如何使用Hadoop的ChainMapper和ChainReducer
Hadoop的MR作业支持链式处理，类似在一个生产牛奶的流水线上，每一个阶段都有特定的任务要处理，比如提供牛奶盒，装入牛奶，封盒，打印出厂日期，等等，通过这样进一步的分工，从而提高了生产效率，那么在我们的Hadoop的MapReduce中也是如此，支持链式的处理方式，这些Mapper像Linux管道一样，前一个Mapper的输出结果直接重定向到下一个Mapper的输入，形成一个流水线，而这一点与Lucene和Solr中的Filter机制是非常类似的，Hadoop项目源自Lucene，自然也借鉴了一些Lucene中的处理方式。
举个例子，比如处理文本中的一些禁用词，或者敏感词，等等，Hadoop里的链式操作，支持的形式类似正则Map+ Rrduce Map*，代表的意思是全局只能有一个唯一的Reduce，但是在Reduce的前后是可以存在无限多个Mapper来进行一些预处理或者善后工作的。
下面来看下的散仙今天的测试例子，先看下我们的数据，以及需求。
数据如下：
需求是：
散仙的hadoop版本是1.2的,在1.2的版本里，hadoop支持新的API，但是链式的ChainMapper类和ChainReduce类却不支持新 的，新的在hadoop2.x里面可以使用，差别不大，散仙今天给出的是旧的API的，需要注意一下。
代码如下：
运行日志如下：
产生的数据如下：
总结，测试过程中，发现如果Reduce后面，还有Mapper执行，那么注意一定要，在ChainReducer里面先set一个全局唯一的Reducer，然后再add一个Mapper，否则，在运行的时候，会报空指针异常，这一点需要特别注意！
举个例子，比如处理文本中的一些禁用词，或者敏感词，等等，Hadoop里的链式操作，支持的形式类似正则Map+ Rrduce Map*，代表的意思是全局只能有一个唯一的Reduce，但是在Reduce的前后是可以存在无限多个Mapper来进行一些预处理或者善后工作的。
下面来看下的散仙今天的测试例子，先看下我们的数据，以及需求。
数据如下：
手机 5000 电脑 2000 衣服 300 鞋子 1200 裙子 434 手套 12 图书 12510 小商品 5 小商品 3 订餐 2
需求是：
/** * 需求： * 在第一个Mapper里面过滤大于10000万的数据 * 第二个Mapper里面过滤掉大于100-10000的数据 * Reduce里面进行分类汇总并输出 * Reduce后的Mapper里过滤掉商品名长度大于3的数据 */
预计处理完的结果是： 手套 12 订餐 2
散仙的hadoop版本是1.2的,在1.2的版本里，hadoop支持新的API，但是链式的ChainMapper类和ChainReduce类却不支持新 的，新的在hadoop2.x里面可以使用，差别不大，散仙今天给出的是旧的API的，需要注意一下。
代码如下：
package com.qin.test.hadoop.chain;
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.lib.ChainMapper;
import org.apache.hadoop.mapred.lib.ChainReducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import com.qin.reducejoin.NewReduceJoin2;
/**
*
* 测试Hadoop里面的
* ChainMapper和ReduceMapper的使用
*
* @author qindongliang
* @date 2014年5月7日
*
* 大数据交流群： 376932160
*
*
*
*
* ***/
public class HaoopChain {
/**
* 需求：
* 在第一个Mapper里面过滤大于10000万的数据
* 第二个Mapper里面过滤掉大于100-10000的数据
* Reduce里面进行分类汇总并输出
* Reduce后的Mapper里过滤掉商品名长度大于3的数据
*/
/**
*
* 过滤掉大于10000万的数据
*
* */
private static class AMapper01 extends MapReduceBase implements Mapper<LongWritable, Text, Text, Text>{
@Override
public void map(LongWritable key, Text value, OutputCollector<Text, Text> output, Reporter reporter)
throws IOException {
String text=value.toString();
String texts[]=text.split(" ");
System.out.println("AMapper01里面的数据: "+text);
if(texts[1]!=null&&texts[1].length()>0){
int count=Integer.parseInt(texts[1]);
if(count>10000){
System.out.println("AMapper01过滤掉大于10000数据: "+value.toString());
return;
}else{
output.collect(new Text(texts[0]), new Text(texts[1]));
}
}
}
}
/**
*
* 过滤掉大于100-10000的数据
*
* */
private static class AMapper02 extends MapReduceBase implements Mapper<Text, Text, Text, Text>{
@Override
public void map(Text key, Text value,
OutputCollector<Text, Text> output, Reporter reporter)
throws IOException {
int count=Integer.parseInt(value.toString());
if(count>=100&&count<=10000){
System.out.println("AMapper02过滤掉的小于10000大于100的数据: "+key+" "+value);
return;
} else{
output.collect(key, value);
}
}
}
/**
* Reuduce里面对同种商品的
* 数量相加数据即可
*
* **/
private static class AReducer03 extends MapReduceBase implements Reducer<Text, Text, Text, Text>{
@Override
public void reduce(Text key, Iterator<Text> values,
OutputCollector<Text, Text> output, Reporter reporter)
throws IOException {
int sum=0;
System.out.println("进到Reduce里了");
while(values.hasNext()){
Text t=values.next();
sum+=Integer.parseInt(t.toString());
}
//旧API的集合，不支持foreach迭代
// for(Text t:values){
// sum+=Integer.parseInt(t.toString());
// }
output.collect(key, new Text(sum+""));
}
}
/***
*
* Reduce之后的Mapper过滤
* 过滤掉长度大于3的商品名
*
* **/
private static class AMapper04 extends MapReduceBase implements Mapper<Text, Text, Text, Text>{
@Override
public void map(Text key, Text value,
OutputCollector<Text, Text> output, Reporter reporter)
throws IOException {
int len=key.toString().trim().length();
if(len>=3){
System.out.println("Reduce后的Mapper过滤掉长度大于3的商品名： "+ key.toString()+" "+value.toString());
return ;
}else{
output.collect(key, value);
}
}
}
/***
* 驱动主类
* **/
public static void main(String[] args) throws Exception{
//Job job=new Job(conf,"myjoin");
JobConf conf=new JobConf(HaoopChain.class);
conf.set("mapred.job.tracker","192.168.75.130:9001");
conf.setJobName("t7");
conf.setJar("tt.jar");
conf.setJarByClass(HaoopChain.class);
// Job job=new Job(conf, "2222222");
// job.setJarByClass(HaoopChain.class);
System.out.println("模式： "+conf.get("mapred.job.tracker"));;
// job.setMapOutputKeyClass(Text.class);
// job.setMapOutputValueClass(Text.class);
//Map1的过滤
JobConf mapA01=new JobConf(false);
ChainMapper.addMapper(conf, AMapper01.class, LongWritable.class, Text.class, Text.class, Text.class, false, mapA01);
//Map2的过滤
JobConf mapA02=new JobConf(false);
ChainMapper.addMapper(conf, AMapper02.class, Text.class, Text.class, Text.class, Text.class, false, mapA02);
//设置Reduce
JobConf recduceFinallyConf=new JobConf(false);
ChainReducer.setReducer(conf, AReducer03.class, Text.class, Text.class, Text.class, Text.class, false, recduceFinallyConf);
//Reduce过后的Mapper过滤
JobConf reduceA01=new JobConf(false);
ChainReducer.addMapper(conf, AMapper04.class, Text.class, Text.class, Text.class, Text.class, true, reduceA01);
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(Text.class);
conf.setInputFormat(org.apache.hadoop.mapred.TextInputFormat.class);
conf.setOutputFormat(org.apache.hadoop.mapred.TextOutputFormat.class);
FileSystem fs=FileSystem.get(conf);
//
Path op=new Path("hdfs://192.168.75.130:9000/root/outputchain");
if(fs.exists(op)){
fs.delete(op, true);
System.out.println("存在此输出路径，已删除！！！");
}
//
//
org.apache.hadoop.mapred.FileInputFormat.setInputPaths(conf, new Path("hdfs://192.168.75.130:9000/root/inputchain"));
org.apache.hadoop.mapred.FileOutputFormat.setOutputPath(conf, op);
//
//System.exit(conf.waitForCompletion(true)?0:1);
JobClient.runJob(conf);
}
}
运行日志如下：
模式： 192.168.75.130:9001 存在此输出路径，已删除！！！ WARN - JobClient.copyAndConfigureFiles(746) | Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same. WARN - NativeCodeLoader.<clinit>(52) | Unable to load native-hadoop library for your platform... using builtin-java classes where applicable WARN - LoadSnappy.<clinit>(46) | Snappy native library not loaded INFO - FileInputFormat.listStatus(199) | Total input paths to process : 1 INFO - JobClient.monitorAndPrintJob(1380) | Running job: job_201405072054_0009 INFO - JobClient.monitorAndPrintJob(1393) | map 0% reduce 0% INFO - JobClient.monitorAndPrintJob(1393) | map 50% reduce 0% INFO - JobClient.monitorAndPrintJob(1393) | map 100% reduce 0% INFO - JobClient.monitorAndPrintJob(1393) | map 100% reduce 33% INFO - JobClient.monitorAndPrintJob(1393) | map 100% reduce 100% INFO - JobClient.monitorAndPrintJob(1448) | Job complete: job_201405072054_0009 INFO - Counters.log(585) | Counters: 30 INFO - Counters.log(587) | Job Counters INFO - Counters.log(589) | Launched reduce tasks=1 INFO - Counters.log(589) | SLOTS_MILLIS_MAPS=11357 INFO - Counters.log(589) | Total time spent by all reduces waiting after reserving slots (ms)=0 INFO - Counters.log(589) | Total time spent by all maps waiting after reserving slots (ms)=0 INFO - Counters.log(589) | Launched map tasks=2 INFO - Counters.log(589) | Data-local map tasks=2 INFO - Counters.log(589) | SLOTS_MILLIS_REDUCES=9972 INFO - Counters.log(587) | File Input Format Counters INFO - Counters.log(589) | Bytes Read=183 INFO - Counters.log(587) | File Output Format Counters INFO - Counters.log(589) | Bytes Written=19 INFO - Counters.log(587) | FileSystemCounters INFO - Counters.log(589) | FILE_BYTES_READ=57 INFO - Counters.log(589) | HDFS_BYTES_READ=391 INFO - Counters.log(589) | FILE_BYTES_WRITTEN=174859 INFO - Counters.log(589) | HDFS_BYTES_WRITTEN=19 INFO - Counters.log(587) | Map-Reduce Framework INFO - Counters.log(589) | Map output materialized bytes=63 INFO - Counters.log(589) | Map input records=10 INFO - Counters.log(589) | Reduce shuffle bytes=63 INFO - Counters.log(589) | Spilled Records=8 INFO - Counters.log(589) | Map output bytes=43 INFO - Counters.log(589) | Total committed heap usage (bytes)=336338944 INFO - Counters.log(589) | CPU time spent (ms)=1940 INFO - Counters.log(589) | Map input bytes=122 INFO - Counters.log(589) | SPLIT_RAW_BYTES=208 INFO - Counters.log(589) | Combine input records=0 INFO - Counters.log(589) | Reduce input records=4 INFO - Counters.log(589) | Reduce input groups=3 INFO - Counters.log(589) | Combine output records=0 INFO - Counters.log(589) | Physical memory (bytes) snapshot=460980224 INFO - Counters.log(589) | Reduce output records=2 INFO - Counters.log(589) | Virtual memory (bytes) snapshot=2184105984 INFO - Counters.log(589) | Map output records=4
产生的数据如下：
总结，测试过程中，发现如果Reduce后面，还有Mapper执行，那么注意一定要，在ChainReducer里面先set一个全局唯一的Reducer，然后再add一个Mapper，否则，在运行的时候，会报空指针异常，这一点需要特别注意！