MapReduce框架原理

3.1 InputFormat数据输入

3.1.1 切片与MapTask并行度决定机制

　　1．问题引出

　　MapTask的并行度决定Map阶段的任务处理并发度，进而影响到整个Job的处理速度。

　　思考：1G的数据，启动8个MapTask，可以提高集群的并发处理能力。那么1K的数据，也启动8个MapTask，会提高集群性能吗？MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？

　　2．MapTask并行度决定机制

　　数据块：Block是HDFS物理上把数据分成一块一块。

　　数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。

3.1.2 Job提交流程源码和切片源码详解

1．Job提交流程源码详解，如下图所示

waitForCompletion()

submit();

// 1建立连接

    connect();

        // 1）创建提交Job的代理

        new Cluster(getConfiguration());

            // （1）判断是本地yarn还是远程

            initialize(jobTrackAddr, conf); 

// 2 提交job

submitter.submitJobInternal(Job.this, cluster)

    // 1）创建给集群提交数据的Stag路径

    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

    // 2）获取jobid ，并创建Job路径

    JobID jobId = submitClient.getNewJobID();

    // 3）拷贝jar包到集群

copyAndConfigureFiles(job, submitJobDir);

    rUploader.uploadFiles(job, jobSubmitDir);

// 4）计算切片，生成切片规划文件

writeSplits(job, submitJobDir);

        maps = writeNewSplits(job, jobSubmitDir);

        input.getSplits(job);

// 5）向Stag路径写XML配置文件

writeConf(conf, submitJobFile);

    conf.writeXml(out);

// 6）提交Job,返回提交状态

status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

2．FileInputFormat切片源码解析(input.getSplits(job))

3.1.3 FileInputFormat切片机制

3.1.4 CombineTextInputFormat切片机制

　　框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

　　1、应用场景：

　　CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。

　　2、虚拟存储切片最大值设置

　　CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

　　注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。

　　3、切片机制

　　生成切片过程包括：虚拟存储过程和切片过程二部分。

（1）虚拟存储过程：

　　将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。

　　例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。

（2）切片过程：

　　（a）判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。

　　（b）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。

　　（c）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：

　　1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）

　　最终会形成3个切片，大小分别为：

　　（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

3.1.5 CombineTextInputFormat案例实操

1．需求

　　将输入的大量小文件合并成一个切片统一处理。

　　（1）输入数据

　　准备4个小文件

　　（2）期望

　　期望一个切片处理4个文件

2．实现过程

（1）不做任何处理，运行1.6节的WordCount案例程序，观察切片个数为4。

（2）在WordcountDriver中增加如下代码，运行程序，并观察运行的切片个数为3。

　　（a）驱动类中添加代码如下：

// 如果不设置InputFormat，它默认用的是TextInputFormat.class

job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置4m

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

　　（b）运行如果为3个切片。

　　

（3）在WordcountDriver中增加如下代码，运行程序，并观察运行的切片个数为1。

　　（a）驱动中添加代码如下：

// 如果不设置InputFormat，它默认用的是TextInputFormat.class

job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置20m

CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

　　（b）运行如果为1个切片。

　　

3.1.6 FileInputFormat实现类

3.1.7 KeyValueTextInputFormat使用案例

1．需求

统计输入文件中每一行的第一个单词相同的行数。

（1）输入数据

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

（2）期望结果数据

banzhang    2

xihuan    2

2．需求分析

3．代码实现

（1）编写Mapper类

package com.atguigu.mapreduce.KeyValueTextInputFormat;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

public class KVTextMapper extends Mapper<Text, Text, Text, LongWritable>{

// 1 设置value

   LongWritable v = new LongWritable(1);  

    @Override

    protected void map(Text key, Text value, Context context)

            throws IOException, InterruptedException {

// banzhang ni hao

        // 2 写出

        context.write(key, v);

    }

}

（2）编写Reducer类

package com.atguigu.mapreduce.KeyValueTextInputFormat;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class KVTextReducer extends Reducer<Text, LongWritable, Text, LongWritable>{

    LongWritable v = new LongWritable();  

    @Override

    protected void reduce(Text key, Iterable<LongWritable> values,    Context context) throws IOException, InterruptedException {

         long sum = 0L;  

         // 1 汇总统计

        for (LongWritable value : values) {

            sum += value.get();

        }

        v.set(sum);  

        // 2 输出

        context.write(key, v);

    }

}

（3）编写Driver类

package com.atguigu.mapreduce.keyvaleTextInputFormat;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

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.input.KeyValueLineRecordReader;

import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class KVTextDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();

        // 设置切割符

    conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");

        // 1 获取job对象

        Job job = Job.getInstance(conf);

        // 2 设置jar包位置，关联mapper和reducer

        job.setJarByClass(KVTextDriver.class);

        job.setMapperClass(KVTextMapper.class);

job.setReducerClass(KVTextReducer.class);

        // 3 设置map输出kv类型

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(LongWritable.class);

        // 4 设置最终输出kv类型

        job.setOutputKeyClass(Text.class);

job.setOutputValueClass(LongWritable.class);

        // 5 设置输入输出数据路径

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        // 设置输入格式

    job.setInputFormatClass(KeyValueTextInputFormat.class);

        // 6 设置输出数据路径

        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7 提交job

        job.waitForCompletion(true);

    }

}

3.1.8 NLineInputFormat使用案例

1．需求

对每个单词进行个数统计，要求根据每个输入文件的行数来规定输出多少个切片。此案例要求每三行放入一个切片中。

（1）输入数据

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang banzhang ni hao

xihuan hadoop banzhang

（2）期望输出数据

Number of splits:4

2．需求分析

3．代码实现

（1）编写Mapper类

package com.atguigu.mapreduce.nline;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

public class NLineMapper extends Mapper<LongWritable, Text, Text, LongWritable>{

    private Text k = new Text();

    private LongWritable v = new LongWritable(1);

    @Override

    protected void map(LongWritable key, Text value, Context context)    throws IOException, InterruptedException {

         // 1 获取一行

        String line = value.toString();

        // 2 切割

        String[] splited = line.split(" ");

        // 3 循环写出

        for (int i = 0; i < splited.length; i++) {

            k.set(splited[i]);

           context.write(k, v);

        }

    }

}

（2）编写Reducer类

package com.atguigu.mapreduce.nline;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class NLineReducer extends Reducer<Text, LongWritable, Text, LongWritable>{

    LongWritable v = new LongWritable();

    @Override

    protected void reduce(Text key, Iterable<LongWritable> values,    Context context) throws IOException, InterruptedException {

        long sum = 0l;

        // 1 汇总

        for (LongWritable value : values) {

            sum += value.get();

        }  

        v.set(sum);

        // 2 输出

        context.write(key, v);

    }

}

（3）编写Driver类

package com.atguigu.mapreduce.nline;

import java.io.IOException;

import java.net.URISyntaxException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

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.input.NLineInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class NLineDriver {

    public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {

// 输入输出路径需要根据自己电脑上实际的输入输出路径设置

args = new String[] { "e:/input/inputword", "e:/output1" };

         // 1 获取job对象

         Configuration configuration = new Configuration();

        Job job = Job.getInstance(configuration);

        // 7设置每个切片InputSplit中划分三条记录

        NLineInputFormat.setNumLinesPerSplit(job, 3);

        // 8使用NLineInputFormat处理记录数

        job.setInputFormatClass(NLineInputFormat.class);  

        // 2设置jar包位置，关联mapper和reducer

        job.setJarByClass(NLineDriver.class);

        job.setMapperClass(NLineMapper.class);

        job.setReducerClass(NLineReducer.class);  

        // 3设置map输出kv类型

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(LongWritable.class);  

        // 4设置最终输出kv类型

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(LongWritable.class);  

        // 5设置输入输出数据路径

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        FileOutputFormat.setOutputPath(job, new Path(args[1]));  

        // 6提交job

        job.waitForCompletion(true);

    }

}

4．测试

（1）输入数据

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang

banzhang ni hao

xihuan hadoop banzhang banzhang ni hao

xihuan hadoop banzhang

（2）输出结果的切片数，如图所示：

3.1.9 自定义InputFormat

3.1.10 自定义InputFormat案例实操

无论HDFS还是MapReduce，在处理小文件时效率都非常低，但又难免面临处理大量小文件的场景，此时，就需要有相应解决方案。可以自定义InputFormat实现小文件的合并。

1．需求

将多个小文件合并成一个SequenceFile文件（SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式），SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value。

（1）输入数据

yongpeng weidong weinan

sanfeng luozong xiaoming
longlong fanfan

mazong kailun yuhang yixin

longlong fanfan

mazong kailun yuhang yixin
shuaige changmo zhenqiang

dongli lingu xuanxuan

（2）期望输出文件格式

2．需求分析

3．程序实现

（1）自定义InputFromat

package com.atguigu.mapreduce.inputformat;

import java.io.IOException;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.BytesWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.JobContext;

import org.apache.hadoop.mapreduce.RecordReader;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

// 定义类继承FileInputFormat

public class WholeFileInputformat extends FileInputFormat<Text, BytesWritable>{

    @Override

    protected boolean isSplitable(JobContext context, Path filename) {

        return false;

    }

    @Override

    public RecordReader<Text, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context)    throws IOException, InterruptedException {

        WholeRecordReader recordReader = new WholeRecordReader();

        recordReader.initialize(split, context);

        return recordReader;

    }

}

（2）自定义RecordReader类

package com.atguigu.mapreduce.inputformat;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FSDataInputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.BytesWritable;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.RecordReader;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import org.apache.hadoop.mapreduce.lib.input.FileSplit;

public class WholeRecordReader extends RecordReader<Text, BytesWritable>{

    private Configuration configuration;

    private FileSplit split;

    private boolean isProgress= true;

    private BytesWritable value = new BytesWritable();

    private Text k = new Text();

    @Override

    public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {

        this.split = (FileSplit)split;

        configuration = context.getConfiguration();

    }

    @Override

    public boolean nextKeyValue() throws IOException, InterruptedException {

        if (isProgress) {

            // 1 定义缓存区

            byte[] contents = new byte[(int)split.getLength()];

            FileSystem fs = null;

            FSDataInputStream fis = null;

            try {

                // 2 获取文件系统

                Path path = split.getPath();

                fs = path.getFileSystem(configuration);

                // 3 读取数据

                fis = fs.open(path);

                // 4 读取文件内容

                IOUtils.readFully(fis, contents, 0, contents.length);

                // 5 输出文件内容

                value.set(contents, 0, contents.length);

// 6 获取文件路径及名称

String name = split.getPath().toString();

// 7 设置输出的key值

k.set(name);

            } catch (Exception e) {

            }finally {

                IOUtils.closeStream(fis);

            }

            isProgress = false;

            return true;

        }

        return false;

    }

    @Override

    public Text getCurrentKey() throws IOException, InterruptedException {

        return k;

    }

    @Override

    public BytesWritable getCurrentValue() throws IOException, InterruptedException {

        return value;

    }

    @Override

    public float getProgress() throws IOException, InterruptedException {

        return 0;

    }

    @Override

    public void close() throws IOException {

    }

}

（3）编写SequenceFileMapper类处理流程

package com.atguigu.mapreduce.inputformat;

import java.io.IOException;

import org.apache.hadoop.io.BytesWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

import org.apache.hadoop.mapreduce.lib.input.FileSplit;

public class SequenceFileMapper extends Mapper<Text, BytesWritable, Text, BytesWritable>{

    @Override

    protected void map(Text key, BytesWritable value,            Context context)        throws IOException, InterruptedException {

        context.write(key, value);

    }

}

（4）编写SequenceFileReducer类处理流程

package com.atguigu.mapreduce.inputformat;

import java.io.IOException;

import org.apache.hadoop.io.BytesWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class SequenceFileReducer extends Reducer<Text, BytesWritable, Text, BytesWritable> {

    @Override

    protected void reduce(Text key, Iterable<BytesWritable> values, Context context)        throws IOException, InterruptedException {

        context.write(key, values.iterator().next());

    }

}

（5）编写SequenceFileDriver类处理流程

package com.atguigu.mapreduce.inputformat;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.BytesWritable;

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 org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;

public class SequenceFileDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

       // 输入输出路径需要根据自己电脑上实际的输入输出路径设置

        args = new String[] { "e:/input/inputinputformat", "e:/output1" };

       // 1 获取job对象

        Configuration conf = new Configuration();

        Job job = Job.getInstance(conf);

       // 2 设置jar包存储位置、关联自定义的mapper和reducer

        job.setJarByClass(SequenceFileDriver.class);

        job.setMapperClass(SequenceFileMapper.class);

        job.setReducerClass(SequenceFileReducer.class);

       // 7设置输入的inputFormat

        job.setInputFormatClass(WholeFileInputformat.class);

       // 8设置输出的outputFormat

     job.setOutputFormatClass(SequenceFileOutputFormat.class);

// 3 设置map输出端的kv类型

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(BytesWritable.class);

       // 4 设置最终输出端的kv类型

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(BytesWritable.class);

       // 5 设置输入输出路径

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        FileOutputFormat.setOutputPath(job, new Path(args[1]));

       // 6 提交job

        boolean result = job.waitForCompletion(true);

        System.exit(result ? 0 : 1);

    }

}

3.2 MapReduce工作流程

1．流程示意图，如图所示

2．流程详解

　　上面的流程是整个MapReduce最全工作流程，但是Shuffle过程只是从第7步开始到第16步结束，具体Shuffle过程详解，如下：

　　1）MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中

　　2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

　　3）多个溢出文件会被合并成大的溢出文件

　　4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序

　　5）ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据

　　6）ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）

　　7）合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）

3．注意

　　Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。

　　缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M。

4．源码解析流程

context.write(k, NullWritable.get());

　　output.write(key, value);

　　　　collector.collect(key, value,partitioner.getPartition(key, value, partitions));

    　　　　HashPartitioner();

　　　　collect()

   　　　　 close()

   　　　　　　 collect.flush()

　　　　　　　　　　sortAndSpill()

  　　　　　　　　　　  sort()   QuickSort

　　　　　　　　　　mergeParts();

  　　　　　　　　 
　　　　　　　　collector.close();

3.3 Shuffle机制

3.3.1 Shuffle机制

　　Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。如图所示。

　　

3.3.2 Partition分区　　

3.3.3 Partition分区案例实操

1．需求

将统计结果按照手机归属地不同省份输出到不同文件中（分区）

（1）输入数据

1    13736230513    192.196.100.1    www.atguigu.com    2481    24681    200

2    13846544121    192.196.100.2            264    0    200

3     13956435636    192.196.100.3            132    1512    200

4     13966251146    192.168.100.1            240    0    404

5     18271575951    192.168.100.2    www.atguigu.com    1527    2106    200

6     84188413    192.168.100.3    www.atguigu.com    4116    1432    200

7     13590439668    192.168.100.4            1116    954    200

8     15910133277    192.168.100.5    www.hao123.com    3156    2936    200

9     13729199489    192.168.100.6            240    0    200

10     13630577991    192.168.100.7    www.shouhu.com    6960    690    200

11     15043685818    192.168.100.8    www.baidu.com    3659    3538    200

12     15959002129    192.168.100.9    www.atguigu.com    1938    180    500

13     13560439638    192.168.100.10            918    4938    200

14     13470253144    192.168.100.11            180    180    200

15     13682846555    192.168.100.12    www.qq.com    1938    2910    200

16     13992314666    192.168.100.13    www.gaga.com    3008    3720    200

17     13509468723    192.168.100.14    www.qinghua.com    7335    110349    404

18     18390173782    192.168.100.15    www.sogou.com    9531    2412    200

19     13975057813    192.168.100.16    www.baidu.com    11058    48243    200

20     13768778790    192.168.100.17            120    120    200

21     13568436656    192.168.100.18    www.alibaba.com    2481    24681    200

22     13568436656    192.168.100.19            1116    954    200

（2）期望输出数据

手机号136、137、138、139开头都分别放到一个独立的4个文件中，其他开头的放到一个文件中。

2．需求分析

3．在案例2.4的基础上，增加一个分区类

package com.atguigu.mapreduce.flowsum;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Partitioner;

public class ProvincePartitioner extends Partitioner<Text, FlowBean> {

    @Override

    public int getPartition(Text key, FlowBean value, int numPartitions) {

        // 1 获取电话号码的前三位

        String preNum = key.toString().substring(0, 3);

        int partition = 4;

        // 2 判断是哪个省

        if ("136".equals(preNum)) {

            partition = 0;

        }else if ("137".equals(preNum)) {

            partition = 1;

        }else if ("138".equals(preNum)) {

            partition = 2;

        }else if ("139".equals(preNum)) {

            partition = 3;

        }

        return partition;

    }

}

4．在驱动函数中增加自定义数据分区设置和ReduceTask设置

package com.atguigu.mapreduce.flowsum;

import java.io.IOException;

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;

public class FlowsumDriver {

    public static void main(String[] args) throws IllegalArgumentException, IOException, ClassNotFoundException, InterruptedException {

        // 输入输出路径需要根据自己电脑上实际的输入输出路径设置

        args = new String[]{"e:/output1","e:/output2"};

        // 1 获取配置信息，或者job对象实例

        Configuration configuration = new Configuration();

        Job job = Job.getInstance(configuration);

        // 2 指定本程序的jar包所在的本地路径

        job.setJarByClass(FlowsumDriver.class);

        // 3 指定本业务job要使用的mapper/Reducer业务类

        job.setMapperClass(FlowCountMapper.class);

        job.setReducerClass(FlowCountReducer.class);

        // 4 指定mapper输出数据的kv类型

        job.setMapOutputKeyClass(Text.class);

        job.setMapOutputValueClass(FlowBean.class);

        // 5 指定最终输出的数据的kv类型

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(FlowBean.class);

        // 8 指定自定义数据分区

        job.setPartitionerClass(ProvincePartitioner.class);

        // 9 同时指定相应数量的reduce task

        job.setNumReduceTasks(5);

        // 6 指定job的输入原始文件所在目录

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7 将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行

        boolean result = job.waitForCompletion(true);

        System.exit(result ? 0 : 1);

    }

}

3.3.4 WritableComparable排序

1．排序的分类

2．自定义排序WritableComparable

（1）原理分析

bean对象做为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序。

@Override

public int compareTo(FlowBean o) {

    int result;

    // 按照总流量大小，倒序排列

    if (sumFlow > bean.getSumFlow()) {

        result = -1;

    }else if (sumFlow < bean.getSumFlow()) {

        result = 1;

    }else {

        result = 0;

    }

    return result;

}

3.3.5 WritableComparable排序案例实操（全排序）

1．需求

根据案例2.3产生的结果再次对总流量进行排序。

（1）输入数据

　　　　原始数据                       　　　　　    第一次处理后的数据

phone_data.txt
1    13736230513    192.196.100.1    www.atguigu.com    2481    24681    200

2    13846544121    192.196.100.2            264    0    200

3     13956435636    192.196.100.3            132    1512    200

4     13966251146    192.168.100.1            240    0    404

5     18271575951    192.168.100.2    www.atguigu.com    1527    2106    200

6     84188413    192.168.100.3    www.atguigu.com    4116    1432    200

7     13590439668    192.168.100.4            1116    954    200

8     15910133277    192.168.100.5    www.hao123.com    3156    2936    200

9     13729199489    192.168.100.6            240    0    200

10     13630577991    192.168.100.7    www.shouhu.com    6960    690    200

11     15043685818    192.168.100.8    www.baidu.com    3659    3538    200

12     15959002129    192.168.100.9    www.atguigu.com    1938    180    500

13     13560439638    192.168.100.10            918    4938    200

14     13470253144    192.168.100.11            180    180    200

15     13682846555    192.168.100.12    www.qq.com    1938    2910    200

16     13992314666    192.168.100.13    www.gaga.com    3008    3720    200

17     13509468723    192.168.100.14    www.qinghua.com    7335    110349    404

18     18390173782    192.168.100.15    www.sogou.com    9531    2412    200

19     13975057813    192.168.100.16    www.baidu.com    11058    48243    200

20     13768778790    192.168.100.17            120    120    200

21     13568436656    192.168.100.18    www.alibaba.com    2481    24681    200

22     13568436656    192.168.100.19            1116    954    200
part-r-00000
13470253144    180    180    360

13509468723    7335    110349    117684

13560439638    918    4938    5856

13568436656    3597    25635    29232

13590439668    1116    954    2070

13630577991    6960    690    7650

13682846555    1938    2910    4848

13729199489    240    0    240

13736230513    2481    24681    27162

13768778790    120    120    240

13846544121    264    0    264

13956435636    132    1512    1644

13966251146    240    0    240

13975057813    11058    48243    59301

13992314666    3008    3720    6728

15043685818    3659    3538    7197

15910133277    3156    2936    6092

15959002129    1938    180    2118

18271575951    1527    2106    3633

18390173782    9531    2412    11943

84188413    4116    1432    5548

（2）期望输出数据

13509468723 　　7335　　110349　　117684

13736230513　　 2481　　24681　　  27162

13956435636　　 132　　  1512　　    1644

13846544121　　 264　　  0　　　   　264

。。。 。。。

2．需求分析

3．代码实现

（1）FlowBean对象在在需求1基础上增加了比较功能

package com.atguigu.mapreduce.sort;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

import org.apache.hadoop.io.WritableComparable;

public class FlowBean implements WritableComparable<FlowBean> {

    private long upFlow;

    private long downFlow;

    private long sumFlow;

    // 反序列化时，需要反射调用空参构造函数，所以必须有

    public FlowBean() {

        super();

    }

    public FlowBean(long upFlow, long downFlow) {

        super();

        this.upFlow = upFlow;

        this.downFlow = downFlow;

        this.sumFlow = upFlow + downFlow;

    }

    public void set(long upFlow, long downFlow) {

        this.upFlow = upFlow;

        this.downFlow = downFlow;

        this.sumFlow = upFlow + downFlow;

    }

    public long getSumFlow() {

        return sumFlow;

    }

    public void setSumFlow(long sumFlow) {

        this.sumFlow = sumFlow;

    }    

    public long getUpFlow() {

        return upFlow;

    }

    public void setUpFlow(long upFlow) {

        this.upFlow = upFlow;

    }

    public long getDownFlow() {

        return downFlow;

    }

    public void setDownFlow(long downFlow) {

        this.downFlow = downFlow;

    }

    /**

     * 序列化方法

     * @param out

     * @throws IOException

     */

    @Override

    public void write(DataOutput out) throws IOException {

        out.writeLong(upFlow);

        out.writeLong(downFlow);

        out.writeLong(sumFlow);

    }

    /**

     * 反序列化方法 注意反序列化的顺序和序列化的顺序完全一致

     * @param in

     * @throws IOException

     */

    @Override

    public void readFields(DataInput in) throws IOException {

        upFlow = in.readLong();

        downFlow = in.readLong();

        sumFlow = in.readLong();

    }

    @Override

    public String toString() {

        return upFlow + "\t" + downFlow + "\t" + sumFlow;

    }

    @Override

    public int compareTo(FlowBean o) {

        int result;

        // 按照总流量大小，倒序排列

        if (sumFlow > bean.getSumFlow()) {

            result = -1;

        }else if (sumFlow < bean.getSumFlow()) {

            result = 1;

        }else {

            result = 0;

        }

        return result;

    }

}

（2）编写Mapper类

package com.atguigu.mapreduce.sort;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

public class FlowCountSortMapper extends Mapper<LongWritable, Text, FlowBean, Text>{

    FlowBean bean = new FlowBean();

    Text v = new Text();

    @Override

    protected void map(LongWritable key, Text value, Context context)    throws IOException, InterruptedException {

        // 1 获取一行

        String line = value.toString();

        // 2 截取

        String[] fields = line.split("\t");

        // 3 封装对象

        String phoneNbr = fields[0];

        long upFlow = Long.parseLong(fields[1]);

        long downFlow = Long.parseLong(fields[2]);

        bean.set(upFlow, downFlow);

        v.set(phoneNbr);

        // 4 输出

        context.write(bean, v);

    }

}

（3）编写Reducer类

package com.atguigu.mapreduce.sort;

import java.io.IOException;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class FlowCountSortReducer extends Reducer<FlowBean, Text, Text, FlowBean>{

    @Override

    protected void reduce(FlowBean key, Iterable<Text> values, Context context)    throws IOException, InterruptedException {

        // 循环输出，避免总流量相同情况

        for (Text text : values) {

            context.write(text, key);

        }

    }

}

（4）编写Driver类

package com.atguigu.mapreduce.sort;

import java.io.IOException;

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;

public class FlowCountSortDriver {

    public static void main(String[] args) throws ClassNotFoundException, IOException, InterruptedException {

        // 输入输出路径需要根据自己电脑上实际的输入输出路径设置

        args = new String[]{"e:/output1","e:/output2"};

        // 1 获取配置信息，或者job对象实例

        Configuration configuration = new Configuration();

        Job job = Job.getInstance(configuration);

        // 2 指定本程序的jar包所在的本地路径

        job.setJarByClass(FlowCountSortDriver.class);

        // 3 指定本业务job要使用的mapper/Reducer业务类

        job.setMapperClass(FlowCountSortMapper.class);

        job.setReducerClass(FlowCountSortReducer.class);

        // 4 指定mapper输出数据的kv类型

        job.setMapOutputKeyClass(FlowBean.class);

        job.setMapOutputValueClass(Text.class);

        // 5 指定最终输出的数据的kv类型

        job.setOutputKeyClass(Text.class);

        job.setOutputValueClass(FlowBean.class);

        // 6 指定job的输入原始文件所在目录

        FileInputFormat.setInputPaths(job, new Path(args[0]));

        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7 将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行

        boolean result = job.waitForCompletion(true);

        System.exit(result ? 0 : 1);

    }

}

MapReduce框架原理的更多相关文章

  1. java大数据最全课程学习笔记(6)--MapReduce精通(二)--MapReduce框架原理

    目前CSDN,博客园,简书同步发表中,更多精彩欢迎访问我的gitee pages 目录 MapReduce精通(二) MapReduce框架原理 MapReduce工作流程 InputFormat数据 ...

  2. Hadoop(18)-MapReduce框架原理-WritableComparable排序和GroupingComparator分组

    1.排序概述 2.排序分类 3.WritableComparable案例 这个文件,是大数据-Hadoop生态(12)-Hadoop序列化和源码追踪的输出文件,可以看到,文件根据key,也就是手机号进 ...

  3. Hadoop(16)-MapReduce框架原理-自定义FileInputFormat

    1. 需求 将多个小文件合并成一个SequenceFile文件(SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式),SequenceFile里面存储着多个文 ...

  4. Hadoop(12)-MapReduce框架原理-Hadoop序列化和源码追踪

    1.什么是序列化 2.为什么要序列化 3.为什么不用Java的序列化 4.自定义bean对象实现序列化接口(Writable) 在企业开发中往往常用的基本序列化类型不能满足所有需求,比如在Hadoop ...

  5. Hadoop(20)-MapReduce框架原理-OutputFormat

    1.outputFormat接口实现类 2.自定义outputFormat 步骤: 1). 定义一个类继承FileOutputFormat 2). 定义一个类继承RecordWrite,重写write ...

  6. Hadoop(17)-MapReduce框架原理-MapReduce流程,Shuffle机制,Partition分区

    MapReduce工作流程 1.准备待处理文件 2.job提交前生成一个处理规划 3.将切片信息job.split,配置信息job.xml和我们自己写的jar包交给yarn 4.yarn根据切片规划计 ...

  7. Hadoop(13)-MapReduce框架原理--Job提交源码和切片源码解析

    1.MapReduce的数据流 1) Input -> Mapper阶段 这一阶段的主要分工就是将文件切片和把文件转成K,V对 输入源是一个文件,经过InputFormat之后,到了Mapper ...

  8. MapReduce 框架原理

    1. Hadoop 序列化 1.1 自定义Bean对象实现序列化接口 必须实现 Writable 接口: 反序列化时,需要反射调用空参构造函数,所以必须有空参构造: 重写序列化方法: 重写反序列化方法 ...

  9. MapReduce框架原理-MapTask和ReduceTask工作机制

    MapTask工作机制 并行度决定机制 1)问题引出 maptask的并行度决定map阶段的任务处理并发度,进而影响到整个job的处理速度.那么,mapTask并行任务是否越多越好呢? 2)MapTa ...

随机推荐

  1. freeRTOS内核学习笔记(1)-编程标准

    在开始具体的学习之前,你应该先了解freeRTOS的编程标准.这能够方便你在接下来的阅读中快速的了解一些内容 的基本信息,并方便记忆.此外,良好的编程风格也是工作效率的保障. 你可以在https:// ...

  2. pandas之Seris和DataFrame

    pandas是一个强大的python工具包,提供了大量处理数据的函数和方法,用于处理数据和分析数据. 使用pandas之前需要先安装pandas包,并通过import pandas as pd导入. ...

  3. js：事件（注册、解绑、DOM事件流、事件对象、事件委托）

    1.注册事件 (1)传统方式注册事件 <body> <button id="b1">请点击</button> <script> va ...

  4. Java容器学习之ArrayList

    一.概述 ArrayList是java中十分常用的集合类,继承于AbstractList,并实现了List.RandomAccess.Cloneable和Serializable接口.ArrayLis ...

  5. AI大有可为：NAIE平台助力垃圾分类

    摘要:生活垃圾的分类和处理是目前整个社会都在关注的热点,如何对生活垃圾进行简洁高效的分类与检测对垃圾的运输处理至关重要.AI技术在垃圾分类中的应用成为了关注焦点. 如今AI已经是这个时代智能的代名词了 ...

  6. 十进制转换为其他进制(不使用format)

    base = [str(x) for x in range(10)] + [chr(x) for x in range(ord('A'), ord('A') + 6)] # ['0', '1', '2 ...

  7. Python os.removedirs() 方法

    概述 os.removedirs() 方法用于递归删除目录.像rmdir(), 如果子文件夹成功删除, removedirs()才尝试它们的父文件夹,直到抛出一个error(它基本上被忽略,因为它一般 ...

  8. PHP zip_close() 函数

    定义和用法 The zip_close() 函数关闭由 zip_open() 函数打开的 zip 档案.高佣联盟 www.cgewang.com 语法 zip_close(zip) 参数 描述 zip ...

  9. PHP connection_status() 函数

    实例 返回连接状态: <?phpswitch (connection_status()){高佣联盟 www.cgewang.comcase CONNECTION_NORMAL:$txt = 'C ...

  10. Android布局的一些属性和开关、创建log图片

    文本的一些属性 android:id="@+id/editText" 给文本的id重命名 android:layout_width="wrap_content" ...