hadoop第三阶段

map reduce

当面临海量数据处理的时候，需要把数据源文件放入分布式文件系统中，这时这个简单的处理就会变得很复杂，这时 map reduce 就发生了作用

所以我们程序员的工作就是写一些业务逻辑，这个逻辑本身不具备特别多分布式的特点，但是他要符合mapReduce的逻辑规范。

• map 局部处理
• reduce 汇总

编程的基本规范

一个简单的统计单词个数的map reduce程序：

• LongWritable 其实就是Long类型只不过实现了hadoop自己的序列化封装
• Text就是hadoop实现了自己的序列化封装。

map:

//4个泛型中，前两个是指定mapper输入数据的类型，KEYIN是输入的key的类型，VALUEIN是输入的value的类型
//map 和 reduce 的数据输入输出都是以 key-value对的形式封装的
//默认情况下，框架传递给我们的mapper的输入数据中，key是要处理的文本中一行的起始偏移量，这一行的内容作为value
public class WCMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
    
    //mapreduce框架每读一行数据就调用一次该方法
    @Override
    protected void map(LongWritable key, Text value,Context context)
            throws IOException, InterruptedException {
        //具体业务逻辑就写在这个方法体中，而且我们业务要处理的数据已经被框架传递进来，在方法的参数中 key-value
        //key 是这一行数据的起始偏移量value 是这一行的文本内容
        
        //将这一行的内容转换成string类型
        String line = value.toString();
        
        //对这一行的文本按特定分隔符切分
        String[] words = StringUtils.split(line, " ");
        //遍历这个单词数组输出为kv形式  k：单词   v ： 1 ， 在这里不用考虑通信，hadoop把通信的框架封装到了context中了
        for(String word : words){
            context.write(new Text(word), new LongWritable(1));
        }
    }
}

reduce:

public class WCReducer extends Reducer<Text, LongWritable, Text, LongWritable>{
    //框架在map处理完成之后，将所有kv对缓存起来，进行分组，然后传递一个组<key,valus{}>，调用一次reduce方法
    //<hello,{1,1,1,1,1,1.....}>
    @Override
    protected void reduce(Text key, Iterable<LongWritable> values,Context context)
            throws IOException, InterruptedException {

        long count = 0;
        //遍历value的list，进行累加求和
        for(LongWritable value:values){
            
            count += value.get();
        }    
        //输出这一个单词的统计结果
        context.write(key, new LongWritable(count));
    }
}

还需要一个类来描述整个的业务逻辑job描述类:

/**
 * 用来描述一个特定的作业
 * 比如，该作业使用哪个类作为逻辑处理中的map，哪个作为reduce
 * 还可以指定该作业要处理的数据所在的路径
 * 还可以指定改作业输出的结果放到哪个路径
 * ....
 * @author duanhaitao@itcast.cn
 */
public class WCRunner {
    public static void main(String[] args) throws Exception {    
        Configuration conf = new Configuration();
        Job wcjob = Job.getInstance(conf);
        //设置整个job所用的那些类在哪个jar包
        wcjob.setJarByClass(WCRunner.class);
        //本job使用的mapper和reducer的类
        wcjob.setMapperClass(WCMapper.class);
        wcjob.setReducerClass(WCReducer.class);
        //指定reduce的输出数据kv类型
        wcjob.setOutputKeyClass(Text.class);
        wcjob.setOutputValueClass(LongWritable.class);
        //指定mapper的输出数据kv类型
        wcjob.setMapOutputKeyClass(Text.class);
        wcjob.setMapOutputValueClass(LongWritable.class);
        //指定要处理的输入数据存放路径,hdfs的路径
        FileInputFormat.setInputPaths(wcjob, new Path("/wc/srcdata/"));
        //指定处理结果的输出数据存放路径
        FileOutputFormat.setOutputPath(wcjob, new Path("/wc/output/"));
        //将job提交给集群运行
        wcjob.waitForCompletion(true);
    }
}

运行

• 上面的程序写好了之后可以打成一个jar包放在hadoop下运行
  • 首先运行hadoop的集群包括yarn
  • 然后在hadoop下创建输入目录和输出目录hadoop fs -mkdir /wc hadoop fs -mkdir /wc/srcdata
  • 创建一个文件然后把文件上传到输入目录hadoop fs -put words.log /wc/srcdata
  • 现在可以运行了hadoop jar wc.jar com.test.mr.WCRunner
• 执行完了之后会在输出目录有两个文件，一个是空的表示执行成功了，另外一个是输出文件结果。

---

• 还可以运行在本地模式，在window下运行的话，可以把路径设置成本地路径c:/wc/srcdata/，也可以是hafs路径hdfs://node1：9000/wc/srcdata/。
  • 这里有一个问题就是本地向hdfs中写数据的话可能没有权限，所以要改一下权限hadoop fs -chmod -r 777 /wc

yarn任务调度

mapreduce和yarn的执行流程：

里面有很多的细节，也会有很多的进程，例如在运行上面写的程序时会产生一个Runjar,MRAppMaster,yarnChild..等进程可以通过jps查看

• 在本地运行的时候，是在本地jvm中运行，如果想用yarn来进行任务调度，可以把两个配置文件加进来maper-site.xml yarn-site.xml

  • 还是会出现一个错误，因为任务调度找不到相应的jar包，所以可以在程序上面在加一个导入jar包conf.set("mapreduce.job.jar","wc.jar");，然后把项目打成jar然后放在项目下边。
  • 本地运行最好在linux中，因为window下的很多执行环境跟linux不一样，会报错

• hadoop的8088端口可以看到yarn的运行信息。

MR程序的几种提交运行模式

本地模型运行

• 在windows的eclipse里面直接运行main方法，就会将job提交给本地执行器localjobrunner执行
  • 输入输出数据可以放在本地路径下（c:/wc/srcdata/）
  • 输入输出数据也可以放在hdfs中(hdfs://weekend110:9000/wc/srcdata)

• 在linux的eclipse里面直接运行main方法，但是不要添加yarn相关的配置，也会提交给localjobrunner执行
  • 输入输出数据可以放在本地路径下（/home/hadoop/wc/srcdata/）
  • 输入输出数据也可以放在hdfs中(hdfs://weekend110:9000/wc/srcdata)

集群模式运行

• 将工程打成jar包，上传到服务器，然后用hadoop命令提交 hadoop jar wc.jar cn.itcast.hadoop.mr.wordcount.WCRunner
• 在linux的eclipse中直接运行main方法，也可以提交到集群中去运行，但是，必须采取以下措施：
  • 在工程src目录下加入 mapred-site.xml 和 yarn-site.xml
  • 将工程打成jar包(wc.jar)，同时在main方法中添加一个conf的配置参数conf.set("mapreduce.job.jar","wc.jar")
• 在windows的eclipse中直接运行main方法，也可以提交给集群中运行，但是因为平台不兼容，需要做很多的设置修改
  • 要在windows中存放一份hadoop的安装包（解压好的）
  • 要将其中的lib和bin目录替换成根据你的windows版本重新编译出的文件
  • 再要配置系统环境变量 HADOOP_HOME 和 PATH
  • 修改YarnRunner这个类的源码