大数据篇：MapReduce

MapReduce

MapReduce是什么?

MapReduce源自于Google发表于2004年12月的MapReduce论文，是面向大数据并行处理的计算模型、框架和平台，而Hadoop MapReduce是Google MapReduce克隆版。

如果没有MapReduce!

1. 那么在分布式计算上面将很难办，不好编程。
2. 在早期无法处理大数据的离线计算。
3. 编程中不易扩展性
4. 分布式计算任务一旦挂了，没有容错机制进行处理

说明：MapReduce不擅长的方面(慢!)

• 实时计算：像MySQL一样，在毫秒级或者秒级内返回结果。
• 流式计算：MapReduce的输入数据集是静态的，不能动态变化。
• DAG计算：多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出

现在MapReduce逐渐被Spark，Flink等框架取代。但是思想很重要，值得学习。

1 MapReduce编程模型

• 场景：有大量文件，里面存储了单词，且一个单词占一行
• 任务：如何统计每个单词出现的次数？
• 类似应用场景：
  • 搜索引擎中，统计最流行的K个搜索词；
  • 统计搜索词频率，帮助优化搜索词提示
• 三种问题
  • Case 1：整个文件可以加载到内存中；sort datafile | uniq -c；
  • Case 2：文件太大不能加载到内存中，但每一行可以存放到内存中；
  • Case 3：文件太大无法加载到内存中，且也不用保存在内存中；
• 将三种问题范化为：有一批文件（规模为TB级或者 PB级），如何统计这些文件中所有单词出现的次数；
  • 方案：首先，分别统计每个文件中单词出现次数，然后累加不同文件中同一个单词出现次数；
  • 典型的MapReduce过程。

1.1 WordCount案例

1.1.1 WordCount流程图

input阶段，我们取出文件中的一些数据
splitting阶段，我们将取出的单词进行分片
Mapping阶段，将每个出现的单词进行1次统计，转换数据类型为（单词，1）
Shuffling阶段，进行hash分片，放入对应的桶，俗称洗牌，将同样的单词放入同一个桶。
Reducing阶段，进行数据整合，求出每个词的出现的次数
Final result阶段，最后获取到的结果

1.1.2 WordCount代码及本地运行

• 1 新建word.txt文件

• Deer Bear River
  Car Car River
  Deer Car Bear

• 2 导入maven依赖

•     
          org.apache.hadoop
          hadoop-client
          3.0.0-cdh6.2.0
      
      
          org.apache.hadoop
          hadoop-common
          3.0.0-cdh6.2.0
      
      
          org.apache.hadoop
          hadoop-hdfs
          3.0.0-cdh6.2.0
      

• 3 map类

• import org.apache.hadoop.io.IntWritable;
  import org.apache.hadoop.io.LongWritable;
  import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Mapper;
  import java.io.IOException;
  
  /**
   * Mapper 四个泛型意思：
   * Mapper
   * KEYIN -> LongWritable:偏移量(存储该行在整个文件中的起始字节偏移量)
   * VALUEIN -> Text:进入数据类型
   * KEYOUT -> Text:输出数据键类型
   * VALUEOUT -> IntWritable:输出数据值类型
   */
  public class WcMapper extends Mapper {
      private Text word = new Text();
      private IntWritable one = new IntWritable(1);
  
      @Override
      protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
          //拿到一行数据,以空格切分
          String[] words = value.toString().split(" ");
          //遍历单词数据，将数据变成（单词，1）的形式放入上下文中（框架）
          for (String word : words) {
              this.word.set(word);
              context.write(this.word, one);
          }
      }
  }

• 4 reducer类

• import org.apache.hadoop.io.IntWritable;
  import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Reducer;
  import java.io.IOException;
  
  /**
   * Reducer 四个泛型意思：
   * Reducer
   * KEYIN -> Text:输入数据键类型
   * VALUEIN -> IntWritable:输入数据值类型
   * KEYOUT -> Text:输出数据键类型
   * VALUEOUT -> IntWritable:输出数据值类型
   */
  public class WcReducer extends Reducer {
      private IntWritable total = new IntWritable();
  
      @Override
      protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
          //累加相同单词的数量
          int sum = 0;
          for (IntWritable value : values) {
              sum += value.get();
          }
          //包装结果为（单词，总数）输出
          total.set(sum);
          context.write(key, total);
      }
  }

• 5 执行任务Driver类

• 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 java.io.IOException;
  
  public class WcDriver {
      public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
          //获取Job实例
          Job job = Job.getInstance(new Configuration());
  
          //设置工作类
          job.setJarByClass(WcDriver.class);
  
          //设置Mapper和Reducer类
          job.setMapperClass(WcMapper.class);
          job.setReducerClass(WcReducer.class);
  
          //设置Mapper和Reducer输出的类型
          job.setMapOutputKeyClass(Text.class);
          job.setMapOutputValueClass(IntWritable.class);
  
          //设置输入输出数据
          FileInputFormat.setInputPaths(job, new Path(args[0]));
          FileOutputFormat.setOutputPath(job, new Path(args[1]));
  
          //提交job
          boolean b = job.waitForCompletion(true);
          System.exit(b ? 0 : 1);
      }
  }

• 6 设置文件输入输出参数，执行程序，得到结果

• 

#### 1.1.3 集群运行

• 打包上面写好的项目，上传集群，执行提交命令。

2 Hadoop序列化

为什么hadoop要自己实现基本的数据类型而不直接使用Java的类？如：IntWritable，LongWritable，Text。

因为Java的序列化是一个重量级框架（Serializable），一个对象被序列化后，会附带很多额外的信息（校验信息，继承体系，Header等），在网络中传输高效性有影响，所以hadoop自己实现了序列化机制（Writable）。

注：网络传输中的信息都需要序列化，因为hadoop自己实现了序列化机制（Writable），所以我们才可以进行简单的分布式计算代码开发。

2.1 手机流量统计(序列化案例)

• 1 新建flow.txt文件(行号 手机号 IP 网址 上行流量 下行流量 状态码)

• 1   13408542222 192.168.10.1    www.baidu.com   1000    2000    200
  2   17358643333 192.168.10.1    www.baidu.com   2000    4000    200
  3   13408542222 192.168.10.1    www.baidu.com   1000    2000    200
  4   17358643333 192.168.10.1    www.baidu.com   2000    4000    200
  5   13408542222 192.168.10.1    www.baidu.com   1000    2000    200
  6   17358643333 192.168.10.1    www.baidu.com   2000    4000    200

• 2 导入maven依赖

•     
          org.apache.hadoop
          hadoop-client
          3.0.0-cdh6.2.0
      
      
          org.apache.hadoop
          hadoop-common
          3.0.0-cdh6.2.0
      
      
          org.apache.hadoop
          hadoop-hdfs
          3.0.0-cdh6.2.0
      

• 3 实体类对象

• import lombok.Getter;
  import lombok.NoArgsConstructor;
  import lombok.Setter;
  import lombok.ToString;
  import org.apache.hadoop.io.Writable;
  import java.io.DataInput;
  import java.io.DataOutput;
  import java.io.IOException;
  
  @Getter
  @Setter
  @NoArgsConstructor
  @ToString
  //注意toString方法和最后打印结果效果相关
  public class Flow implements Writable {
      private long upFlow;
      private long downFlow;
      private long totalFlow;
  
      public void setFlow(long upFlow, long downFlow) {
          this.upFlow = upFlow;
          this.downFlow = downFlow;
          this.totalFlow = upFlow + downFlow;
      }
  
      //序列化方法
      @Override
      public void write(DataOutput dataOutput) throws IOException {
          dataOutput.writeLong(upFlow);
          dataOutput.writeLong(downFlow);
          dataOutput.writeLong(totalFlow);
      }
  
      //反序列化方法
      @Override
      public void readFields(DataInput dataInput) throws IOException {
          upFlow = dataInput.readLong();
          downFlow = dataInput.readLong();
          totalFlow = dataInput.readLong();
      }
  }

• 4 map类

• import org.apache.hadoop.io.LongWritable;
  import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Mapper;
  import java.io.IOException;
  
  
  public class FlowMapper extends Mapper {
      private Text phone = new Text();
      private Flow flow = new Flow();
  
      @Override
      protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
          String[] data = value.toString().split(" ");
          phone.set(data[1]);
          long upFlow = Long.parseLong(data[4]);
          long downFlow = Long.parseLong(data[5]);
          flow.setFlow(upFlow, downFlow);
          context.write(phone, flow);
      }
  }

• 5 reducer类

• import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Reducer;
  import java.io.IOException;
  
  public class FlowReducer extends Reducer {
      private Flow flow = new Flow();
  
      @Override
      protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
          long sumUpFlow = 0;
          long sumDownFlow = 0;
          for (Flow value : values) {
              sumUpFlow += value.getUpFlow();
              sumDownFlow += value.getDownFlow();
          }
          flow.setFlow(sumUpFlow, sumDownFlow);
          context.write(key, flow);
      }
  }

• 6 执行任务Driver类

• import org.apache.hadoop.conf.Configuration;
  import org.apache.hadoop.fs.Path;
  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 java.io.IOException;
  
  public class FlowDriver {
      public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
          //获取Job实例
          Job job = Job.getInstance(new Configuration());
  
          //设置工作类
          job.setJarByClass(FlowDriver.class);
  
          //设置Mapper和Reducer类
          job.setMapperClass(FlowMapper.class);
          job.setReducerClass(FlowReducer.class);
  
          //设置Mapper和Reducer输入输出的类型
          job.setMapOutputKeyClass(Text.class);
          job.setMapOutputValueClass(Flow.class);
          job.setOutputKeyClass(Text.class);
          job.setOutputValueClass(Flow.class);
  
          //设置输入输出数据
          FileInputFormat.setInputPaths(job, new Path(args[0]));
          FileOutputFormat.setOutputPath(job, new Path(args[1]));
  
          //提交job
          boolean b = job.waitForCompletion(true);
          System.exit(b ? 0 : 1);
      }
  }

• 7 设置文件输入输出参数，执行程序，得到结果

• 

3 MapReduce原理

3.1MapReduce的集群管理架构

1.客户端发送MR任务到RM上
2.RM分配资源，找到对应的NM，分配Container容器，启动对应的Application Master
3.Application Master向Applications Manager注册
4.Application Master向Resource Scheduler申请资源
5.找到对应的NM
6.分配Container容器，启动对应的的Map Task或者是Reduce Task任务
7.Map Task和Reduce Task对Application Master汇报心跳，任务进度
8.Application Master向Applications Manager汇报整体任务进度，如果执行完了Applications Manager会将Application Master移除

注意：原则上MapReduce分为两个阶段：Map Task和Reduce Task，但是由于Shuffling阶段很重要，人为划分了Shuffling阶段，这个阶段发生在Map Task和Reduce Task之间，可以理解为由Map Task后半段和Reduce Task前半段组成。

3.2 MapReduce的数据流

3.3 MapTask

3.3.1 并行度决定机制

1G的数据，分成8份并行计算，那么每一份需要计算的数据为128M，感觉还不错。

1M的数据，分成8份并行计算，那么每一份需要计算的数据为128B，感觉资源浪费严重。

那么就需要有一个东西来决定怎么切分，它就是InputFormat，而切分大小一般由HDFS块大小决定。

1. 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定。
2. 每一个Split切片分配一个MapTask并行处理实例。
3. 默认情况下，切片大小=BlockSize(128M)。
4. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片。

针对第四点说明：比如有3个文件，一个300M，第二个50M，第三个50M，那么一共就是切了5个MapTask出来。

针对每一个文件，第一个300M切了3个，第二个50M切了一个，第三个50M切了一个，共5个。

而如果只有一个文件为128M+1KB，那么就只会切分一个，因为切片判断规则为->如果文件小于切片大小1.1倍，就和上一个切片将就放在一起了，这样可以防止过小的切片在执行任务的时候，调度资源的时间超过执行时间的情况。

3.3.2 InputFormat

TextInputFormat:

• TextInputFormat是默认的FileInputFormat实现类，按行读取每条记录。

• 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型

• 值：为这行内容，不包括任何行止符(如回车，换行)

• 示例，一个分片中包含了如下记录：

  • #源文件
    si chuan cheng du
    jiang su wu xi
    he bei bei jing

  • #被TextInputFormat加载后会变成
    (0，si chuan cheng du)
    (18，jiang su wu xi)
    (33，he  bei bei jing)

KeyValueInputFormat:

• KeyValueInputFormat每一行均为一条记录，被分隔符号分割为key，value。

• 可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR,"\t");来设置分隔符。默认\t

• 示例，一个分片中包含了如下记录：

  • #源文件
    line1  si chuan cheng du
    line2  jiang su wu xi
    line3  he  bei bei jing

  • #被KeyValueInputFormat加载后会变成
    (line1，si chuan cheng du)
    (line2，jiang su wu xi)
    (line3，he  bei bei jing)

NlineInputFormat:

• NlineInputFormat代表每个map进程处理的inputSplit不在按Block块去划分，而是按指定的行数N来划分。
• 输入文件的总行数/N=切片数，如果不整除，切片数=商+1

• 键：存储该行在整个文件中的起始字节偏移量，LongWritable类型

• 值：为这行内容，不包括任何行止符(如回车，换行)

• 示例，一个分片中包含了如下记录：

  • #源文件
    si chuan cheng du
    jiang su wu xi
    he bei bei jing
    hu bei wu han

  • 如果N是2，则每个输入分片包含2行，开启2个Map Task

  • #第一个map收到
    (0，si chuan cheng du)
    (18，jiang su wu xi)
    #第二个map收到
    (33，he bei bei jing)
    (49，hu bei wu han)

CombineTextInputFormat:

• 根据设置的阈值来决定切片数。

• 假设setMaxInputSplitSize值为5M，如下4个文件

• a.txt 2.1M
  b.txt 5.8M
  c.txt 3.6M
  d.txt 7.8M
  #虚拟储存过程(因为如上4小个文件在hdfs上占用了4个块，所以要有一个虚拟划块的过程)
  2.1M < 5M 划分一块，2.1M
  5.8M > 5M 大于5M但是小于2*5M，划分2个同样大小的块，2.9M-2.9M
  3.6M < 5M 划分一块，3.6M
  12M  > 5M 大于2*5M，先划分5M，剩下的 7M > 5M 但是 < 2*5M 划分2个同样大小的块，5M-3.5M-3.5M
  (得到结果)
  2.1M
  2.9M
  2.9M
  3.6M
  4M
  3.5M
  3.5M
  #切片过程(补够5M划成一块)
  第一块 2.1M + 2.9M = 5M
  第二块 2.9M + 3.6M = 6.5M
  第三块 4M + 3.5M = 7.5M
  第四块 3.5M

SequenceFileInputFormat:

• SequenceFile其实就是上一个MR程序的输出
• 由于每一个MR都会落地磁盘，那么框架就提供了一种文件对接格式SequenceFile
• 使用SequenceFileInputFormat作为中间结果的链接

3.4 Shuffle

Partitioner分区

• Partitioner决定了Map Task输出的每条数据，交给哪个Reduce Task处理
• 默认实现：hash(key) mod ReduceTask数目
  • 允许用户自定义
• 很多情况需自定义Partitioner
  • 比如hash(hostname(URL)) mod ReduceTask数目，确保相同域名的网页交给同一个Reduce Task处理

3.5 Combiner合并

• Combiner是MR程序中Mapper和Reducer之外的一种组件。

• Combiner组件的父类是Reducer。

• Combiner和Reducer的区别是运行位置不同。

  • Combiner是在每一个MapTask所在的节点运行；
  • Reducer是接受全局所有的Mapper的输出结果；

• Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。

• Combiner能够应用的前提是不能影响最终的业务逻辑，且Combiner输出KV要和Reducer的输入KV对应。

  • Mapper                      Reducer
    3 5 7 ->(3+5+7) / 3 = 5           (5+4) / 2 = 4.5 不等于 (3+5+7+2+6) / 5 = 4.6
    2 6 ->(2+6) / 2 = 4