公共类。单击Finish。

还原程序的输入键的数据类型将是文本。数据本身的类型为IntWritable。减速机的输出键为文本类型。而来自减速器的数据将是IntWritable的类型。

__ 3。你的类:
__ a.您需要导入java.io.IOException。
__ b. Extend Reducer
__c.定义一个名为reduce的公共类。

__ d.您的代码应该如下所示:

package com.some.company;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class MaxTempReducer extends
Reducer {
@Override
public void reduce(Text key, Iterable values, Context context)
throws IOException, InterruptedException { }
}

1.6完成reducer

对于简化程序，您希望遍历给定键的所有值。对于每个值，检查它是否高于其他任何值。
__ 1。将以下代码(或您的变体)添加到reduce方法中。
int maxTemp = Integer.MIN_VALUE;
for (IntWritable value: values) {
maxTemp = Math.max(maxTemp, value.get());
}
context.write(key, new IntWritable(maxTemp));

__ 2。保存您的工作。

1.7创建驱动程序

__ 1。在包资源管理器中右键单击com.some.company并选择New->类。

__ 2。输入MaxMonthTemp的名称。它将是一个公共类。单击Finish。

GenericOptionsParser()将提取任何不是系统参数的输入参数，并将它们放在一个数组中。在您的示例中，将向应用程序传递两个参数。第一个参数是输入文件。第二个参数是输出目录。(此目录必须不存在，否则MapReduce应用程序将失败。)你的代码应该是这样的:

package com.some.company; 
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; 
 
import com.some.company.MaxTempReducer; 
import com.some.company.MaxTempMapper; 
 
public class MaxMonthTemp { 
 
   public static void main(String[] args) throws Exception {       
   Configuration conf = new Configuration(); 
 
      String[] programArgs =            new GenericOptionsParser(conf, args).getRemainingArgs();       
      if (programArgs.length != 2) {          
	      System.err.println("Usage: MaxTemp  ");          
	      System.exit(2);       
      }       
      Job job = new Job(conf, "Monthly Max Temp");       
      job.setJarByClass(MaxMonthTemp.class);       
      job.setMapperClass(MaxTempMapper.class);      
       job.setReducerClass(MaxTempReducer.class); 
 
      job.setOutputKeyClass(Text.class);       
      job.setOutputValueClass(IntWritable.class); 
 
      FileInputFormat.addInputPath(job, new Path(programArgs[0])); 
 
      FileOutputFormat.setOutputPath(job, new Path(programArgs[1])); 
 
      // Submit the job and wait for it to finish. 
       System.exit(job.waitForCompletion(true) ? 0 : 1); 
 
   } } 

__3.保存你的工作

1.8创建JAR文件

__ 1。在Package Explorer中，展开MaxTemp项目。右键单击src并选择Export。

__ 2。展开Java并选择JAR文件。单击Next。

__ 3。单击JAR文件浏览按钮。输入MyMaxTemp.jar的名称。保存biadmin作为文件夹。单击OK。

__ 4。单击Finish。

为了节省时间，现在不运行应用程序。您将添加一个combiner类，然后运行应用程序。

1.9添加组合函数

__ 1。返回Eclipse开发环境。您将向应用程序中添加一个组合函数。在实际的多节点集群中，这将允许在mapper节点上执行一些减少功能，并减少网络流量。

__ 2。查看MaxMonthTemp.java的代码。在job.setMaperClass(MaxTempMapper.class)之后添加以下语句;声明。
job.setCombinerClass(MaxTempReducer.class);

__ 3。保存您的工作。

1.10重新创建JAR文件

__ 1。在Project Explorer中展开MaxTemp项目。右键单击src并选择Export。

__ 2。展开Java并选择JAR文件。单击Next。

__ 3。单击JAR文件browse 按钮。输入MyMaxTemp.jar的名称。保存biadmin作为文件夹。单击OK。

__ 4。单击Finish。覆盖并替换上一个JAR。

1.11运行应用程序

__ 1。您需要一个命令行。你可能得再开一个。切换到biadmin的主目录。
cd ~

__ 2。执行程序。命令行输入:
hadoop jar MyMaxTemp.jar com.some.company.MaxMonthTemp /user/biadmin/TempData/SumnerCountyTemp.dat /user/biadmin/TempDataOut

__ 3。关闭Eclipse中打开的编辑窗口。

Exercise 2 MapReduce using the BigInsights Perspective

lab1 Mapreduce使用BigInsights透视图

在本练习中，学生将使用BigInsights Eclipse开发环境中的MapReduce向导为应用程序创建基础。然后学生可以比较使用开发环境的好处。

完成这个动手实验后，你将能够:
•使用BigInsights Eclipse MapReduce向导生成MapReduce模板

给这个实验室45分钟。

这个版本的实验室是使用InfoSphere BigInsights 2.1快速启动版设计的，但已经在3.0映像上进行了测试。在整个实验过程中，您将使用以下帐户登录信息。如果您的密码不同，请注意差异。

您刚刚经历了创建MapReduce应用程序的过程。因为提供了代码，所以相对容易。但是，如果该练习只指定编写MapReduce应用程序呢?就是这样。不提供代码。你会从哪里开始?在练习的这一部分中，您将使用BigInsights开发环境开始这项工作。

1.1创建MapReduce模板

__ 1。如果您关闭了Eclipse，那么通过双击桌面上的Eclipse图标来启动Eclipse。当需要工作区时，单击OK。

__ 2。选择BigInsights文本分析工作流透视图。在菜单栏中，选择Window->Open Perspective->Other。选择BigInsights并单击OK。

__ 3。如果BigInsights任务启动器不再打开，点击 Help->Task launcher for Big Data.

__ 4。在BigInsights任务启动器中，应该选择Overview选项卡。单击 Create a new BigInsights project.

__ 5。输入一个名为BIMaxTemp的项目名称。单击Finish。(你可以关闭帮助选项卡)

__ 6。在BigInsights任务启动器中，单击Develop 选项卡。

__ 7。选择 Create a BigInsights program.

__ 8。单击 Java MapReduce Program radiobutton，然后单击OK。(这将完成与右键单击MaxTemp->New->Other相同的事情。)然后在BigInsights下，选择Java MapReduce Program)。

__ 9。为mapper类指定模板信息。对于源文件夹，单击Browse按钮，展开BIMaxTemp，选择src，然后单击OK。

__ 10。键入com.ibm的包。

__ 11。对于名称，输入MaxTempMapper。
mapper的输入键的数据类型是LongWritable。数据本身将是文本类型。mapper的输出键类型为Text。来自制图器的数据(温度)将是IntWritable的类型。

__ 12。对于输入键的类型，选择Browse按钮。在LongWritable类型。在显示的列表中，选择LongWritable- org.apache.hadoop.io。单击OK。

__ 13。对于输入值的类型，选择Browse按钮。输入Text 。在显示的列表中，选择Text - org.apache.hadoop.io。单击OK。

__ 14。对于输出键的类型，选择Browse按钮。在匹配项列表中选择Text 。单击OK。

__ 15。对于输出值的类型，选择Browse按钮。在IntWritable类型。在显示的列表中，选择IntWritable- org.apache.hadoop.io。单击OK。

__ 16。单击Next。

__ 17。现在，为reducer类指定模板信息。要获得reducer类的名称，输入MaxTempReducer。

__ 18。对于输出键的类型，选择Browse按钮。选择显示列表中的文本。单击OK。

__ 19。对于输出值的类型，选择Browse按钮。在显示的列表中选择IntWritable，选择IntWritable- org.apache.hadoop.io。单击OK。

__ 20。单击Next。

__ 21。最后为驱动程序指定模板信息。对于主类，输入一个com.ibm包。

__ 22。对于名称类型MaxMonthlyTemp。然后单击Finish。

__ 23。查看生成的三个Java类的代码。您所需要做的就是添加特定于MapReduce应用程序的代码。您可以看到，使用这个BigInsights向导，极大地简化了生成MapReduce应用程序。为了加快速度，您实际上不需要向这些模板添加任何代码。我只是想让你们看到使用BigInsights的好处。

__ 24。关闭打开的编辑窗口。然后关闭Eclipse。

__ 25。双击桌面上的Stop BigInsights图标，停止BigInsights组件。