MapReduce入门过程解释温度示例.docx
《MapReduce入门过程解释温度示例.docx》由会员分享，可在线阅读，更多相关《MapReduce入门过程解释温度示例.docx（13页珍藏版）》请在冰豆网上搜索。
MapReduce入门过程解释温度示例
Hadoop学习总结之三：
Map-Reduce入门
2010-11-2921:
31 2632人阅读 评论（0） 收藏 举报
hadoop任务inputoutputinterfaceiterator
目录（?
）[+]
1、Map-Reduce的逻辑过程
假设我们需要处理一批有关天气的数据，其格式如下：
∙按照ASCII码存储，每行一条记录
∙每一行字符从0开始计数，第15个到第18个字符为年
∙第25个到第29个字符为温度，其中第25位是符号+/-
0067011990999991950051507+0000+
0043011990999991950051512+0022+
0043011990999991950051518-0011+
0043012650999991949032412+0111+
0043012650999991949032418+0078+
0067011990999991937051507+0001+
0043011990999991937051512-0002+
0043011990999991945051518+0001+
0043012650999991945032412+0002+
0043012650999991945032418+0078+
现在需要统计出每年的最高温度。
Map-Reduce主要包括两个步骤：
Map和Reduce
每一步都有key-value对作为输入和输出：
∙map阶段的key-value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进程处理，其中key为此行的开头相对于文件的起始位置，value就是此行的字符文本
∙map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应
对于上面的例子，在map过程，输入的key-value对如下：
（0,0067011990999991950051507+0000+）
（33,0043011990999991950051512+0022+）
（66,0043011990999991950051518-0011+）
（99,0043012650999991949032412+0111+）
（132,0043012650999991949032418+0078+）
（165,0067011990999991937051507+0001+）
（198,0043011990999991937051512-0002+）
（231,0043011990999991945051518+0001+）
（264,0043012650999991945032412+0002+）
（297,0043012650999991945032418+0078+）
在map过程中，通过对每一行字符串的解析，得到年-温度的key-value对作为输出：
（1950,0）
（1950,22）
（1950,-11）
（1949,111）
（1949,78）
（1937,1）
（1937,-2）
（1945,1）
（1945,2）
（1945,78）
在reduce过程，将map过程中的输出，按照相同的key将value放到同一个列表中作为reduce的输入
（1950,[0,22,–11]）
（1949,[111,78]）
（1937,[1,-2]）
（1945,[1,2,78]）
在reduce过程中，在列表中选择出最大的温度，将年-最大温度的key-value作为输出：
（1950,22）
（1949,111）
（1937,1）
（1945,78）
其逻辑过程可用如下图表示：
2、编写Map-Reduce程序
编写Map-Reduce程序，一般需要实现两个函数：
mapper中的map函数和reducer中的reduce函数。
一般遵循以下格式：
∙map:
（K1,V1） -> list（K2,V2）
publicinterfaceMapper extendsJobConfigurable,Closeable{
voidmap（K1key,V1value,OutputCollector output,Reporterreporter）
throwsIOException;
}
∙reduce:
（K2,list（V）） -> list（K3,V3）
publicinterfaceReducer extendsJobConfigurable,Closeable{
voidreduce（K2key,Iterator values,
OutputCollector output,Reporterreporter）
throwsIOException;
}
对于上面的例子，则实现的mapper如下：
publicclassMaxTemperatureMapperextendsMapReduceBaseimplementsMapper {
@Override
publicvoidmap（LongWritablekey,Textvalue,OutputCollector output,Reporterreporter）throwsIOException{
Stringline=value.toString（）;
Stringyear=line.substring（15,19）;
intairTemperature;
if（line.charAt（25）=='+'）{
airTemperature=Integer.parseInt（line.substring（26,30））;
}else{
airTemperature=Integer.parseInt（line.substring（25,30））;
}
output.collect（newText（year）,newIntWritable（airTemperature））;
}
}
实现的reducer如下：
publicclassMaxTemperatureReducerextendsMapReduceBaseimplementsReducer {
publicvoidreduce（Textkey,Iterator values,OutputCollector output,Reporterreporter）throwsIOException{
intmaxValue=Integer.MIN_VALUE;
while（values.hasNext（））{
maxValue=Math.max（maxValue,values.next（）.get（））;
}
output.collect（key,newIntWritable（maxValue））;
}
}
欲运行上面实现的Mapper和Reduce，则需要生成一个Map-Reduce得任务（Job），其基本包括以下三部分：
∙输入的数据，也即需要处理的数据
∙Map-Reduce程序，也即上面实现的Mapper和Reducer
∙此任务的配置项JobConf
欲配置JobConf，需要大致了解Hadoop运行job的基本原理：
∙Hadoop将Job分成task进行处理，共两种task：
maptask和reducetask
∙Hadoop有两类的节点控制job的运行：
JobTracker和TaskTracker
oJobTracker协调整个job的运行，将task分配到不同的TaskTracker上
oTaskTracker负责运行task，并将结果返回给JobTracker
∙Hadoop将输入数据分成固定大小的块，我们称之inputsplit
∙Hadoop为每一个inputsplit创建一个task，在此task中依次处理此split中的一个个记录（record）
∙Hadoop会尽量让输入数据块所在的DataNode和task所执行的DataNode（每个DataNode上都有一个TaskTracker）为同一个，可以提高运行效率，所以inputsplit的大小也一般是HDFS的block的大小。
∙Reducetask的输入一般为MapTask的输出，ReduceTask的输出为整个job的输出，保存在HDFS上。
∙在reduce中，相同key的所有的记录一定会到同一个TaskTracker上面运行，然而不同的key可以在不同的TaskTracker上面运行，我们称之为partition
opartition的规则为：
（K2,V2）–>Integer，也即根据K2，生成一个partition的id，具有相同id的K2则进入同一个partition，被同一个TaskTracker上被同一个Reducer进行处理。
publicinterfacePartitioner extendsJobConfigurable{
intgetPartition（K2key,V2value,intnumPartitions）;
}
下图大概描述了Map-Reduce的Job运行的基本原理：
下面我们讨论JobConf，其有很多的项可以进行配置：
∙setInputFormat：
设置map的输入格式，默认为TextInputFormat，key为LongWritable,value为Text
∙setNumMapTasks：
设置map任务的个数，此设置通常不起作用，map任务的个数取决于输入的数据所能分成的inputsplit的个数
∙setMapperClass：
设置Mapper，默认为IdentityMapper
∙setMapRunnerClass：
设置MapRunner,maptask是由MapRunner运行的，默认为MapRunnable，其功能为读取inputsplit的一个个record，依次调用Mapper的map函数
∙setMapOutputKeyClass和setMapOutputValueClass：
设置Mapper的输出的key-value对的格式
∙setOutputKeyClass和setOutputValueClass：
设置Reducer的输出的key-value对的格式
∙setPartitionerClass和setNumReduceTasks：
设置Partitioner，默认为HashPartitioner，其根据key的hash值来决定进入哪个partition，每个partition被一个reducetask处理，所以partition的个数等于reducetask的个数
∙setReducerClass：
设置Reducer，默认为IdentityReducer
∙setOutputFormat：
设置任务的输出格式，默认为TextOutputFormat
∙FileInputFormat.addInputPath：
设置输入文件的路径，可以使一个文件，一个路径，一个通配符。
可以被调用多次添加多个路径
∙FileOutputFormat.setOutputPath：
设置输出文件的路径，在job运行前此路径不应该存在
当然不用所有的都设置，由上面的例子，可以编写Map-Reduce程序如下：
publicclassMaxTemperature{
publicstaticvoidmain（String[]args）throwsIOException{
if（args.length!
=2）{
System.err.println（"Usage:
MaxTemperature
"）;
System.exit（-1）;
}
JobConfconf=newJobConf（MaxTemperature.class）;
conf.setJobName（"Maxtemperature"）;
FileInputFormat.addInputPath（conf,newPath（args[0]））;
FileOutputFormat.setOutputPath（conf,newPath（args[1]））;
conf.setMapperClass（MaxTemperatureMapper.class）;
conf.setReducerClass（MaxTemperatureReducer.class）;
conf.setOutputKeyClass（Text.class）;
conf.setOutputValueClass（IntWritable.class）;
JobClient.runJob（conf）;
}
}
3、Map-Reduce数据流（dataflow）
Map-Reduce的处理过程主要涉及以下四个部分：
∙客户端Client：
用于提交Map-reduce任务job
∙JobTracker：
协调整个job的运行，其为一个Java进程，其mainclass为JobTracker
∙TaskTracker：
运行此job的task，处理inputsplit，其为一个Java进程，其mainclass为TaskTracker
∙HDFS：
hadoop分布式文件系统，用于在各个进程间共享Job相关的文件
3.1、任务提交
JobClient.runJob（）创建一个新的JobClient实例，调用其submitJob（）函数。
∙向JobTracker请求一个新的jobID
∙检测此job的output配置
∙计算此job的inputsplits
∙将Job运行所需的资源拷贝到JobTracker的文件系统中的文件夹中，包括jobjar文件，job.xml配置文件，inputsplits
∙通知JobTracker此Job已经可以运行了
提交任务后，runJob每隔一秒钟轮询一次job的进度，将进度返回到命令行，直到任务运行完毕。
3.2、任务初始化
当JobTracker收到submitJob调用的时候，将此任务放到一个队列中，job调度器将从队列中获取任务并初始化任务。
初始化首先创建一个对象来封装job运行的tasks,status以及progress。
在创建task之前，job调度器首先从共享文件系统中获得JobClient计算出的inputsplits。
其为每个inputsplit创建一个maptask。
每个task被分配一个ID。
3.3、任务分配
TaskTracker周期性的向JobTracker发送heartbeat。
在heartbeat中，TaskTracker告知JobTracker其已经准备运行一个新的task，JobTracker将分配给其一个task。
在JobTracker为TaskTracker选择一个task之前，JobTracker必须首先按照优先级选择一个Job，在最高优先级的Job中选择一个task。
TaskTracker有固定数量的位置来运行maptask或者reducetask。
默认的调度器对待maptask优先于reducetask
当选择reducetask的时候，JobTracker并不在多个task之间进行选择，而是直接取下一个，因为reducetask没有数据本地化的概念。
3.4、任务执行
TaskTracker被分配了一个task，下面便要运行此task。
首先，TaskTracker将此job的jar从共享文件系统中拷贝到TaskTracker的文件系统中。
TaskTracker从distributedcache中将job运行所需要的文件拷贝到本地磁盘。
其次，其为每个task创建一个本地的工作目录，将jar解压缩到文件目录中。
其三，其创建一个TaskRunner来运行task。
TaskRunner创建一个新的JVM来运行task。
被创建的childJVM和TaskTracker通信来报告运行进度。
3.4.1、Map的过程
MapRunnable从inputsplit中读取一个个的record，然后依次调用Mapper的map函数，将结果输出。
map的输出并不是直接写入硬盘，而是将其写入缓存memorybuffer。
当buffer中数据的到达一定的大小，一个背景线程将数据开始写入硬盘。
在写入硬盘之前，内存中的数据通过partitioner分成多个partition。
在同一个partition中，背景线程会将数据按照key在内存中排序。
每次从内存向硬盘flush数据，都生成一个新的spill文件。
当此task结束之前，所有的spill文件被合并为一个整的被partition的而且排好序的文件。
reducer可以通过http协议请求map的输出文件，tracker.http.threads可以设置http服务线程数。
3.4.2、Reduce的过程
当maptask结束后，其通知TaskTracker，TaskTracker通知JobTracker。
对于一个job，JobTracker知道TaskTracer和map输出的对应关系。
reducer中一个线程周期性的向JobTracker请求map输出的位置，直到其取得了所有的map输出。
reducetask需要其对应的partition的所有的map输出。
reducetask中的copy过程即当每个maptask结束的时候就开始拷贝输出，因为不同的maptask完成时间不同。
reducetask中有多个copy线程，可以并行拷贝map输出。
当很多map输出拷贝到reducetask后，一个背景线程将其合并为一个大的排好序的文件。
当所有的map输出都拷贝到reducetask后，进入sort过程，将所有的map输出合并为大的排好序的文件。
最后进入reduce过程，调用reducer的reduce函数，处理排好序的输出的每个key，最后的结果写入HDFS。
3.5、任务结束
当JobTracker获得最后一个task的运行成功的报告后，将job得状态改为成功。
当JobClient从JobTracker轮询的时候，发现此job已经成功结束，则向用户打印消息，从runJob函数中返回。
升级会员 