Hadoop是一个开源的、基于Java的分布式计算框架,主要用于大规模数据集的存储和处理。它包括两个核心组件:Hadoop分布式文件系统(Hadoop Distributed File System,HDFS)和基于MapReduce的分布式计算框架。
HDFS是一个分布式文件系统,可以将大文件切分成多个块进行存储,并将这些块分布在集群中的多个节点上。MapReduce是一种分布式计算框架,可以将大规模数据集的计算任务划分成多个小的计算任务并行处理,然后将结果合并生成最终的输出结果。
Hadoop的主要特点包括高可靠性、高可扩展性、高效性、数据本地化处理、容错性等。
Hadoop的架构包括以下组件:
Hadoop架构如下图所示
HDFS包括以下组件:
下面是一个使用Java API进行文件读写的示例代码:
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader
MapReduce 是 Hadoop 中的一种计算框架,它能够将大规模的数据集并行处理,以支持大规模数据的处理和分析。
MapReduce 架构包含两个阶段:Map 阶段和 Reduce 阶段。Map 阶段和 Reduce 阶段的工作是由多个节点并行完成的,从而实现了数据的并行处理。
Map 阶段包含三个步骤:Input Split、Map 和 Shuffle。
Reduce 阶段包含两个步骤:Sort 和 Reduce。
下面我们来看一个 Hadoop MapReduce 的实例代码,它的作用是对一份文本文件中的单词进行计数:
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;
public class WordCount {
public static class TokenizerMapper
extends Mapper
下面我们通过一个简单的例子来演示 MapReduce 模型的使用。
假设我们有一些文本文件,每个文件中有多个单词,我们要统计这些文件中出现频率最高的前 K 个单词。下面是一个简单的 MapReduce 程序的实现,我们将其分为 Map 阶段和 Reduce 阶段。
首先是 Map 阶段,我们需要将文本文件中的每个单词作为键,出现的次数作为值进行计数。这里我们需要自定义一个 Map 函数来完成这个任务,下面是代码示例
def map_func(file_name):
# 打开文件
with open(file_name, 'r') as f:
# 逐行读取
for line in f:
# 去除行末的换行符
line = line.strip()
# 分割单词
words = line.split()
# 统计单词出现次数
for word in words:
yield word, 1
上面的代码中,我们使用 Python 语言定义了一个名为 map_func
的函数,这个函数接受一个文件名作为参数,然后打开文件并逐行读取文件内容。对于每一行的内容,我们将其去除行末的换行符并分割单词,然后遍历每个单词,将其作为键,值设置为 1。最后,我们使用 Python 的 yield
语句来将键值对返回给 MapReduce 框架。
接下来是 Reduce 阶段,我们需要对所有 Map 任务的输出进行汇总,并找出出现频率最高的前 K 个单词。这里我们需要自定义一个 Reduce 函数来完成这个任务,下面是代码示例
def reduce_func(word, counts):
# 对 counts 列表求和,得到单词出现次数
count = sum(counts)
# 返回单词和出现次数的元组
return word, count
上面的代码中,我们使用 Python 语言定义了一个名为 reduce_func
的函数,这个函数接受一个单词和一个计数器列表作为参数。我们对计数器列表求和,得到单词出现次数,然后返回单词和出现次数的元