Hadoop日记Day17---计数器、map规约、分区学习
一、Hadoop计数器
1.1 什么是Hadoop计数器
Haoop是处理大数据的，不适合处理小数据，有些大数据问题是小数据程序是处理不了的，他是一个高延迟的任务，有时处理一个大数据需要花费好几个小时这都是正常的。下面我们说一下Hadoop计数器，Hadoop计数器就相当于我们的日志，而日志可以让我们查看程序运行时的很多状态，而计数器也有这方面的作用。那么就研究一下Hadoop自身的计数器。计数器的程序如代码1.1所示，下面代码还是以内容为“hello you；hell0 me”的单词统计为例。
1 package counter; 2 3 import java.net.URI; 4 5 import org.apache.hadoop.conf.Configuration; 6 import org.apache.hadoop.fs.FileSystem; 7 import org.apache.hadoop.fs.Path; 8 import org.apache.hadoop.io.LongWritable; 9 import org.apache.hadoop.io.Text; 10 import org.apache.hadoop.mapreduce.Counter; 11 import org.apache.hadoop.mapreduce.Job; 12 import org.apache.hadoop.mapreduce.Mapper; 13 import org.apache.hadoop.mapreduce.Reducer; 14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 17 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 18 import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner; 19 20 public class WordCountApp { 21 static final String INPUT_PATH = "hdfs://hadoop:9000/input"; 22 static final String OUT_PATH = "hdfs://hadoop:9000/output"; 23 24 public static void main(String[] args) throws Exception { 25 26 Configuration conf = new Configuration(); 27 28 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf); 29 final Path outPath = new Path(OUT_PATH); 30 31 if(fileSystem.exists(outPath)){ 32 fileSystem.delete(outPath, true); 33 } 34 final Job job = new Job(conf , WordCountApp.class.getSimpleName()); 35 36 //1.1指定读取的文件位于哪里 37 FileInputFormat.setInputPaths(job, INPUT_PATH); 38 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对 39 40 //1.2 指定自定义的map类 41 job.setMapperClass(MyMapper.class); 42 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。 43 job.setMapOutputValueClass(LongWritable.class);//如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略 44 45 //1.3 分区 46 job.setPartitionerClass(HashPartitioner.class); 47 job.setNumReduceTasks(1);//有一个reduce任务运行 48 49 //2.2 指定自定义reduce类 50 job.setReducerClass(MyReducer.class); 51 52 job.setOutputKeyClass(Text.class);//指定reduce的输出类型 53 job.setOutputValueClass(LongWritable.class); 54 55 //2.3 指定写出到哪里 56 FileOutputFormat.setOutputPath(job, outPath); 57 job.setOutputFormatClass(TextOutputFormat.class);//指定输出文件的格式化类 58 59 job.waitForCompletion(true);//把job提交给JobTracker运行 60 } 61 62 /** 63 * KEYIN 即k1 表示行的偏移量 64 * VALUEIN 即v1 表示行文本内容 65 * KEYOUT 即k2 表示行中出现的单词 66 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1 67 */ 68 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ 69 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException { 70 final String line = v1.toString(); 71 final String[] splited = line.split("\t"); 72 for (String word : splited) { 73 context.write(new Text(word), new LongWritable(1)); 74 } 75 }; 76 } 77 78 /** 79 * KEYIN 即k2 表示行中出现的单词 80 * VALUEIN 即v2 表示行中出现的单词的次数 81 * KEYOUT 即k3 表示文本中出现的不同单词 82 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数 83 * 84 */ 85 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ 86 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 87 long times = 0L; 88 for (LongWritable count : v2s) { 89 times += count.get(); 90 } 91 ctx.write(k2, new LongWritable(times)); 92 }; 93 } 94 95 }
代码 1.1
运行结果如下图1.1所示。
Counters: 19//Counter表示计数器，19表示有19个计数器（下面一共4计数器组） File Output Format Counters //文件输出格式化计数器组 Bytes Written=19 //reduce输出到hdfs的字节数，一共19个字节 FileSystemCounters//文件系统计数器组 FILE_BYTES_READ=481 HDFS_BYTES_READ=38 FILE_BYTES_WRITTEN=81316 HDFS_BYTES_WRITTEN=19 File Input Format Counters //文件输入格式化计数器组 Bytes Read=19 //map从hdfs读取的字节数 Map-Reduce Framework//MapReduce框架 Map output materialized bytes=49 Map input records=2 //map读入的记录行数，读取两行记录,”hello you”,”hello me” Reduce shuffle bytes=0//规约分区的字节数 Spilled Records=8 Map output bytes=35 Total committed heap usage (bytes)=266469376 SPLIT_RAW_BYTES=105 Combine input records=0//合并输入的记录数 Reduce input records=4 //reduce从map端接收的记录行数 Reduce input groups=3 //reduce函数接收的key数量，即归并后的k2数量 Combine output records=0//合并输出的记录数 Reduce output records=3 //reduce输出的记录行数。<helllo,{1,1}>,<you,{1}>,<me,{1}> Map output records=4 //map输出的记录行数，输出4行记录
图 1.1
通过上面我们对计数器的分析，可以知道，我们可以通过计数器来分析MapReduece程序的运行状态。
1.2 自定义计数器
通过上面的分析，我们了解了计数器的作用，那么我们可以自定义一个计数器，来实现我们自己想要的功能。如定义一个记录敏感词的计数器，记录敏感词在一行所出现的次数，如代码2.1所示。我们处理文件内容为“hello you”，“hello me”。
1 Counters: 19//Counter表示计数器，19表示有19个计数器（下面一共4计数器组） 2 File Output Format Counters //文件输出格式化计数器组 3 Bytes Written=19 //reduce输出到hdfs的字节数，一共19个字节 4 FileSystemCounters//文件系统计数器组 5 FILE_BYTES_READ=481 6 HDFS_BYTES_READ=38 7 FILE_BYTES_WRITTEN=81316 8 HDFS_BYTES_WRITTEN=19 9 File Input Format Counters //文件输入格式化计数器组 10 Bytes Read=19 //map从hdfs读取的字节数 11 Map-Reduce Framework//MapReduce框架 12 Map output materialized bytes=49 13 Map input records=2 //map读入的记录行数，读取两行记录,”hello you”,”hello me” 14 Reduce shuffle bytes=0//规约分区的字节数 15 Spilled Records=8 16 Map output bytes=35 17 Total committed heap usage (bytes)=266469376 18 SPLIT_RAW_BYTES=105 19 Combine input records=0//合并输入的记录数 20 Reduce input records=4 //reduce从map端接收的记录行数 21 Reduce input groups=3 //reduce函数接收的key数量，即归并后的k2数量 22 Combine output records=0//合并输出的记录数 23 Reduce output records=3 //reduce输出的记录行数。<helllo,{1,1}>,<you,{1}>,<me,{1}> 24 Map output records=4 //map输出的记录行数，输出4行记录
代码2.1
运行结果如下图2.1所示。
Counters: 20 Sensitive Words hello=2 File Output Format Counters Bytes Written=21 FileSystemCounters FILE_BYTES_READ=359 HDFS_BYTES_READ=42 FILE_BYTES_WRITTEN=129080 HDFS_BYTES_WRITTEN=21 File Input Format Counters Bytes Read=21 Map-Reduce Framework Map output materialized bytes=67 Map input records=2 Reduce shuffle bytes=0 Spilled Records=8 Map output bytes=53 Total committed heap usage (bytes)=391774208 SPLIT_RAW_BYTES=95 Combine input records=0 Reduce input records=4 Reduce input groups=3 Combine output records=0 Reduce output records=3 Map output records=4
图 2.1
二、Combiners编程
2.1 什么是Combiners
从上面程序运行的结果我们可以发现，在Map-Reduce Framework即MapReduce框架的输出中，Combine input records这个字段为零， 那么combine怎么使用呢？其实这是MapReduce程序中Mapper任务中第五步，这是可选的一步，使用方法非常简单，以上面单词统计为例，只需添加下面一行代码即可，如下： job.setCombinerClass(MyReducer.class);
combine操作是一个可选的操作，使用时需要我们自己设定，我们用MyReducer类来设置Combiners，表示Combiners与Reduce功能相同，带有combine功能的MapRduce程序如代码3.1所示。
1 package combine; 2 3 import java.net.URI; 4 5 import org.apache.hadoop.conf.Configuration; 6 import org.apache.hadoop.fs.FileSystem; 7 import org.apache.hadoop.fs.Path; 8 import org.apache.hadoop.io.LongWritable; 9 import org.apache.hadoop.io.Text; 10 import org.apache.hadoop.mapreduce.Job; 11 import org.apache.hadoop.mapreduce.Mapper; 12 import org.apache.hadoop.mapreduce.Partitioner; 13 import org.apache.hadoop.mapreduce.Reducer; 14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 17 import org.apache.jasper.tagplugins.jstl.core.If; 18 19 public class WordCountApp2 { 20 static final String INPUT_PATH = "hdfs://hadoop:9000/hello"; 21 static final String OUT_PATH = "hdfs://hadoop:9000/out"; 22 23 public static void main(String[] args) throws Exception { 24 Configuration conf = new Configuration(); 25 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf); 26 final Path outPath = new Path(OUT_PATH); 27 if(fileSystem.exists(outPath)){ 28 fileSystem.delete(outPath, true); 29 } 30 final Job job = new Job(conf , WordCountApp2.class.getSimpleName()); 31 job.setJarByClass(WordCountApp2.class); 32 33 //1.1指定读取的文件位于哪里 34 FileInputFormat.setInputPaths(job, INPUT_PATH); 35 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对 36 37 //1.2 指定自定义的map类 38 job.setMapperClass(MyMapper.class); 39 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。 40 job.setMapOutputValueClass(LongWritable.class);//如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略 41 42 //1.3 分区 43 job.setPartitionerClass(MyPartitioner.class); 44 //有几个reduce任务运行 45 job.setNumReduceTasks(2); 46 47 //1.4 TODO 排序、分组 48 49 //1.5 规约 50 job.setCombinerClass(MyCombiner.class); 51 52 //2.2 指定自定义reduce类 53 job.setReducerClass(MyReducer.class); 54 //指定reduce的输出类型 55 job.setOutputKeyClass(Text.class); 56 job.setOutputValueClass(LongWritable.class); 57 58 //2.3 指定写出到哪里 59 FileOutputFormat.setOutputPath(job, outPath); 60 //指定输出文件的格式化类 61 //job.setOutputFormatClass(TextOutputFormat.class); 62 63 //把job提交给JobTracker运行 64 job.waitForCompletion(true); 65 } 66 67 static class MyPartitioner extends Partitioner<Text, LongWritable>{ 68 @Override 69 public int getPartition(Text key, LongWritable value, int numReduceTasks) { 70 return (key.toString().equals("hello"))?0:1; 71 } 72 } 73 74 /** 75 * KEYIN 即k1 表示行的偏移量 76 * VALUEIN 即v1 表示行文本内容 77 * KEYOUT 即k2 表示行中出现的单词 78 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1 79 */ 80 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ 81 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException { 82 final String[] splited = v1.toString().split("\t"); 83 for (String word : splited) { 84 context.write(new Text(word), new LongWritable(1)); 85 System.out.println("Mapper输出<"+word+","+1+">"); 86 } 87 }; 88 } 89 90 /** 91 * KEYIN 即k2 表示行中出现的单词 92 * VALUEIN 即v2 表示行中出现的单词的次数 93 * KEYOUT 即k3 表示文本中出现的不同单词 94 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数 95 * 96 */ 97 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ 98 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 99 //显示次数表示redcue函数被调用了多少次，表示k2有多少个分组 100 System.out.println("MyReducer输入分组<"+k2.toString()+",...>"); 101 long times = 0L; 102 for (LongWritable count : v2s) { 103 times += count.get(); 104 //显示次数表示输入的k2,v2的键值对数量 105 System.out.println("MyReducer输入键值对<"+k2.toString()+","+count.get()+">"); 106 } 107 ctx.write(k2, new LongWritable(times)); 108 }; 109 } 110 111 112 static class MyCombiner extends Reducer<Text, LongWritable, Text, LongWritable>{ 113 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 114 //显示次数表示redcue函数被调用了多少次，表示k2有多少个分组 115 System.out.println("Combiner输入分组<"+k2.toString()+",...>"); 116 long times = 0L; 117 for (LongWritable count : v2s) { 118 times += count.get(); 119 //显示次数表示输入的k2,v2的键值对数量 120 System.out.println("Combiner输入键值对<"+k2.toString()+","+count.get()+">"); 121 } 122 123 ctx.write(k2, new LongWritable(times)); 124 //显示次数表示输出的k2,v2的键值对数量 125 System.out.println("Combiner输出键值对<"+k2.toString()+","+times+">"); 126 }; 127 } 128 }
代码 3.1
运行结果如下图3.1所示。
Counters: 20 Sensitive Words hello=2 File Output Format Counters Bytes Written=21 FileSystemCounters FILE_BYTES_READ=359 HDFS_BYTES_READ=42 FILE_BYTES_WRITTEN=129080 HDFS_BYTES_WRITTEN=21 File Input Format Counters Bytes Read=21 Map-Reduce Framework Map output materialized bytes=67 Map input records=2 Reduce shuffle bytes=0 Spilled Records=8 Map output bytes=53 Total committed heap usage (bytes)=391774208 SPLIT_RAW_BYTES=95 Combine input records=4 Reduce input records=3 Reduce input groups=3 Combine output records=3 Reduce output records=3 Map output records=4
图 3.1
从上面的运行结果我们可以发现，此时Combine input records=4，Combine output records=3，Reduce input records=3，因为Combine阶段在Ma pper结束与Reducer开始之间，Combiners处理的数据，就是在不设置Combiners时，Reduce所应该接受的数据，所以为4，然后再将Combiners的输出作为Re duce端的输入，所以Reduce input records这个字段由4变成了3。注意，combine操作是一个可选的操作，使用时需要我们自己设定，在本代码中我们用MyRed ucer类来设置Combiners，Combine方法的使用的是Reduce的方法，这说明归约的方法是通用的，Reducer阶段的方法也可以用到Mapper阶段。
2.1 自定义Combiners
为了能够更加清晰的理解Combiners的工作原理，我们自定义一个Combiners类，不再使用MyReduce做为Combiners的类，如代码3.2所示。
1 package combine; 2 3 import java.net.URI; 4 5 import org.apache.hadoop.conf.Configuration; 6 import org.apache.hadoop.fs.FileSystem; 7 import org.apache.hadoop.fs.Path; 8 import org.apache.hadoop.io.LongWritable; 9 import org.apache.hadoop.io.Text; 10 import org.apache.hadoop.mapreduce.Job; 11 import org.apache.hadoop.mapreduce.Mapper; 12 import org.apache.hadoop.mapreduce.Partitioner; 13 import org.apache.hadoop.mapreduce.Reducer; 14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 17 import org.apache.jasper.tagplugins.jstl.core.If; 18 19 /** 20 * 问：为什么使用Combiner？ 21 * 答：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短。 22 * 23 * 问：为什么Combiner不作为MR运行的标配，而是可选步骤哪？ 24 * 答：因为不是所有的算法都适合使用Combiner处理，例如求平均数。 25 * 26 * 问：Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作哪？ 27 * 答：combiner操作发生在map端的，处理一个任务所接收的文件中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据。 28 * 29 */ 30 public class WordCountApp2 { 31 static final String INPUT_PATH = "hdfs://hadoop:9000/hello"; 32 static final String OUT_PATH = "hdfs://hadoop:9000/out"; 33 34 public static void main(String[] args) throws Exception { 35 Configuration conf = new Configuration(); 36 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf); 37 final Path outPath = new Path(OUT_PATH); 38 if(fileSystem.exists(outPath)){ 39 fileSystem.delete(outPath, true); 40 } 41 final Job job = new Job(conf , WordCountApp2.class.getSimpleName()); 42 job.setJarByClass(WordCountApp2.class); 43 44 //1.1指定读取的文件位于哪里 45 FileInputFormat.setInputPaths(job, INPUT_PATH); 46 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对 47 48 //1.2 指定自定义的map类 49 job.setMapperClass(MyMapper.class); 50 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。 51 job.setMapOutputValueClass(LongWritable.class);//如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略 52 53 //1.3 分区 54 job.setPartitionerClass(MyPartitioner.class); 55 //有几个reduce任务运行 56 job.setNumReduceTasks(2); 57 58 //1.4 TODO 排序、分组 59 60 //1.5 规约 61 job.setCombinerClass(MyCombiner.class); 62 63 //2.2 指定自定义reduce类 64 job.setReducerClass(MyReducer.class); 65 //指定reduce的输出类型 66 job.setOutputKeyClass(Text.class); 67 job.setOutputValueClass(LongWritable.class); 68 69 //2.3 指定写出到哪里 70 FileOutputFormat.setOutputPath(job, outPath); 71 //指定输出文件的格式化类 72 //job.setOutputFormatClass(TextOutputFormat.class); 73 74 //把job提交给JobTracker运行 75 job.waitForCompletion(true); 76 } 77 78 static class MyPartitioner extends Partitioner<Text, LongWritable>{ 79 @Override 80 public int getPartition(Text key, LongWritable value, int numReduceTasks) { 81 return (key.toString().equals("hello"))?0:1; 82 } 83 } 84 85 /** 86 * KEYIN 即k1 表示行的偏移量 87 * VALUEIN 即v1 表示行文本内容 88 * KEYOUT 即k2 表示行中出现的单词 89 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1 90 */ 91 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ 92 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException { 93 final String[] splited = v1.toString().split("\t"); 94 for (String word : splited) { 95 context.write(new Text(word), new LongWritable(1)); 96 System.out.println("Mapper输出<"+word+","+1+">"); 97 } 98 }; 99 } 100 101 /** 102 * KEYIN 即k2 表示行中出现的单词 103 * VALUEIN 即v2 表示行中出现的单词的次数 104 * KEYOUT 即k3 表示文本中出现的不同单词 105 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数 106 * 107 */ 108 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ 109 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 110 //显示次数表示redcue函数被调用了多少次，表示k2有多少个分组 111 System.out.println("MyReducer输入分组<"+k2.toString()+",...>"); 112 long times = 0L; 113 for (LongWritable count : v2s) { 114 times += count.get(); 115 //显示次数表示输入的k2,v2的键值对数量 116 System.out.println("MyReducer输入键值对<"+k2.toString()+","+count.get()+">"); 117 } 118 ctx.write(k2, new LongWritable(times)); 119 }; 120 } 121 122 123 static class MyCombiner extends Reducer<Text, LongWritable, Text, LongWritable>{ 124 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 125 //显示次数表示redcue函数被调用了多少次，表示k2有多少个分组 126 System.out.println("Combiner输入分组<"+k2.toString()+",...>"); 127 long times = 0L; 128 for (LongWritable count : v2s) { 129 times += count.get(); 130 //显示次数表示输入的k2,v2的键值对数量 131 System.out.println("Combiner输入键值对<"+k2.toString()+","+count.get()+">"); 132 } 133 134 ctx.write(k2, new LongWritable(times)); 135 //显示次数表示输出的k2,v2的键值对数量 136 System.out.println("Combiner输出键值对<"+k2.toString()+","+times+">"); 137 }; 138 } 139 }
代码 3.2
运行结果如图3.2所示。
14/10/07 18:56:32 INFO mapred.MapTask: record buffer = 262144/327680 Mapper输出<hello,1> 14/10/07 18:56:32 INFO mapred.MapTask: Starting flush of map output Mapper输出<world,1> Mapper输出<hello,1> Mapper输出<me,1> Combiner输入分组<hello,...> Combiner输入键值对<hello,1> Combiner输入键值对<hello,1> Combiner输出键值对<hello,2> Combiner输入分组<me,...> Combiner输入键值对<me,1> Combiner输出键值对<me,1> Combiner输入分组<world,...> Combiner输入键值对<world,1> Combiner输出键值对<world,1> 14/10/07 18:56:32 INFO mapred.MapTask: Finished spill 0 14/10/07 18:56:32 INFO mapred.Task: Task:attempt_local_0001_m_000000_0 is done. And is in the process of commiting 14/10/07 18:56:32 INFO mapred.LocalJobRunner: 14/10/07 18:56:32 INFO mapred.Task: Task 'attempt_local_0001_m_000000_0' done. 14/10/07 18:56:32 INFO mapred.Task: Using ResourceCalculatorPlugin : null 14/10/07 18:56:32 INFO mapred.LocalJobRunner: 14/10/07 18:56:32 INFO mapred.Merger: Merging 1 sorted segments 14/10/07 18:56:32 INFO mapred.Merger: Down to the last merge-pass, with 1 segments left of total size: 47 bytes 14/10/07 18:56:32 INFO mapred.LocalJobRunner: MyReducer输入分组<hello,...> MyReducer输入键值对<hello,2> MyReducer输入分组<me,...> MyReducer输入键值对<me,1> MyReducer输入分组<world,...> MyReducer输入键值对<world,1> 14/10/07 18:56:33 INFO mapred.Task: Task:attempt_local_0001_r_000000_0 is done. And is in the process of commiting 14/10/07 18:56:33 INFO mapred.LocalJobRunner: 14/10/07 18:56:33 INFO mapred.Task: Task attempt_local_0001_r_000000_0 is allowed to commit now 14/10/07 18:56:33 INFO output.FileOutputCommitter: Saved output of task 'attempt_local_0001_r_000000_0' to hdfs://hadoop:9000/output 14/10/07 18:56:33 INFO mapred.LocalJobRunner: reduce > reduce 14/10/07 18:56:33 INFO mapred.Task: Task 'attempt_local_0001_r_000000_0' done. 14/10/07 18:56:33 INFO mapred.JobClient: map 100% reduce 100% 14/10/07 18:56:33 INFO mapred.JobClient: Job complete: job_local_0001 14/10/07 18:56:33 INFO mapred.JobClient: Counters: 19 14/10/07 18:56:33 INFO mapred.JobClient: File Output Format Counters 14/10/07 18:56:33 INFO mapred.JobClient: Bytes Written=21 14/10/07 18:56:33 INFO mapred.JobClient: FileSystemCounters 14/10/07 18:56:33 INFO mapred.JobClient: FILE_BYTES_READ=343 14/10/07 18:56:33 INFO mapred.JobClient: HDFS_BYTES_READ=42 14/10/07 18:56:33 INFO mapred.JobClient: FILE_BYTES_WRITTEN=129572 14/10/07 18:56:33 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=21 14/10/07 18:56:33 INFO mapred.JobClient: File Input Format Counters 14/10/07 18:56:33 INFO mapred.JobClient: Bytes Read=21 14/10/07 18:56:33 INFO mapred.JobClient: Map-Reduce Framework 14/10/07 18:56:33 INFO mapred.JobClient: Map output materialized bytes=51 14/10/07 18:56:33 INFO mapred.JobClient: Map input records=2 14/10/07 18:56:33 INFO mapred.JobClient: Reduce shuffle bytes=0 14/10/07 18:56:33 INFO mapred.JobClient: Spilled Records=6 14/10/07 18:56:33 INFO mapred.JobClient: Map output bytes=53 14/10/07 18:56:33 INFO mapred.JobClient: Total committed heap usage (bytes)=391774208 14/10/07 18:56:33 INFO mapred.JobClient: SPLIT_RAW_BYTES=95 14/10/07 18:56:33 INFO mapred.JobClient: Combine input records=4 14/10/07 18:56:33 INFO mapred.JobClient: Reduce input records=3 14/10/07 18:56:33 INFO mapred.JobClient: Reduce input groups=3 14/10/07 18:56:33 INFO mapred.JobClient: Combine output records=3 14/10/07 18:56:33 INFO mapred.JobClient: Reduce output records=3 14/10/07 18:56:33 INFO mapred.JobClient: Map output records=4
图 3.2
从上面的运行结果我们可以得知，combine具体作用如下：
- 每一个map可能会产生大量的输出，combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。
- combiner最基本是实现本地key的归并，combiner具有类似本地的reduce功能。
- 如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下。使用combiner，先完成的map会在本地聚合，提升速度。
注意：Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果。所以从我的想法来看，Combiner只应该用于那 种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。
解释一下
*问：为什么使用Combiner？
答：Combiner发生在Map端，对数据进行规约处理，数据量变小了，传送到reduce端的数据量变小了，传输时间变短，作业的整体时间变短。
* 问：为什么Combiner不作为MR运行的标配，而是可选步骤？
答：因为不是所有的算法都适合使用Combiner处理，例如求平均数。
* 问：Combiner本身已经执行了reduce操作，为什么在Reducer阶段还要执行reduce操作？
答：combiner操作发生在map端的，智能处理一个map任务中的数据，不能跨map任务执行；只有reduce可以接收多个map任务处理的数据。
三、Partitioner编程
4.1 什么是分区
在MapReuce程序中的Mapper任务的第三步就是分区，那么分区到底是干什么的呢？其实，把数据分区是为了更好的利用数据，根据数据的属性不同来分成不同区，再根据不同的分区完成不同的任务。MapReduce程序中他的默认分区是1个分区，我们看一下默认分区的代码，还是以单词统计为例如代码4.1所示。
1 package counter; 2 3 import java.net.URI; 4 5 import org.apache.hadoop.conf.Configuration; 6 import org.apache.hadoop.fs.FileSystem; 7 import org.apache.hadoop.fs.Path; 8 import org.apache.hadoop.io.LongWritable; 9 import org.apache.hadoop.io.Text; 10 import org.apache.hadoop.mapreduce.Counter; 11 import org.apache.hadoop.mapreduce.Job; 12 import org.apache.hadoop.mapreduce.Mapper; 13 import org.apache.hadoop.mapreduce.Reducer; 14 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 15 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 16 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 17 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 18 import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner; 19 20 public class WordCountApp { 21 static final String INPUT_PATH = "hdfs://hadoop:9000/input"; 22 static final String OUT_PATH = "hdfs://hadoop:9000/output"; 23 24 public static void main(String[] args) throws Exception { 25 26 Configuration conf = new Configuration(); 27 28 final FileSystem fileSystem = FileSystem.get(new URI(INPUT_PATH), conf); 29 final Path outPath = new Path(OUT_PATH); 30 31 if(fileSystem.exists(outPath)){ 32 fileSystem.delete(outPath, true); 33 } 34 final Job job = new Job(conf , WordCountApp.class.getSimpleName()); 35 36 //1.1指定读取的文件位于哪里 37 FileInputFormat.setInputPaths(job, INPUT_PATH); 38 job.setInputFormatClass(TextInputFormat.class);//指定如何对输入文件进行格式化，把输入文件每一行解析成键值对 39 40 //1.2 指定自定义的map类 41 job.setMapperClass(MyMapper.class); 42 job.setMapOutputKeyClass(Text.class);//map输出的<k,v>类型。 43 job.setMapOutputValueClass(LongWritable.class);//如果<k3,v3>的类型与<k2,v2>类型一致，则可以省略 44 45 //1.3 分区 46 job.setPartitionerClass(HashPartitioner.class); 47 job.setNumReduceTasks(1);//有一个reduce任务运行 48 49 job.setCombinerClass(MyReducer.class); 50 //2.2 指定自定义reduce类 51 job.setReducerClass(MyReducer.class); 52 53 job.setOutputKeyClass(Text.class);//指定reduce的输出类型 54 job.setOutputValueClass(LongWritable.class); 55 56 //2.3 指定写出到哪里 57 FileOutputFormat.setOutputPath(job, outPath); 58 job.setOutputFormatClass(TextOutputFormat.class);//指定输出文件的格式化类 59 60 job.waitForCompletion(true);//把job提交给JobTracker运行 61 } 62 63 /** 64 * KEYIN 即k1 表示行的偏移量 65 * VALUEIN 即v1 表示行文本内容 66 * KEYOUT 即k2 表示行中出现的单词 67 * VALUEOUT 即v2 表示行中出现的单词的次数，固定值1 68 */ 69 static class MyMapper extends Mapper<LongWritable, Text, Text, LongWritable>{ 70 protected void map(LongWritable k1, Text v1, Context context) throws java.io.IOException ,InterruptedException { 71 final Counter helloCounter = context.getCounter("Sensitive Words", "hello"); 72 73 final String line = v1.toString(); 74 if(line.contains("hello")){ 75 //记录敏感词出现在一行中 76 helloCounter.increment(1L); 77 } 78 final String[] splited = line.split("\t"); 79 for (String word : splited) { 80 context.write(new Text(word), new LongWritable(1)); 81 } 82 }; 83 } 84 85 /** 86 * KEYIN 即k2 表示行中出现的单词 87 * VALUEIN 即v2 表示行中出现的单词的次数 88 * KEYOUT 即k3 表示文本中出现的不同单词 89 * VALUEOUT 即v3 表示文本中出现的不同单词的总次数 90 * 91 */ 92 static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable>{ 93 protected void reduce(Text k2, java.lang.Iterable<LongWritable> v2s, Context ctx) throws java.io.IOException ,InterruptedException { 94 long times = 0L; 95 for (LongWritable count : v2s) { 96 times += count.get(); 97 } 98 ctx.write(k2, new LongWritable(times)); 99 }; 100 } 101 102 }
代码 4.1
在MapReduce程序中默认的分区方法为HashPartitioner，代码job.setNumReduceTasks(1)表示运行的Reduce任务数，他会将numReduceTask这个变量设为1. HashPartitioner继承自Partitioner，Partitioner是Partitioner的基类，如果需要定制partitioner也需要继承该类。 HashPartitioner计算方法如代码4.2所示。
1 public class HashPartitioner<K, V> extends Partitioner<K, V> { 2 3 /** Use {@link Object#hashCode()} to partition. */ 4 public int getPartition(K key, V value, 5 int numReduceTasks) { 6 return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; 7 } 8 9 }
代码 4.2
在上面的代码中K和V，表示k2和v2,该类中只有一个方法getPartition(),返回值如下”(key.hashCode()& Integer.MAX_VALUE)%numReduceTasks“其中key.hashCode()表示该关键是否属于该类。numReduceTasks的值在上面代码中设置为1，取模后只有一种结果那就是0。getPartition()的意义就是表示划分到不同区域的一个标记，返回0，就是表示划分到第0区，所以我们可以把它理解分区的下标，来代表不同的分区。
4.2 自定义分区
下面我们尝试自定义一个分区，来处理一下手机的日志数据（在前面学习中用过），手机日志数据如下图4.1所示。
图 4.1
从图中我们可以发现，在第二列上并不是所有的数据都是手机号，我们任务就是在统计手机流量时，将手机号码和非手机号输出到不同的文件中。我们的分区是按手机和非手机号码来分的，所以我们可以按该字段的长度来划分，如代码4.3所示。
1 package partition; 2 3 import java.io.DataInput; 4 import java.io.DataOutput; 5 import java.io.IOException; 6 7 import org.apache.hadoop.conf.Configuration; 8 import org.apache.hadoop.fs.Path; 9 import org.apache.hadoop.io.LongWritable; 10 import org.apache.hadoop.io.Text; 11 import org.apache.hadoop.io.Writable; 12 import org.apache.hadoop.mapreduce.Job; 13 import org.apache.hadoop.mapreduce.Mapper; 14 import org.apache.hadoop.mapreduce.Reducer; 15 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 16 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; 17 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 18 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; 19 import org.apache.hadoop.mapreduce.lib.partition.HashPartitioner; 20 21 public class KpiApp { 22 static final String INPUT_PATH = "hdfs://hadoop:9000/wlan"; 23 static final String OUT_PATH = "hdfs://hadoop:9000/out"; 24 public static void main(String[] args) throws Exception{ 25 final Job job = new Job(new Configuration(), KpiApp.class.getSimpleName()); 26 27 job.setJarByClass(KpiApp.class); 28 29 //1.1 指定输入文件路径 30 FileInputFormat.setInputPaths(job, INPUT_PATH); 31 job.setInputFormatClass(TextInputFormat.class);//指定哪个类用来格式化输入文件 32 33 //1.2指定自定义的Mapper类 34 job.setMapperClass(MyMapper.class); 35 job.setMapOutputKeyClass(Text.class);//指定输出<k2,v2>的类型 36 job.setMapOutputValueClass(KpiWritable.class); 37 38 //1.3 指定分区类 39 job.setPartitionerClass(KpiPartitioner.class); 40 job.setNumReduceTasks(2); 41 42 //2.2 指定自定义的reduce类 43 job.setReducerClass(MyReducer.class); 44 job.setOutputKeyClass(Text.class);//指定输出<k3,v3>的类型 45 job.setOutputValueClass(KpiWritable.class); 46 47 //2.3 指定输出到哪里 48 FileOutputFormat.setOutputPath(job, new Path(OUT_PATH)); 49 job.setOutputFormatClass(TextOutputFormat.class);//设定输出文件的格式化类 50 job.waitForCompletion(true);//把代码提交给JobTracker执行 51 } 52 53 static class MyMapper extends Mapper<LongWritable, Text, Text, KpiWritable>{ 54 protected void map(LongWritable key, Text value, org.apache.hadoop.mapreduce.Mapper<LongWritable,Text,Text,KpiWritable>.Context context) throws IOException ,InterruptedException { 55 final String[] splited = value.toString().split("\t"); 56 final String msisdn = splited[1]; 57 final Text k2 = new Text(msisdn); 58 final KpiWritable v2 = new KpiWritable(splited[6],splited[7],splited[8],splited[9]); 59 context.write(k2, v2); 60 }; 61 } 62 63 static class MyReducer extends Reducer<Text, KpiWritable, Text, KpiWritable>{ 64 /** 65 * @param k2 表示整个文件中不同的手机号码 66 * @param v2s 表示该手机号在不同时段的流量的集合 67 */ 68 protected void reduce(Text k2, java.lang.Iterable<KpiWritable> v2s, org.apache.hadoop.mapreduce.Reducer<Text,KpiWritable,Text,KpiWritable>.Context context) throws IOException ,InterruptedException { 69 long upPackNum = 0L; 70 long downPackNum = 0L; 71 long upPayLoad = 0L; 72 long downPayLoad = 0L; 73 74 for (KpiWritable kpiWritable : v2s) { 75 upPackNum += kpiWritable.upPackNum; 76 downPackNum += kpiWritable.downPackNum; 77 upPayLoad += kpiWritable.upPayLoad; 78 downPayLoad += kpiWritable.downPayLoad; 79 } 80 81 final KpiWritable v3 = new KpiWritable(upPackNum+"", downPackNum+"", upPayLoad+"", downPayLoad+""); 82 context.write(k2, v3); 83 }; 84 } 85 86 static class KpiPartitioner extends HashPartitioner<Text, KpiWritable>{ 87 @Override 88 public int getPartition(Text key, KpiWritable value, int numReduceTasks) { 89 return (key.toString().length()==11)?0:1; 90 } 91 } 92 } 93 94 class KpiWritable implements Writable{ 95 long upPackNum; 96 long downPackNum; 97 long upPayLoad; 98 long downPayLoad; 99 100 public KpiWritable(){} 101 102 public KpiWritable(String upPackNum, String downPackNum, String upPayLoad, String downPayLoad){ 103 this.upPackNum = Long.parseLong(upPackNum); 104 this.downPackNum = Long.parseLong(downPackNum); 105 this.upPayLoad = Long.parseLong(upPayLoad); 106 this.downPayLoad = Long.parseLong(downPayLoad); 107 } 108 109 110 @Override 111 public void readFields(DataInput in) throws IOException { 112 this.upPackNum = in.readLong(); 113 this.downPackNum = in.readLong(); 114 this.upPayLoad = in.readLong(); 115 this.downPayLoad = in.readLong(); 116 } 117 118 @Override 119 public void write(DataOutput out) throws IOException { 120 out.writeLong(upPackNum); 121 out.writeLong(downPackNum); 122 out.writeLong(upPayLoad); 123 out.writeLong(downPayLoad); 124 } 125 126 @Override 127 public String toString() { 128 return upPackNum + "\t" + downPackNum + "\t" + upPayLoad + "\t" + downPayLoad; 129 } 130 }
代码 4.3
注意：分区的例子必须打成jar运行,运行结果如下图4.3,4.4所示,4.3表示手机号码流量，4.4为非手机号流量。
图 4.3
图4.4
我们知道一个分区对应一个Reducer任务是否是这样呢，我可以通过访问50030MapReduce端口来验证，在浏览器输入”http://hadoop:50030"可以看到MapReduce界面，如图4.5，4.6所示。
图 4.5
图4.6
从图中可以知道，该MapReduce任务有一个Mapper任务，两个Reducer任务，那么我们细看一下Reducer的两个任务到底是什么？如图4.7,4.8,4.9所示。task_201410070239_0002_r_000000表示第一个分区的输出，有20条记录，task_201410070239_0002_r_000001表示第二分区，有一条输出记录。和我们程序运行结果一样。
图 4.7
图 4.8 第一分区
图 4.9 第二分区
综上一些列分析，分区的用处如下：
1.根据业务需要，产生多个输出文件
2.多个reduce任务在并发运行，提高整体job的运行效率