大数据2.1 初探MapReduce
（一）MapReduce核心思想
- MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
- MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。
| 阶段 | 功能 |
|---|---|
| Map阶段 | 负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。 |
| Reduce阶段 | 负责将任务合并，即把Map阶段的结果进行全局汇总。 |
- MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制，但是只要能用Map和Reduce思想描述清楚要处理的问题，就能轻松地在Hadoop集群上实现分布式计算功能。
- MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。
二、新课讲解
（一）MapReduce核心思想
- MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
- MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。
| 阶段 | 功能 |
|---|---|
| Map阶段 | 负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。 |
| Reduce阶段 | 负责将任务合并，即把Map阶段的结果进行全局汇总。 |
- MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制，但是只要能用Map和Reduce思想描述清楚要处理的问题，就能轻松地在Hadoop集群上实现分布式计算功能。
- MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。
（二）MapReduce编程模型
- MapReduce是一种编程模型，用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候，每个任务的执行过程都会被分为两个阶段，分别是Map和Reduce，其中Map阶段用于对原始数据进行处理，Reduce阶段用于对Map阶段的结果进行汇总，得到最终结果。
- Map和Reduce函数
- 问题1：100副牌，没有大小王，差一张牌，请确定缺少哪张牌？
- 问题2：100GB网站访问日志文件，找出访问次数最多的IP地址
（三）MapReduce编程实例——词频统计思路
1、Map阶段（映射阶段）
- 输入键值对⟹ \Longrightarrow⟹输出键值对
2、Reduce阶段（归并阶段）
（四）MapReduce编程实例——词频统计实现
- 启动hadoop服务
1、准备数据文件
（1）在虚拟机上创建文本文件
- 创建
wordcount目录，在里面创建words.txt文件
（2）上传文件到HDFS指定目录
-
创建
/wordcount/input目录，执行命令：hdfs dfs -mkdir -p /wordcount/input
-
将文本文件
words.txt，上传到HDFS的/wordcount/input目录
-
在Hadoop WebUI界面上查看上传的文件
2、创建Maven项目
- 创建Maven项目 -
MRWordCount
3、添加相关依赖
- 在
pom.xml文件里添加hadoop和junit依赖
4、创建日志属性文件
- 在
resources目录里创建log4j.properties文件
log4j.rootLogger=INFO, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
5、创建词频统计映射器类
-
创建
net.hw.mr包，在包里创建WordCountMapper类
-
为了更好理解
Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value
-
Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
| 序号 | 泛型参数 | 说明 |
|---|---|---|
| 1 | KEYIN | 输入键类型（InputKeyClass） |
| 2 | VALUEIN | 输入值类型（InputValueClass） |
| 3 | KEYOUT | 输出键类型（OutputKeyClass） |
| 4 | VALUEOUT | 输出值类型（OutputValueClass） |
- 注意：MR应用，必须有映射器（Mapper），但是归并器（Reducer）可有可无
6、创建词频统计驱动器类
- 在
net.hw.mr包里创建WordCountDriver类
package net.yang.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
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.net.URI;
public class WordCountDriver {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);
// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
7、运行词频统计驱动器类，查看结果
-
统计结果之前会显示大量信息
-
如果不想看到统计结果之前的大堆信息，可以修改
log4j.properties文件，将INFO改为ERROR
-
再运行程序，查看结果
-
行首数字，表示每行起始位置在整个文件的偏移量（offset）。
-
第一行：
hello hadoop world\n16个字母，2个空格，1个转义字符，总共19个字符，因此，第二行起始位置在整个文件的偏移量就是19。 -
第二行：
hello hive world\n14个字母，2个空格，1个转义字符，总共17个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 = 36。 -
第三行：
hello hbase world\n15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 = 54。 -
第四行：
hadoop hive hbase\n15个字母，2个空格，1个转义字符，总共18个字符，因此，第三行起始位置在整个文件的偏移量就是19 + 16 + 18 + 18 = 72。 -
利用Hadoop WebUI界面查看结果文件
8、修改词频统计映射器类
- 行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，
WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。 - 将每行按空格拆分成单词数组，输出
<单词, 1>的键值对
- 由于
WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver。
9、修改词频统计驱动器类
- 修改map任务输出键值类型
10、启动词频统计驱动器类，查看结果
- 观察输出结果，map阶段会按键排序输出
- 对于这样一组键值对，我们需要
Reducer组件来进行归并处理，结果如下所示
映射任务与归并任务示意图
11、创建词频统计归并器类
-
一个类继承Reducer，变成一个Reducer组件类
-
Reducer组件会接收Mapper组件的输出结果
-
第一个泛型对应的是Mapper输出key类型
-
第二个泛型对应的是Mapper输出value类型
-
第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
-
Reducer组件不能单独存在，但是Mapper组件可以单独存在
-
当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value
-
在
net.hw.mr包里创建WordCountReducer类
- 由于引入了词频统计归并器，必须在词频统计驱动器类里进行设置
12、修改词频统计驱动器类
- 设置
WordCountReducer，并且设置归并任务的输出键值类型
13、启动词频统计驱动器类，查看结果
- 统计出每个单词出现的次数
知识点学习
（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件
（2）写一个类，继承Mapper，则变成了一个Mapper组件类
（3）LongWritable，Text（String)，IntWritable，NullWritable都是Hadoop序列化类型
（4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员
（5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value
（6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value（在初学阶段，第一个和第二个类型写死）
（7）MR框架所处理的文件必须是在HDFS上的
（8）map()被调用几次，取决于文件的行数
（9）通过context进行结果的输出，以输出key和输出value的形式来输出
（10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定
（11）输出结果文件的数据以及行数取决于context.write
（12）Text=>String: value.toString()
（13）String=>Text: new Text(string var)
（14）LongWritable=>long: key.get()
（15）long=>LongWritable: new LongWritable(long var)
14、采用多个Reduce做合并
相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。
（1）MR默认采用哈希分区HashPartitioner
- Mapper输出
key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
（2）修改词频统计驱动器类，设置分区数量
- 设置分区数量：
3
- 此时，运行程序，查看结果
- 在Hadoop WebUI界面上可以看到，产生了三个结果文件
15、打包上传到虚拟机上运行
- MR程序可以在IDEA里运行，也可以打成jar包，上传到虚拟机，利用
hadoop jar命令来运行
（1）利用Maven打包
- 打开Maven管理窗口，找到项目的
LifeCycle下的package命令
- 双击
package命令，如果报错，maven插件版本不对
- 修改
pom.xml文件，添加maven插件，记得要刷新maven
- 即可生成
MRWordCount-1.0-SNAPSHOT.jar
（2）将jar包上传到虚拟机
- 将
MRWordCount-1.0-SNAPSHOT.jar上传到master虚拟机/home目录
- 查看上传的jar包
（3）运行jar包，查看结果
- 执行命令：
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.yang.mr.WordCountDriver - 运行报错，Java编译版本不一致导致错误，本地打包用的是JDK11，虚拟机上安装的JDK8
16、创建新词频统计驱动器类
- 由用户指定输入路径和输出路径，如果用户不指定，那么由程序来设置
- 在
net.yang.mr包里创建WordCountDriverNew类
package net.hw.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.net.URI;
/**
* 功能：新词频统计驱动器类
* 作者：华卫
* 日期：2022年12月14日
*/
public class WordCountDriverNew {
public static void main(String[] args) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriverNew.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 声明输入目录
Path inputPath = null;
// 声明输出目录
Path outputPath = null;
// 判断输入参数个数
if (args.length == 0) {
// 创建输入目录
inputPath = new Path(uri + "/wordcount/input");
// 创建输出目录
outputPath = new Path(uri + "/wordcount/output");
} else if (args.length == 2) {
// 创建输入目录
inputPath = new Path(uri + args[0]);
// 创建输出目录
outputPath = new Path(uri + args[1]);
} else {
// 提示用户参数个数不符合要求
System.out.println("参数个数不符合要求，要么是0个，要么是2个！");
// 结束应用程序
return;
}
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);
// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
}
}
17、重新打包上传虚拟机并执行
- 重新打包
- 删除先前的jar包
- 上传新的单词文件
- 上传新的jar包
- 执行命令：
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.yang.mr.WordCountDriverNew，不指定输入路径和输出路径参数
- 执行命令：
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.yang.mr.WordCountDriverNew /winter/input /winter/output，指定输入路径和输出路径参数
- 执行命令：
hadoop jar MRWordCount-1.0-SNAPSHOT.jar net.yang.mr.WordCountDriverNew /winter/input，指定输入路径参数，不指定输出路径参数
17、将三个类合并成一个类完成词频统计
- 在
net.yang.mr包里创建WordCount类
package net.hw.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
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.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
import java.net.URI;
/**
* 功能：词频统计
* 作者：华卫
* 日期：2022年12月14日
*/
public class WordCount extends Configured implements Tool {
public static class WordCountMapper extends Mapper {
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
// 获取行内容
String line = value.toString();
// 清洗所有英文标点符号（\p——属性[property]，P——标点符号[Punctuation]）
line = line.replaceAll("[\\pP]", "");
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++) {
context.write(new Text(words[i]), new IntWritable(1));
}
}
}
public static class WordCountReducer extends Reducer {
@Override
protected void reduce(Text key, Iterable values, Context context)
throws IOException, InterruptedException {
// 定义输出键出现次数
int count = 0;
// 历输出值迭代对象，统计其出现次数
for (IntWritable value : values) {
count = count + value.get();
}
// 生成键值对输出
context.write(key, new IntWritable(count));
}
}
@Override
public int run(String[] strings) throws Exception {
// 创建配置对象
Configuration conf = new Configuration();
// 设置数据节点主机名属性
conf.set("dfs.client.use.datanode.hostname", "true");
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(Text.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(IntWritable.class);
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
// 设置分区数量（reduce任务的数量，结果文件的数量）
job.setNumReduceTasks(3);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount2/input");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount2/output");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录（第二个参数设置是否递归）
fs.delete(outputPath, true);
// 给作业添加输入目录（允许多个）
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录（只能一个）
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
boolean res = job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++) {
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件系统数据字节输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
}
if (res) {
return 0;
} else {
return -1;
}
}
public static void main(String[] args) throws Exception {
int res = ToolRunner.run(new WordCount(), args);
System.exit(res);
}
}
上传一个有标点符号的单词文件
运行程序，查看结果
18、合并分区导致的多个结果文件
- 采用分区来处理，确实提高了效率，但是现在有多个结果文件，怎么合并它们成为一个最终的一个结果文件呢？
- 利用hadoop的-getmerge命令来完成：
hdfs dfs -getmerge /wordcount/result part-r-final
19、统计不同单词数
利用MR对多个文件进行词频统计，得到的一个或多个结果文件，多个结果文件可以合并成一个最终结果文件，比如part-r-final，然后利用Linux命令统计行数即可。
-
利用
cat -nu命令，带行号显示文件内容
-
总共有15个不同的单词
-
利用
wc -l命令，统计文件行数，即不同单词数