[Hadoop in Action] 第5章 高阶MapReduce

• 链接多个MapReduce作业
• 执行多个数据集的联结
• 生成Bloom filter

 

1、链接MapReduce作业

 

[顺序链接MapReduce作业]

 

mapreduce-1 | mapreduce-2 | mapreduce-3 | ...

 

[具有复杂依赖的MapReduce链接]

 

     有时，在复杂数据处理任务中的子任务并不是按顺序运行的，因此它们的MapReduce作业不能按线性方式链接。例如，mapreduce1处理一个数据集，mapreduce2独立处理另一个数据集，而第3个作业mapreduce3，对前两个作业的输出结果做内部联结。

 

     Hadoop有一种简化机制，通过Job和JobControl类来管理这种（非线性）作业之间的依赖。Job对象是MapReduce作业的表现形式。Job对象的实例化可通过传递一个JobConf对象到作业的构造函数中来实现。除了要保持作业的配置信息外，Job还通过设定addDependingJob()方法维护作业的依赖关系。对于Job对象x和y，x.addDependingJob(y)意味着x在y完成之前不会启动。鉴于Job对象存储着配置和依赖信息，JobControl对象会负责管理并监视作业的执行。通过addJob()方法，你可以为JobControl对象添加作业。当所有作业和依赖关系添加完成后，调用JobControl的run()方法，生成一个线程来提交作业并监视其执行。JobControl有诸如allFinished()和getFailedJobs()这样的方法来跟踪批处理中各个作业的执行。

 

[预处理和后处理阶段的链接]

 

     Hadoop在版本0.19.0中引入了ChainMapper和ChainReducer类来简化预处理和后处理的构成。作业按序执行多个mapper来预处理数据，并在reducer之后可选地按序执行多个mapper来做数据的后处理。这一机制的优点在于可以将预处理和后处理步骤写为标准的mapper，逐个运行它们，可以在ChainMapper和ChainReducer中调用addMapper()方法来分别组合预处理和后处理的步骤。全部预处理和后处理步骤在单一的作业中运行，不会生成中间文件，这大大减少了I/O操作。

 

     例如，有4个mapper（Map1，Map2，Map3和Map4）和一个reducer（Reduce），它们被链接为单个MapReduce作业，顺序如下：Map1 ｜ Map2 ｜ Reduce ｜ Map3 ｜ Map4

 

     这个组合中，可以把Map2和Reduce视为MapReduce作业的核心，在mapper和reducer之间使用标准的分区和洗牌。可以把Map1视为前处理步骤，而Map3和Map4作为后处理步骤。我们可以使用driver设定这个mapper和reducer序列的构成：

 

---

代码清单 用于链接MapReduce作业中mapper的driver

 

 Configuration conf = getConf();
 JobConf job = new JobConf(conf);

 job.setJobName("ChainJob");
 job.setInputFormat(TextInputFormat.class);
 job.setOutputFormat(TextOutputFormat.class);

 FileInputFormat.setInputPaths(job, in);
 FileOutputFormat.setOutputPath(job, out);

 JobConf map1Conf = new JobConf(false);
 ChainMapper.addMapper(job,
                       Map1.class,
                       LongWritable.class,
                       Text.class,
                       Text.class,
                       Text.class,
                       true,
                       map1Conf);

 JobConf map2Conf = new JobConf(false);
 ChainMapper.addMapper(job,
                       Map2.class,
                       Text.class,
                       Text.class,
                       LongWritable.class,
                       Text.class,
                       true,
                       map2Conf);

 JobConf reduceConf = new JobConf(false);
 ChainReducer.setReducer(job,
                         Reduce.class,
                         LongWritable.class,
                         Text.class,
                         Text.class,
                         Text.class,
                         true,
                         reduceConf);

 JobConf map3Conf = new JobConf(false);
 ChainReducer.addMapper(job,
                        Map3.class,
                        Text.class,
                        Text.class,
                        LongWritable.class,
                        Text.class,
                        true,
                        map3Conf);

 JobConf map4Conf = new JobConf(false);
 ChainReducer.addMapper(job,
                        Map4.class,
                        LongWritable.class,
                        Text.class,
                        LongWritable.class,
                        Text.class,
                        true,
                        map4Conf);

 JobClient.runJob(job);

 

---

 

     driver首选会设置全局的JobConf对象，包含作业名、输入路径及输出路径等。它一次性添加这个由5个步骤链接在一起的作业，以步骤执行先后为序。它用ChainMapper.addMapper()添加位于Reduce之前的所有步骤。用静态的ChainReducer.setReducer()方法设置reducer。再用ChainReducer.addMapper()方法添加后续的步骤。全局JobConf对象经历所有的5个add＊方法。此外，每个mapper和reducer都有一个本地JobConf对象（map1Conf、map2Conf、map3Conf、map4Conf和reduceConf），其优先级在配置各自mapper/reducer时高于全局的对象。建议本地JobConf对象采用一个新的JobConf对象，且在初始化时不设默认值——new JobConf(false)。

 

     让我们通过ChainMapper.addMapper()方法的签名来详细了解如何一步步地链接作业，其中ChainReducer.setReducer()的签名和功能与ChainReducer.addMapper()类似：

 

public static <k1, v1, k2, v2> void

                                  addMapper(JobConf job,

                                                      Class <? extends Mapper<k1, v1, k2, v2>> class,

                                                      Class <? extends k1> inputKeyClass,

                                                      Class <? extends v1> inputValueClass,

                                                      Class <? extends k2> outputKeyClass,

                                                      Class <? extends v2> outputValueClass,

                                                     boolean byValue,

                                                     JobConf mapperConf)

 

     该方法有8个参数，第一个和最后一个分别为全局和本地的JobConf对象。第二个参数klass是Mapper类，负责数据处理。对于byValue这个参数，如果确信map1的map()方法在调用OutoutCollector.collect(K k, V v)之后不再使用k和v的内容，或者map2并不改变k和v在其上的输入值，则可以通过设定buValue为false来获取一定的性能提升；如果对Mapper的内部代码不太了解，则可以通过设定byValue为true，确保Mapper会按预期的方式工作。余下的4个参数inputKeyClass、inputValueClass、outputKeyClass和outputValueClass是这个Mapper类中输入/输出类的类型。

 

2、联结不同来源数据

 

[Reduce侧的联结]

 

 

1. 首先mapper接收的数据来自两个文件，Customers及Orders；
2. 在map()封装输入的每个记录后，就执行MapReduce标准的分区、洗牌和排序操作；
3. reduce()函数接收输入数据，并对其值进行完全交叉乘积；
4. 交叉乘积得到的每个合并结果被送入函数conbine()。

 

     Hadoop有一个名为datajoin的contrib软件包，在hadoop中它是一个用作数据联结的通用框架，它的jar文件位于contrib/datajoin/hadoop-*-datajoin.jar。hadoop的datajoin软件包有3个可供继承和具体化的抽象类：DataJoinMapperBase、DataJoinReducerBase和TaggedMapOutput。顾名思义，MapClass会扩展DataJoinMapperBase，而Reduce类会扩展DataJoinReducerBase。Datajoin软件包已经分别在这些基类上实现了map()和reduce方法，可用于执行联结数据流。

 

---

代码清单 来自两个reduce侧连接数据的内联结

 

 import java.io.DataInput;
 import java.io.DataOutput;
 import java.io.IOException;
 import java.util.Iterator;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.conf.Configured;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.io.Writable;
 import org.apache.hadoop.mapred.FileInputFormat;
 import org.apache.hadoop.mapred.FileOutputFormat;
 import org.apache.hadoop.mapred.JobClient;
 import org.apache.hadoop.mapred.JobConf;
 import org.apache.hadoop.mapred.KeyValueTextInputFormat;
 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.TextInputFormat;
 import org.apache.hadoop.mapred.TextOutputFormat;
 import org.apache.hadoop.util.Tool;
 import org.apache.hadoop.util.ToolRunner;

 import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
 import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase;
 import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;

 public class DataJoin extends Configured implements Tool {

     public static class MapClass extends DataJoinMapperBase {

         protected Text generateInputTag(String inputFile) {
             String datasource = inputFile.split("-")[0];
             return new Text(datasource);
         }

         protected Text generateGroupKey(TaggedMapOutput aRecord) {
             String line = ((Text) aRecord.getData()).toString();
             String[] tokens = line.split(",");
             String groupKey = tokens[0];
             return new Text(groupKey);
         }

         protected TaggedMapOutput generateTaggedMapOutput(Object value) {
             TaggedWritable retv = new TaggedWritable((Text) value);
             retv.setTag(this.inputTag);
             return retv;
         }
     }

     public static class Reduce extends DataJoinReducerBase {

         protected TaggedMapOutput combine(Object[] tags, Object[] values) {
             if (tags.length < 2) return null;
             String joinedStr = "";
             for (int i=0; i<values.length; i++) {
                 if (i > 0) joinedStr += ",";
                 TaggedWritable tw = (TaggedWritable) values[i];
                 String line = ((Text) tw.getData()).toString();
                 String[] tokens = line.split(",", 2);
                 joinedStr += tokens[1];
             }
             TaggedWritable retv = new TaggedWritable(new Text(joinedStr));
             retv.setTag((Text) tags[0]);
             return retv;
         }
     }

     public static class TaggedWritable extends TaggedMapOutput {

         private Writable data;

         public TaggedWritable(Writable data) {
             this.tag = new Text("");
             this.data = data;
         }

         public Writable getData() {
             return data;
         }

         public void write(DataOutput out) throws IOException {
             this.tag.write(out);
             this.data.write(out);
         }

         public void readFields(DataInput in) throws IOException {
             this.tag.readFields(in);
             this.data.readFields(in);
         }
     }

     public int run(String[] args) throws Exception {
         Configuration conf = getConf();

         JobConf job = new JobConf(conf, DataJoin.class);

         Path in = new Path(args[0]);
         Path out = new Path(args[1]);
         FileInputFormat.setInputPaths(job, in);
         FileOutputFormat.setOutputPath(job, out);

         job.setJobName("DataJoin");
         job.setMapperClass(MapClass.class);
         job.setReducerClass(Reduce.class);

         job.setInputFormat(TextInputFormat.class);
         job.setOutputFormat(TextOutputFormat.class);
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(TaggedWritable.class);
         job.set("mapred.textoutputformat.separator", ",");

         JobClient.runJob(job);
         return 0;
     }

     public static void main(String[] args) throws Exception {
         int res = ToolRunner.run(new Configuration(),
                                  new DataJoin(),
                                  args);

         System.exit(res);
     }
 }

 

---

 

 

 [转载请注明] http://www.cnblogs.com/zhengrunjian/