Hadoop详解(05) – MapReduce

Hadoop详解(05) – MapReduce

MapReduce概述

• 定义

MapReduce是一个分布式运算程序的编程框架，是用户 "基于Hadoop的数据分析应用" 开发的核心框架。

MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并行运行在一个Hadoop集群上。

• 优点

1）易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行。

2）良好的扩展性

当计算资源不能得到满足的时候，可以通过简单的增加机器来扩展它的计算能力。

3）高容错性

MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。

4）适合PB级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力。

• 缺点

1）不擅长实时计算

MapReduce无法像MySQL一样，在毫秒或者秒级内返回结果。

2）不擅长流式计算

流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。

3）不擅长DAG（有向无环图）计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。

• MapReduce核心思想

（1）分布式的运算程序往往需要分成至少2个阶段。

（2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。

（3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。

（4）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。

总结：分析WordCount数据流走向深入理解MapReduce核心思想。

• MapReduce进程

一个完整的MapReduce程序在分布式运行时有三类实例进程：

（1）MrAppMaster：负责整个程序的过程调度及状态协调。

（2）MapTask：负责Map阶段的整个数据处理流程。

（3）ReduceTask：负责Reduce阶段的整个数据处理流程。

• 官方WordCount源码

采用反编译工具反编译源码，发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型。

• 常用数据序列化类型

Java类型：Hadoop Writable类型

Boolean：BooleanWritable

Byte：ByteWritable

Int：IntWritable

Float：FloatWritable

Long：LongWritable

Double：DoubleWritable

String：Text

Map：MapWritable

Array：ArrayWritable

Null：NullWritable

• MapReduce编程规范

Mapper阶段

（1）用户自定义的Mapper要继承自己的父类

（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）

（3）Mapper中的业务逻辑写在map()方法中

（4）Mapper的输出数据是KV对的形式（KV的类型可自定义）

（5）map()方法（MapTask进程）对每一个<K,V>调用一次

Reducer阶段

（1）用户自定义的Reducer要继承自己的父类

（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV

（3）Reducer的业务逻辑写在reduce()方法中

（4）ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

Driver阶段

相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

WordCount案例

需求

在给定的文本文件hello.txt中统计输出每一个单词出现的总次数

hello.txt文件中的内容

hadoop hadoop

ss ss

cls cls

jiao

banzhang

xue

hadoop

期望输出数据

hadoop    2

banzhang    1

cls    2

hadoop    1

jiao    1

ss    2

xue    1

需求分析

按照MapReduce编程规范，分别编写Mapper，Reducer，Driver。

• 输入数据

  hadoop hadoop

  ss ss

  cls cls

  jiao

  banzhang

  xue

  hadoop

• 输出数据

  hadoop     2

  banzhang1

  cls    2

  hadoop    1

  jiao    1

  ss    2

  xue    1

• Mapper阶段

  1 将MapTask传过来的文本内容先转换成String

  hadoop hadoop

  2 根据空格将这一行切分成单词

  hadoop

  hadoop

  3 将单词输出为<单词，1>

  hadoop, 1

  hadoop, 1

• Reducer阶段

  1 汇总各个key的个数

  hadoop, 1

  hadoop, 1

  2 输出该key的总次数

  hadoop, 2

• Driver阶段

  1 获取配置信息，获取job对象实例

  2 指定本程序的jar包所在的本地路径

  3 关联Mapper/Reducer业务类

  4 指定Mapper输出数据的kv类型

  5 指定最终输出的数据的kv类型

  6 指定job的输入原始文件所在目录

  7 指定job的输出结果所在目录

  8 提交作业

环境准备及实现

环境准备及实现请参考文档《Hadoop详解(04-1) - 基于hadoop3.1.3配置Windows10本地开发运行环境》的"本地测试MR程序WordCount"章节

Hadoop序列化

概述

序列化：序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输。

反序列化：反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。

序列化的意义：一般来说，"活的"对象只生存在内存里，关机断电就没有了。而且"活的"对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储"活的"对象，可以将"活的"对象发送到远程计算机。

Hadoop中 为何不用Java的序列化

Java的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，Hadoop自己开发了一套序列化机制（Writable）。

Hadoop序列化特点：

紧凑 ：高效使用存储空间。

快速：读写数据的额外开销小。

可扩展：随着通信协议的升级而可升级

互操作：支持多语言的交互

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框架内部传递一个bean对象，那么该对象就需要实现序列化接口。

具体实现bean对象序列化步骤分如下7步：

（1）必须实现Writable接口

（2）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

public FlowBean() {

super();

}

（3）重写序列化方法

@Override

public void write(DataOutput out) throws IOException {

out.writeLong(upFlow);

out.writeLong(downFlow);

out.writeLong(sumFlow);

}

（4）重写反序列化方法

@Override

public void readFields(DataInput in) throws IOException {

upFlow = in.readLong();

downFlow = in.readLong();

sumFlow = in.readLong();

}

（5）注意反序列化的顺序和序列化的顺序完全一致

（6）要想把结果显示在文件中，需要重写toString()，可用"\t"分开，方便后续用。

（7）如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为MapReduce框中的Shuffle过程要求对key必须能排序。详见后面排序案例。

@Override

public int compareTo(FlowBean o) {

// 倒序排列，从大到小

return this.sumFlow > o.getSumFlow() ? -1 : 1;

}

序列化案例

• 需求

统计每一个手机号耗费的总上行流量、总下行流量、总流量

• 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

• 期望输出数据格式

  3560436666         1116         954             2070

  手机号码         上行流量
  下行流量        总流量

• 需求分析

1、需求：统计每一个手机号耗费的总上行流量、下行流量、总流量

2、输入数据格式

7 13560436666 120.196.100.99 1116     954     200

Id 手机号码 网络ip     上行流量 下行流量 网络状态码

3、期望输出数据格式

13560436666      1116 954 2070

手机号码     上行流量 下行流量 总流量

4、Map阶段

读取一行数据，切分字段

7 13560436666 120.196.100.99 1116     954     200

抽取手机号、上行流量、下行流量

13560436666      1116 954

手机号码     上行流量 下行流量

以手机号为key，bean对象为value输出，即context.write(手机号,bean);

bean对象要想能够传输，必须实现序列化接口

5、Reduce阶段

累加上行流量和下行流量得到总流量。

13560436666      1116 + 954 = 2070

手机号码     上行流量 下行流量 总流量

• 编写MapReduce程序

编写流量统计的Bean对象

package com.zhangjk.mapreduce.flowsum;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

public
class FlowBean implements Writable {

private
long upFlow;

private
long downFlow;

private
long sumFlow;

//2 反序列化时，需要反射调用空参构造函数

public FlowBean()
{

super();

}

public FlowBean(long upFlow,
long downFlow)
{

super();

this.upFlow = upFlow;

this.downFlow = downFlow;

this.sumFlow = upFlow + downFlow;

}

//重写写序列化方法

@Override

public
void write(DataOutput out)
throws IOException {

out.writeLong(upFlow);

out.writeLong(downFlow);

out.writeLong(sumFlow);

}

//4 重写反序列化方法

//5 反序列化方法读顺序必须和写序列化方法的写顺序必须一致

@Override

public
void readFields(DataInput in)
throws IOException {

this.upFlow = in.readLong();

this.downFlow = in.readLong();

this.sumFlow = in.readLong();

}

//6 编写toString方法，方便后续打印

@Override

public String toString()
{

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

}

public
long getSumFlow()
{

return sumFlow;

}

public
void setSumFlow(long sumFlow)
{

this.sumFlow = sumFlow;

}

public
void set(long downFlow,
long upFlow)
{

this.downFlow = downFlow;

this.upFlow = upFlow;

}

}

编写Mapper类

package com.zhangjk.mapreduce.flowsum;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

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

FlowBean v =
new FlowBean();

Text k =
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 切割字段

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

// 3 封装对象

// 取出手机号码

String phoneNum = fields[1];

// 取出上行流量和下行流量

long upFlow = Long.parseLong(fields[fields.length -
3]);

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

k.set(phoneNum);

v.set(downFlow, upFlow);

// 4 写出

context.write(k, v);

}

}

编写Reducer类

package com.zhangjk.mapreduce.flowsum;

import java.io.IOException;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

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

@Override

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

long sum_upFlow =
0;

long sum_downFlow =
0;

// 1 遍历所用bean，将其中的上行流量，下行流量分别累加

for
(FlowBean flowBean : values)
{

sum_upFlow += flowBean.getUpFlow();

sum_downFlow += flowBean.getDownFlow();

}

// 2 封装对象

FlowBean resultBean =
new FlowBean(sum_upFlow, sum_downFlow);

// 3 写出

context.write(key, resultBean);

}

}

编写Driver驱动类

package com.zhangjk.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;

/**

* @author : 张京坤

* mail：zhangjingkun88@126.com

* date: 2021/12/8

* project name: HdfsClientDemo

* package name: com.zhangjk.mapreduce.flowsum

* content:

* @version
：1.0

*/

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[]
{
"D:\\aaa\\phone_data.txt",
"D:\\aaa\\phone_data"
};

// 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);

// 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

InputFormat数据输入

• 切片与MapTask并行度决定机制
  

问题：

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。

例如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？

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。数据块是HDFS存储数据单位。

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。数据切片是MapReduce程序计算输入数据的单位，一个切片会对应启动一个MapTask。

假设：

切片大小设置为100M，图中红色切分方式

切片大小设置为128M，图中蓝色切分方式

1）一个Job的Map阶段并行度由客户端在提交Job时的切片数决定

2）每一个Split切片分配一个MapTask并行实例处理

3）默认情况下，切片大小=BlockSize

4）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

• Job提交流程

源码详解

waitForCompletion()

submit();

// 1建立连接

connect();

// 创建提交Job的代理

new Cluster(getConfiguration());

// 判断是本地运行环境还是yarn集群运行环境

initialize(jobTrackAddr, conf);

// 2 提交job

submitter.submitJobInternal(Job.this, cluster)

// 创建给集群提交数据的Stag路径

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

// 获取jobid ，并创建Job路径

JobID jobId = submitClient.getNewJobID();

// 拷贝jar包到集群

copyAndConfigureFiles(job, submitJobDir);

rUploader.uploadFiles(job, jobSubmitDir);

// 计算切片，生成切片规划文件

writeSplits(job, submitJobDir);

maps = writeNewSplits(job, jobSubmitDir);

input.getSplits(job);

// 向Stag路径写XML配置文件

writeConf(conf, submitJobFile);

conf.writeXml(out);

// 提交Job,返回提交状态

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

源码解析

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

（1）程序先找到数据存储的目录。

（2）开始遍历处理（规划切片）目录下的每一个文件

（3）遍历第一个文件ss.txt

a）获取文件大小fs.sizeOf(ss.txt)

b）计算切片大小

computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

c）默认情况下，切片大小=blocksize

d）开始切分，形成第1个切片：ss.txt—0:128M 第2个切片ss.txt—128:256M 第3个切片ss.txt—256M:300M（每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分一块切片）

e）将切片信息写到一个切片规划文件中

f）整个切片的核心过程在getSplit()方法中完成

g）InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等。

（4）提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。

FileInputFormat切片机制

（1）简单地按照文件的内容长度进行切片

（2）切片大小，默认等于Block大小

（3）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

案例分析

（1）输入数据有两个文件：

file1.txt 320M

file2.txt 10M

（2）经过FileInputFormat的切片机制运算后，形成的切片信息如下：

file1.txt.split1-- 0~128

file1.txt.split2-- 128~256

file1.txt.split3-- 256~320

file2.txt.split1-- 0~10M

FileInputFormat切片大小的参数配置

（1）源码中计算切片大小的公式

Math.max(minSize, Math.min(maxSize, blockSize));

mapreduce.input.fileinputformat.split.minsize=1 默认值为1

mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue

因此，默认情况下，切片大小=blocksize。

（2）切片大小设置

maxsize（切片最大值）：参数如果调得比blockSize小，则会让切片变小，而且就等于配置的这个参数的值。

minsize（切片最小值）：参数调的比blockSize大，则可以让切片变得比blockSize还大。

（3）获取切片信息API

// 获取切片的文件名称

String name = inputSplit.getPath().getName();

// 根据文件类型获取切片信息

FileSplit inputSplit = (FileSplit) context.getInputSplit();

FileInputFormat实现类

在运行MapReduce程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么，针对不同的数据类型，MapReduce是通过如下方式读取这些数据的：

FileInputFormat常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。

TextInputFormat

TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。

以下是一个示例，比如，一个分片包含了如下4条文本记录。

Rich learning form

Intelligent learning engine

Learning more convenient

From the real demand for more close to the enterprise

每条记录表示为以下键/值对：

(0,Rich learning form)

(19,Intelligent learning engine)

(47,Learning more convenient)

(72,From the real demand for more close to the enterprise)

• 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。

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。

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。

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。

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。

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

• CombineTextInputFormat案例实操
  

需求：将输入的大量小文件合并成一个切片统一处理。

输入数据：准备4个小文件，文件大小约为1.6MB大小

期望：期望一个切片处理4个文件

实现过程

1 、不做任何处理，运行com.zhangjk.mapreduce.WordcountDriver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。

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);

运行结果为2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。

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4m
CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

运行如果为1个切片

MapReduce工作流程

• MapReduce详细工作流程

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会抓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）

注意：

（1）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。

（2）缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb默认100M。

（3）源码解析流程

=================== MapTask ===================

context.write(k, NullWritable.get()); //自定义的map方法的写出，进入

output.write(key, value);

//MapTask727行，收集方法，进入两次

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

HashPartitioner(); //默认分区器

collect() //MapTask1082行 map端所有的kv全部写出后会走下面的close方法

close() //MapTask732行

collector.flush() // 溢出刷写方法，MapTask735行，提前打个断点，进入

sortAndSpill() //溢写排序，MapTask1505行，进入

sorter.sort() QuickSort //溢写排序方法，MapTask1625行，进入

mergeParts(); //合并文件，MapTask1527行，进入

collector.close();

=================== ReduceTask ===================

if (isMapOrReduce()) //reduceTask324行，提前打断点

initialize() // reduceTask333行,进入

init(shuffleContext); // reduceTask375行,走到这需要先给下面的打断点

totalMaps = job.getNumMapTasks(); // ShuffleSchedulerImpl第120行，提前打断点

merger = createMergeManager(context); //合并方法，Shuffle第80行

// MergeManagerImpl第232 235行，提前打断点

this.inMemoryMerger = createInMemoryMerger(); //内存合并

this.onDiskMerger = new OnDiskMerger(this); //磁盘合并

eventFetcher.start(); //开始抓取数据，Shuffle第107行，提前打断点

eventFetcher.shutDown(); //抓取结束，Shuffle第141行，提前打断点

copyPhase.complete(); //copy阶段完成，Shuffle第151行

taskStatus.setPhase(TaskStatus.Phase.SORT); //开始排序阶段，Shuffle第152行

sortPhase.complete(); //排序阶段完成，即将进入reduce阶段 reduceTask382行

reduce(); //reduce阶段调用的就是我们自定义的reduce方法，会被调用多次

cleanup(context); //reduce完成之前，会最后调用一次Reducer里面的cleanup方法

Shuffle机制

Shuffle是指Map方法之后，Reduce方法之前的数据处理过程，处理流程图如下：

Partition分区

• 问题：

要求将统计结果按照条件输出到不同文件中（分区）。比如：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）

使用默认Partitioner分区

public class HashPartitioner<K, V> extends Partitioner<K, V> {

public int getPartition(K key, V value, int numReduceTasks) {

return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;

}

}

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。

自定义Partitioner步骤

（1）自定义类继承Partitioner，重写getPartition()方法

public class CustomPartitioner extends Partitioner<Text, FlowBean> {

@Override

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

// 控制分区代码逻辑

… …

return partition;

}

}

（2）在Job驱动中，设置自定义Partitioner

job.setPartitionerClass(CustomPartitioner.class);

（3）自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask

job.setNumReduceTasks(5);

• 分区总结

（1）如果ReduceTask的数量> getPartition的结果数，则会多产生几个空的输出文件part-r-000xx；

（2）如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区数据无处安放，会Exception；

（3）如果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件 part-r-00000；

（4）分区号必须从零开始，逐一累加。

案例分析

例如：假设自定义分区数为5，则

（1）job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件

（2）job.setNumReduceTasks(2); 会报错

（3）job.setNumReduceTasks(6); 大于5，程序会正常运行，会产生空文件

• Partition分区案例实操
  

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）

输入数据：phone_data.txt文件内容

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

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

需求分析：

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）

2、数据输入

13630577991    6960    690

13736230513    2481    24681

13846544121    264    0

13956435636    132    1512

13560439638    918    4938

3、期望数据输出

文件1

文件2

文件3

文件4

文件5

4、增加一个ProvincePartitioner分区

136    分区0

137    分区1

138    分区2

139    分区3

其他    分区4

5、Driver驱动类

// 指定自定义数据分区

job.setPartitionerClass(ProvincePartitioner.class);

// 同时指定相应数量的reduceTask

job.setNumReduceTasks(5);

需求实现

在章节案例《Hadoop序列化-序列化案例》的基础上，增加一个分区类

在包com.zhangjk.mapreduce.flowsum下创建类ProvincePartitioner

package com.zhangjk.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;

}

}

在驱动函数中增加自定义数据分区设置和ReduceTask设置

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[]
{
"D:\\aaa\\phone_data.txt",
"D:\\aaa\\phone_data"
};

// 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);

// 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);

// 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);

}

运行程序并查看结果

WritableComparable排序

需求：根据章节案例《Hadoop序列化-序列化案例》序列化案例产生的结果再次对总流量进行倒序排序。

输入数据

原始数据 第一次处理后的数据

期望输出数据

13509468723    7335    110349    117684

13736230513    2481    24681    27162

13956435636    132        1512    1644

13846544121    264        0        264

。。。 。。。

需求分析：

1、需求：根据手机的总流量进行倒序排序

2、输入数据

13736230513    2481    24681    27162

13846544121    264    0    264

13956435636    132    1512    1644

13509468723    7335    110349     117684

。。。 。。。

3、输出数据

13509468723    7335    110349     117684

13736230513    2481    24681    27162

13956435636    132    1512    1644

13846544121    264    0    264

。。。 。。。

4、FlowBean实现WritableComparable接口重写compareTo方法

@Override

public int compareTo(FlowBean o) {

// 倒序排列，按照总流量从大到小

return this.sumFlow > o.getSumFlow() ? -1 : 1;

}

5、Mapper类

context.write(bean，手机号)

6、Reducer类

// 循环输出，避免总流量相同情况

for (Text text : values) {

context.write(text, key);

}

代码实现

新建包名com.zhangjk.mapreduce.flowsum.sort

编写FlowBean类

复制com.zhangjk.mapreduce.flowsum.FlowBean 对象到com.zhangjk.mapreduce.flowsum.sort

修改继承接口为WritableComparable<FlowBean>

增加比较功能

com.zhangjk.mapreduce.flowsum.sort.FlowBean类的完成代码

package com.zhangjk.mapreduce.flowsum.sort;

import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

public
class FlowBean implements WritableComparable<FlowBean>
{

private
long upFlow;

private
long downFlow;

private
long sumFlow;

//2 反序列化时，需要反射调用空参构造函数

public FlowBean()
{

super();

}

public FlowBean(long upFlow,
long downFlow)
{

super();

this.upFlow = upFlow;

this.downFlow = downFlow;

this.sumFlow = upFlow + downFlow;

}

//重写写序列化方法

@Override

public
void write(DataOutput out)
throws IOException {

out.writeLong(upFlow);

out.writeLong(downFlow);

out.writeLong(sumFlow);

}

//4 重写反序列化方法

//5 反序列化方法读顺序必须和写序列化方法的写顺序必须一致

@Override

public
void readFields(DataInput in)
throws IOException {

this.upFlow = in.readLong();

this.downFlow = in.readLong();

this.sumFlow = in.readLong();

}

@Override

public int compareTo(FlowBean bean)
{

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;

}

//6 编写toString方法，方便后续打印

@Override

public String toString()
{

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

}

public
long getSumFlow()
{

return sumFlow;

}

public
void setSumFlow(long sumFlow)
{

this.sumFlow = sumFlow;

}

public
void set(long downFlow,
long upFlow)
{

this.downFlow = downFlow;

this.upFlow = upFlow;

}

}

编写Mapper类

package com.zhangjk.mapreduce.flowsum.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);

}

}

编写Reducer类

package com.zhangjk.mapreduce.flowsum.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);

}

}

}

编写Driver类

package com.zhangjk.mapreduce.flowsum.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[]{"D:\\aaa\\phone_data.txt",
"D:\\aaa\\phone_data"};

// 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);

}

}

Combiner合并

Combiner是MR程序中Mapper和Reducer之外的一种组件。

Combiner组件的父类就是Reducer。

Combiner和Reducer的区别在于运行的位置，Combiner是在每一个MapTask所在的节点运行;Reducer是接收全局所有Mapper的输出结果；

Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。

Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

Mapper

3 5 7 ->(3+5+7)/3=5

2 6 ->(2+6)/2=4

Reducer

(3+5+7+2+6)/5=23/5 不等于 (5+4)/2=9/2

• 自定义Combiner实现步骤

自定义一个Combiner继承Reducer，重写Reduce方法

public class WordcountCombiner extends Reducer<Text, IntWritable, Text,IntWritable>{

@Override

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

// 1 汇总操作

int count = 0;

for(IntWritable v :values){

count += v.get();

}

// 2 写出

context.write(key, new IntWritable(count));

}

}

在Job驱动类中设置：

job.setCombinerClass(WordcountCombiner.class);

• Combiner合并案例实操
  

需求：统计过程中对每一个MapTask的输出进行局部汇总，以减小网络传输量即采用Combiner功能。

期望：Combine输入数据多，输出时经过合并，输出数据降低。

方案一

增加一个WordcountCombiner类继承Reducer

在WordcountCombiner中

（1）统计单词汇总

（2）将统计结果输出

方案二

将WordcountReducer作为Combiner在WordcountDriver驱动类中指定

job.setCombinerClass(WordcountReducer.class);

使用前

使用后

• 实现代码

方案一

增加一个WordcountCombiner类继承Reducer

package com.zhangjk.mapreduce;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public
class WordcountCombiner extends Reducer<Text, IntWritable, Text, IntWritable>{

IntWritable v =
new IntWritable();

@Override

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

// 1 汇总

int sum =
0;

for(IntWritable value :values){

sum += value.get();

}

v.set(sum);

// 2 写出

context.write(key, v);

}

}

在WordcountDriver驱动类中指定Combiner

// 指定需要使用combiner，以及用哪个类作为combiner的逻辑

job.setCombinerClass(WordcountCombiner.class);

方案二

将WordcountReducer作为Combiner在WordcountDriver驱动类中指定

// 指定需要使用Combiner，以及用哪个类作为Combiner的逻辑

job.setCombinerClass(WordcountReducer.class);

MapTask工作机制

（1）Read阶段：MapTask通过InputFormat获得的RecordReader，从输入InputSplit中解析出一个个key/value。

（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

（4）Spill阶段：即"溢写"，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

溢写阶段详情：

步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。

步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。

步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

（5）Merge阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。

当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。

在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并mapreduce.task.io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。

让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

ReduceTask工作机制

（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。

（4）Reduce阶段：reduce()函数将计算结果写到HDFS上。

• 设置ReduceTask并行度（个数）

ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：

// 默认值是1，手动设置为4

实验：测试ReduceTask多少合适

实验环境：1个Master节点，16个Slave节点：CPU:8GHZ，内存: 2G

实验结论：

表 改变ReduceTask （数据量为1GB）

MapTask =16

ReduceTask    1    5    10    15    16    20    25    30    45    60

总时间    892    146    110    92    88    100    128    101    145    104

注意事项

（1）ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致。

（2）ReduceTask默认值就是1，所以输出文件个数为一个。

（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜

（4）ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask。

（5）具体多少个ReduceTask，需要根据集群性能而定。

（6）如果分区数不是1，但是ReduceTask为1，是否执行分区过程。答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

OutputFormat数据输出

• OutputFormat接口实现类

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。下面介绍几种常见的OutputFormat实现类。

1．文本输出TextOutputFormat

默认的输出格式是TextOutputFormat，它把每条记录写为文本行。它的键和值可以是任意类型，因为TextOutputFormat调用toString()方法把它们转换为字符串。

2．SequenceFileOutputFormat

将SequenceFileOutputFormat输出作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。

3．自定义OutputFormat

根据用户需求，自定义实现输出。

• 自定义OutputFormat

使用场景

为了实现控制最终文件的输出路径和输出格式，可以自定义OutputFormat。例如：要在一个MapReduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义OutputFormat来实现。

自定义OutputFormat步骤

（1）自定义一个类继承FileOutputFormat。

（2）改写RecordWriter，具体改写输出数据的方法write()。

• 案例实操

log.txt内容

http://www.baidu.com

http://www.google.com

https://www.cnblogs.com

https://www.aliyun.com

http://www.sohu.com

https://www.tencent.com/

http://www.sin2a.com

http://www.sin2desa.com

http://www.sindsafa.com

期望输出数据

https.log内容

https://www.cnblogs.com

https://www.aliyun.com

https://www.tencent.com/

other.log内容

http://www.baidu.com

http://www.google.com

http://www.sohu.com

http://www.sin2a.com

http://www.sin2desa.com

http://www.sindsafa.com

• 代码实现

创建包名com.zhangjk.mapreduce.outputformat

编写LogMapper类

package com.zhangjk.mapreduce.outputformat;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public
class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable>
{

@Override

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

//不做任何处理,直接写出一行log数据

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

}

}

编写LogReducer类

package com.zhangjk.mapreduce.outputformat;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public
class LogReducer extends Reducer<Text, NullWritable,Text, NullWritable>
{

@Override

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

//防止有相同的数据,迭代写出

for
(NullWritable value : values)
{

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

}

}

}

自定义一个LogOutputFormat类

package com.zhangjk.mapreduce.outputformat;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.RecordWriter;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

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

import java.io.IOException;

public
class LogOutputFormat extends FileOutputFormat<Text, NullWritable>
{

@Override

public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job)
throws IOException, InterruptedException {

//创建一个自定义的RecordWriter返回

LogRecordWriter logRecordWriter =
new LogRecordWriter(job);

return logRecordWriter;

}

}

编写LogRecordWriter类

package com.zhangjk.mapreduce.outputformat;

import org.apache.hadoop.fs.FSDataOutputStream;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IOUtils;

import org.apache.hadoop.io.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.RecordWriter;

import org.apache.hadoop.mapreduce.TaskAttemptContext;

import java.io.IOException;

public
class LogRecordWriter extends RecordWriter<Text, NullWritable>
{

private FSDataOutputStream httpsOut;

private FSDataOutputStream otherOut;

public LogRecordWriter(TaskAttemptContext job)
{

try
{

//获取文件系统对象

FileSystem fs = FileSystem.get(job.getConfiguration());

//用文件系统对象创建两个输出流对应不同的目录

httpsOut = fs.create(new Path("D:\\aaa\\https.txt"));

otherOut = fs.create(new Path("D:\\aaa\\other.txt"));

}
catch
(IOException e)
{

e.printStackTrace();

}

}

@Override

public
void write(Text key, NullWritable value)
throws IOException, InterruptedException {

String log = key.toString();

//根据一行的log数据是否包含atguigu,判断两条输出流输出的内容

if
(log.contains("https"))
{

httpsOut.writeBytes(log +
"\n");

}
else
{

otherOut.writeBytes(log +
"\n");

}

}

@Override

public
void close(TaskAttemptContext context)
throws IOException, InterruptedException {

//关流

IOUtils.closeStream(httpsOut);

IOUtils.closeStream(otherOut);

}

}

编写LogDriver类

package com.zhangjk.mapreduce.outputformat;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

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.io.IOException;

public
class LogDriver {

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

Configuration conf =
new Configuration();

Job job = Job.getInstance(conf);

job.setJarByClass(LogDriver.class);

job.setMapperClass(LogMapper.class);

job.setReducerClass(LogReducer.class);

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(NullWritable.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(NullWritable.class);

//设置自定义的outputformat

job.setOutputFormatClass(LogOutputFormat.class);

FileInputFormat.setInputPaths(job,
new Path("D:\\aaa\\loginput"));

//虽然自定义了outputformat，但是因为outputformat继承自fileoutputformat

//而fileoutputformat要输出一个_SUCCESS文件，所以在这还得指定一个输出目录

FileOutputFormat.setOutputPath(job,
new Path("D:\\aaa\\logoutput"));

boolean b = job.waitForCompletion(true);

System.exit(b ?
0
:
1);

}

}

Join应用

Map端的主要工作是为来自不同表或文件的key/value对，打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。

Reduce端的主要工作是在Reduce端以连接字段作为key的分组已经完成，只需要在每一个分组当中将那些来源于不同文件的记录(在Map阶段已经打标志)分开，最后进行合并就ok了。

• Reduce Join案例实操

需求：

订单数据表t_order：

id    pid    amount

1001    01    1

1002    02    2

1003    03    3

1004    01    4

1005    02    5

1006    03    6

商品信息表t_product

pid    pname

01    小米

02    华为

03    格力

将商品信息表中数据根据商品pid合并到订单数据表中

最终数据形式

id    pname    amount

1001    小米    1

1004    小米    4

1002    华为    2

1005    华为    5

1003    格力    3

1006    格力    6

需求分析

代码实现

创建包名com.zhangjk.mapreduce.reducejoin

创建商品和订单合并后的Bean类

import org.apache.hadoop.io.Writable;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

public
class TableBean implements Writable {

private String id;
//订单id

private String pid;
//产品id

private
int amount;
//产品数量

private String pname;
//产品名称

private String flag;
//判断是order表还是pd表的标志字段

public TableBean()
{

}

public String getId()
{

return id;

}

public
void setId(String id)
{

this.id = id;

}

public String getPid()
{

return pid;

}

public
void setPid(String pid)
{

this.pid = pid;

}

public
int getAmount()
{

return amount;

}

public
void setAmount(int amount)
{

this.amount = amount;

}

public String getPname()
{

return pname;

}

public
void setPname(String pname)
{

this.pname = pname;

}

public String getFlag()
{

return flag;

}

public
void setFlag(String flag)
{

this.flag = flag;

}

@Override

public String toString()
{

return id +
"\t"
+ pname +
"\t"
+ amount;

}

@Override

public
void write(DataOutput out)
throws IOException {

out.writeUTF(id);

out.writeUTF(pid);

out.writeInt(amount);

out.writeUTF(pname);

out.writeUTF(flag);

}

@Override

public
void readFields(DataInput in)
throws IOException {

this.id = in.readUTF();

this.pid = in.readUTF();

this.amount = in.readInt();

this.pname = in.readUTF();

this.flag = in.readUTF();

}

}

编写TableMapper类

package com.zhangjk.mapreduce.reducejoin;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

public
class TableBean implements Writable {

private String id;
//订单id

private String pid;
//产品id

private
int amount;
//产品数量

private String pname;
//产品名称

private String flag;
//判断是order表还是pd表的标志字段

public TableBean()
{

}

public String getId()
{

return id;

}

public
void setId(String id)
{

this.id = id;

}

public String getPid()
{

return pid;

}

public
void setPid(String pid)
{

this.pid = pid;

}

public
int getAmount()
{

return amount;

}

public
void setAmount(int amount)
{

this.amount = amount;

}

public String getPname()
{

return pname;

}

public
void setPname(String pname)
{

this.pname = pname;

}

public String getFlag()
{

return flag;

}

public
void setFlag(String flag)
{

this.flag = flag;

}

@Override

public String toString()
{

return id +
"\t"
+ pname +
"\t"
+ amount;

}

@Override

public
void write(DataOutput out)
throws IOException {

out.writeUTF(id);

out.writeUTF(pid);

out.writeInt(amount);

out.writeUTF(pname);

out.writeUTF(flag);

}

@Override

public
void readFields(DataInput in)
throws IOException {

this.id = in.readUTF();

this.pid = in.readUTF();

this.amount = in.readInt();

this.pname = in.readUTF();

this.flag = in.readUTF();

}

}

编写TableMapper类

package com.zhangjk.mapreduce.reducejoin;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.InputSplit;

import org.apache.hadoop.mapreduce.Mapper;

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

import java.io.IOException;

public
class TableMapper extends Mapper<LongWritable,Text,Text,TableBean>
{

private String filename;

private Text outK =
new Text();

private TableBean outV =
new TableBean();

@Override

protected
void setup(Context context)
throws IOException, InterruptedException {

//获取对应文件名称

InputSplit split = context.getInputSplit();

FileSplit fileSplit =
(FileSplit) split;

filename = fileSplit.getPath().getName();

}

@Override

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

//获取一行

String line = value.toString();

//判断是哪个文件,然后针对文件进行不同的操作

if(filename.contains("order")){
//订单表的处理

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

//封装outK

outK.set(split[1]);

//封装outV

outV.setId(split[0]);

outV.setPid(split[1]);

outV.setAmount(Integer.parseInt(split[2]));

outV.setPname("");

outV.setFlag("order");

}else
{
//商品表的处理

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

//封装outK

outK.set(split[0]);

//封装outV

outV.setId("");

outV.setPid(split[0]);

outV.setAmount(0);

outV.setPname(split[1]);

outV.setFlag("pd");

}

//写出KV

context.write(outK,outV);

}

}

• Map Join

Map Join适用于一张表十分小、一张表很大的场景

在Reduce端处理过多的表，非常容易产生数据倾斜。

在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。

具体办法：采用DistributedCache

（1）在Mapper的setup阶段，将文件读取到缓存集合中。

（2）在Driver驱动类中加载缓存。

//缓存普通文件到Task运行节点。

job.addCacheFile(new URI("file:///d:/cache/pd.txt"));

//如果是集群运行,需要设置HDFS路径

job.addCacheFile(new URI("hdfs://hadoop102:9820/cache/pd.txt"));

Map Join案例实操

订单数据表t_order

id    pid    amount

1001    01    1

1002    02    2

1003    03    3

1004    01    4

1005    02    5

1006    03    6

商品信息表t_product

pid    pname

01    小米

02    华为

03    格力

将商品信息表中数据根据商品pid合并到订单数据表中。

最终数据形式

id    pname    amount

1001    小米    1

1004    小米    4

1002    华为    2

1005    华为    5

1003    格力    3

1006    格力    6

需求分析

实现代码

先在MapJoinDriver驱动类中添加缓存文件

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.NullWritable;

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.io.IOException;

import java.net.URI;

import java.net.URISyntaxException;

public
class MapJoinDriver {

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

// 1 获取job信息

Configuration conf =
new Configuration();

Job job = Job.getInstance(conf);

// 2 设置加载jar包路径

job.setJarByClass(MapJoinDriver.class);

// 3 关联mapper

job.setMapperClass(MapJoinMapper.class);

// 4 设置Map输出KV类型

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(NullWritable.class);

// 5 设置最终输出KV类型

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(NullWritable.class);

// 加载缓存数据

job.addCacheFile(new URI("file:///D:/input/inputcache/pd.txt"));

// Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0

job.setNumReduceTasks(0);

// 6 设置输入输出路径

FileInputFormat.setInputPaths(job,
new Path("D:\\input"));

FileOutputFormat.setOutputPath(job,
new Path("D:\\output"));

// 7 提交

boolean b = job.waitForCompletion(true);

System.exit(b ?
0
:
1);

}

}

在MapJoinMapper类中的setup方法中读取缓存文件

import org.apache.commons.lang.StringUtils;

import org.apache.hadoop.fs.FSDataInputStream;

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.NullWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

import java.io.BufferedReader;

import java.io.IOException;

import java.io.InputStreamReader;

import java.net.URI;

import java.util.HashMap;

import java.util.Map;

public
class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable>
{

private Map<String, String> pdMap =
new HashMap<>();

private Text text =
new Text();

//任务开始前将pd数据缓存进pdMap

@Override

protected
void setup(Context context)
throws IOException, InterruptedException {

//通过缓存文件得到小表数据pd.txt

URI[] cacheFiles = context.getCacheFiles();

Path path =
new Path(cacheFiles[0]);

//获取文件系统对象,并开流

FileSystem fs = FileSystem.get(context.getConfiguration());

FSDataInputStream fis = fs.open(path);

//通过包装流转换为reader,方便按行读取

BufferedReader reader =
new BufferedReader(new InputStreamReader(fis, "UTF-8"));

//逐行读取，按行处理

String line;

while
(StringUtils.isNotEmpty(line = reader.readLine()))
{

//切割一行

//01 小米

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

pdMap.put(split[0], split[1]);

}

//关流

IOUtils.closeStream(reader);

}

@Override

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

//读取大表数据

//1001 01 1

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

//通过大表每行数据的pid,去pdMap里面取出pname

String pname = pdMap.get(fields[1]);

//将大表每行数据的pid替换为pname

text.set(fields[0]
+ "\t" + pname + "\t" + fields[2]);

//写出

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

}

}

计数器应用

Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

计数器API

（1）采用枚举的方式统计计数

enum MyCounter{MALFORORMED,NORMAL}

//对枚举定义的自定义计数器加1

context.getCounter(MyCounter.MALFORORMED).increment(1);

（2）采用计数器组、计数器名称的方式统计

context.getCounter("counterGroup", "counter").increment(1);

组名和计数器名称随便起，但最好有意义。

（3）计数结果在程序运行后的控制台上查看。

MapReduce开发总结

• 输入数据接口：InputFormat

（1）默认使用的实现类是：TextInputFormat

（2）TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回。

（3）CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率。

• 逻辑处理接口：Mapper

用户根据业务需求实现其中三个方法：map() setup() cleanup ()

• Partitioner分区

（1）有默认实现 HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces

（2）如果业务上有特别的需求，可以自定义分区。

• Comparable排序

（1）当用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。

（2）部分排序：对最终输出的每一个文件进行内部排序。

（3）全排序：对所有数据进行排序，通常只有一个Reduce。

（4）二次排序：排序的条件有两个。

• Combiner合并

Combiner合并可以提高程序执行效率，减少IO传输。但是使用时必须不能影响原有的业务处理结果。

• 逻辑处理接口：Reducer

用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()

• 输出数据接口：OutputFormat

（1）默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对，向目标文本文件输出一行。

（2）将SequenceFileOutputFormat输出作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。

（3）用户还可以自定义OutputFormat。

常见错误及解决方案

1）导包容易出错。尤其Text和CombineTextInputFormat。

2）Mapper中第一个输入的参数必须是LongWritable或者NullWritable，不可以是IntWritable. 报的错误是类型转换异常。

3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明Partition和ReduceTask个数没对上，调整ReduceTask个数。

4）如果分区数不是1，但是reducetask为1，是否执行分区过程。答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

5）在Windows环境编译的jar包导入到Linux环境中运行，

hadoop jar wc.jar com.zhangjk.mapreduce.WordcountDriver /user/hadoop/ /user/ hadoop/output

报如下错误：

Exception in thread "main" java.lang.UnsupportedClassVersionError: com/atguigu/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0

原因是Windows环境用的jdk1.7，Linux环境用的jdk1.8。

解决方案：统一jdk版本。

6）缓存pd.txt小文件案例中，报找不到pd.txt文件

原因：大部分为路径书写错误。还有就是要检查pd.txt.txt的问题。还有个别电脑写相对路径找不到pd.txt，可以修改为绝对路径。

7）报类型转换异常。

通常都是在驱动函数中设置Map输出和最终输出时编写错误。

Map输出的key如果没有排序，也会报类型转换异常。

8）集群中运行wc.jar时出现了无法获得输入文件。

原因：WordCount案例的输入文件不能放到HDFS集群的根目录。

9）出现了如下相关异常

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z

at org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Native Method)

at org.apache.hadoop.io.nativeio.NativeIO$Windows.access(NativeIO.java:609)

at org.apache.hadoop.fs.FileUtil.canRead(FileUtil.java:977)

java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.

at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:356)

at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:371)

at org.apache.hadoop.util.Shell.<clinit>(Shell.java:364)

解决方案：拷贝hadoop.dll文件到Windows目录C:\Windows\System32。

方案二：创建如下包名，并将源码中的NativeIO.java拷贝到该包名下

修改access方法的返回值为true

10）自定义Outputformat时，注意在RecordWirter中的close方法必须关闭流资源。否则输出的文件内容中数据为空。

@Override

public void close(TaskAttemptContext context) throws IOException, InterruptedException {

if (atguigufos != null) {

atguigufos.close();

}

if (otherfos != null) {

otherfos.close();

}

}