【Hadoop离线基础总结】MapReduce入门

MapReduce入门

---

Mapreduce思想

• 概述
  
  MapReduce的思想核心是分而治之，适用于大量复杂的任务处理场景（大规模数据处理场景）。
  
  最主要的特点就是把一个大的问题，划分成很多小的子问题，并且每个小的子问题的求取思路与我们大问题的求取思路一样。
  
  最主要有两个阶段：一个map阶段，负责拆分；一个是reduce阶段，负责聚合。

• 思想模型
  
  
  
  一个文件切块(Split)对应一个mapTask
  
  mapreduce没有block的概念，默认一个切块(Split)对应block块的大小(128M)
  
  MapReduce处理的数据类型是<key,value>键值对

---

MapReduce运行流程

• 可控的八个步骤
  
  1.读取文件，解析成<key,value>对。  这里是<k1,v1>
  
  2.接收<k1,v1>，自定义我们的map逻辑，然后转换成新的<k2,v2>进行输出，往下发送。  这里发送出去的是<k2,v2>
  
  3.分区。相同key的value发送到同一个reduce里面去，key合并，value形成一个集合
  
  4.排序。
  
  5.规约。
  
  6.分组。
  
  7.接收<k2,v2>，自定义reduce逻辑，转换成新的<k3,v3>进行输出
  
  8.将<k3,v3>进行输出

• 运行流程图
  
  

• 运行流程代码
  
  定义一个主类，用来描述job并提交job

package cn.itcast.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

/**
 * 定义一个主类，用来描述job并提交job
 * 除了javaweb的程序打成一个war包进行运行，其他程序都是打成一个jar包进行运行
 * 运行一个jar包需要main方法，作为程序的入口类
 */
public class MainCount extends Configured implements Tool {
    /**
     * 程序入口类
     *
     * @param args
     */
    public static void main(String[] args) throws Exception {
        //创建Configuration对象
        Configuration configuration = new Configuration();
        //执行ToolRunner得到一个int类型的返回值，表示程序的退出状态码（如果退出状态码是0代表运行成功，其他数字代表运行失败）
        int run = ToolRunner.run(configuration, new MainCount(), args);
        //程序退出
        System.exit(run);

    }

    /**
     * 这个run方法很重要，这里面主要通过job对象来组装程序，就是组装步骤的八个类（每一个步骤都是一个类）
     *
     * @param args
     * @return
     * @throws Exception
     */
    @Override
    public int run(String[] args) throws Exception {
        /*
        第一步：读取文件，解析成<key,value>对
        从父类里获取Configuration
        getInstance需要两个参数。一个是Configuration配置文件，一个是jobName（可以随便起）
         */
        Job job = Job.getInstance(super.getConf(), "xxx");

        //指定输入类
        job.setInputFormatClass(TextInputFormat.class);
        //TextInputFormat.addInputPath(job,new Path("hdfs://node01:8020/wordcount"));
        TextInputFormat.setInputPaths(job, new Path("file:////Volumes/赵壮备份/大数据离线课程资料/3.大数据离线第三天/wordcount/input"));

        //第二步：设置mapper类
        job.setMapperClass(WordCountMapper.class);
        //设置k2和v2的类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        /**
         * 第三步到第六步省略
         * 分区   相同key的value发到同一个reduce，key合并，valuex形成一个集合
         * 排序
         * 规约
         * 分组
         */

        //第七步：设置reduce类
        job.setReducerClass(WordCountReducer.class);
        //设置k3和v3的类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        //第八步：设置输出类以及输出路径
        job.setOutputFormatClass(TextOutputFormat.class);
        //TextOutputFormat.setOutputPath(job,new Path("hdfs://node01:8020/wordcount_out"));
        TextOutputFormat.setOutputPath(job, new Path("file:////Volumes/赵壮备份/大数据离线课程资料/3.大数据离线第三天/wordcount/output/"));

        //将任务提交到集群上去
        boolean b = job.waitForCompletion(true);
        return b ? 0 : 1;
    }
}

定义一个mapper类

package cn.itcast.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;
import java.io.InputStream;

/**
 * 设置Mapper类
 * 自定义Map逻辑，把<k1,v1>转换成新的<k2,v2>进行输出，往下发送
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    /**
     * 重写map方法，实现自定义逻辑，接收<k1,v1>，转换成新的<k2,v2>
     *
     * @param key     k1
     * @param value   v1
     * @param context 上下文对象（承上启下，衔接上面的组件和下面的组件）
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //第一步：切开第一行数据
        String line = value.toString();
        //转换成<k2,v2>往下发送
        String[] split = line.split(",");
        //循环遍历数据
        for (String word : split) {
            //创建k2和v2对象
            Text k2 = new Text(word);
            IntWritable v2 = new IntWritable(1);
            //通过write方法将数据往下发送
            context.write(k2, v2);
        }
    }
}

定义一个reducer类

package cn.itcast.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    /**
     * 重写reduce方法
     *
     * @param key     k2
     * @param values  集合 v2
     * @param context 上下文对象
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        //循环遍历集合
        int count = 0;
        for (IntWritable value : values) {
            //IntWritable没有"+"方法，需要转换成int类型
            int num = value.get();
            count += num;
        }
        //输出 <k3,v3>类型
        context.write(key, new IntWritable(count));
    }
}

• 如果遇到此问题
  
  Caused by:
  
  org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.AccessControlException): Permission denied: user=admin, access=WRITE, inode="/":root:supergroup:drwxr-xr-x

第一种解决方法：关闭HDFS权限

cd /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop

vim hdfs-site.com

修改hdfs-site.com配置文件，将true改为false即可

<property>
    <name>dfs.permissions</name>
    <value>false</value>
</property>

第二种解决方法：将代码打包成jar包，放到集群上执行

yarn jar hadoop_hdfs_operate-1.0-SNAPSHOT.jar cn.itcast.hdfs.demo1.JobMain

第三种解决方法：在本地系统运行

//修改输入和输出路径
 TextInputFormat.setInputPaths(job, new Path("file:////Volumes/赵壮备份/大数据离线课程资料/3.大数据离线第三天/wordcount/input"));

 TextOutputFormat.setOutputPath(job, new Path("file:////Volumes/赵壮备份/大数据离线课程资料/3.大数据离线第三天/wordcount/output/"));

---