當前位置：首頁 > 人文社科 > 生活经验 >内容正文

生活经验

初学Hadoop之图解MapReduce与WordCount示例分析

發布時間：2023/11/27 生活经验 33 豆豆

生活随笔收集整理的這篇文章主要介紹了初学Hadoop之图解MapReduce与WordCount示例分析小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS為海量的數據提供了存儲，MapReduce則為海量的數據提供了計算。 HDFS是Google File System（GFS）的開源實現，MapReduce是Google MapReduce的開源實現。 HDFS和MapReduce實現是完全分離的，并不是沒有HDFS就不能MapReduce運算。本文主要參考了以下三篇博客學習整理而成。 1、Hadoop示例程序WordCount詳解及實例 2、hadoop 學習筆記：mapreduce框架詳解 3、hadoop示例程序wordcount分析

1、MapReduce整體流程

最簡單的MapReduce應用程序至少包含 3 個部分：一個 Map?函數、一個 Reduce 函數和一個 main 函數。在運行一個mapreduce計算任務時候，任務過程被分為兩個階段：map階段和reduce階段，每個階段都是用鍵值對（key/value）作為輸入（input）和輸出（output）。main 函數將作業控制和文件輸入/輸出結合起來。

并行讀取文本中的內容，然后進行MapReduce操作。

Map過程：并行讀取文本，對讀取的單詞進行map操作，每個詞都以<key,value>形式生成。

我的理解：

　　一個有三行文本的文件進行MapReduce操作。

　　讀取第一行Hello World Bye World ，分割單詞形成Map。

　　<Hello,1>?<World,1>?<Bye,1>?<World,1>

　　讀取第二行Hello Hadoop Bye Hadoop?，分割單詞形成Map。

　　<Hello,1>?<Hadoop,1>?<Bye,1>?<Hadoop,1>

　　讀取第三行Bye Hadoop Hello Hadoop，分割單詞形成Map。

　　<Bye,1>?<Hadoop,1>?<Hello,1>?<Hadoop,1>

Reduce操作是對map的結果進行排序，合并，最后得出詞頻。

我的理解：

　　經過進一步處理(combiner),將形成的Map根據相同的key組合成value數組。

　　<Bye,1,1,1>?<Hadoop,1,1,1,1>?<Hello,1,1,1>?<World,1,1>

　　循環執行Reduce(K,V[])，分別統計每個單詞出現的次數。

　　<Bye,3>?<Hadoop,4>?<Hello,3>?<World,2>

2、WordCount源碼

package org.apache.hadoop.examples;import java.io.IOException;
import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration;
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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;
/*** * 描述：WordCount explains by York* @author Hadoop Dev Group*/
publicclass WordCount {/*** 建立Mapper類TokenizerMapper繼承自泛型類Mapper* Mapper類:實現了Map功能基類* Mapper接口：* WritableComparable接口：實現WritableComparable的類可以相互比較。所有被用作key的類應該實現此接口。* Reporter 則可用于報告整個應用的運行進度，本例中未使用。 * */publicstaticclass TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{/*** IntWritable, Text 均是 Hadoop 中實現的用于封裝 Java 數據類型的類，這些類實現了WritableComparable接口，* 都能夠被串行化從而便于在分布式環境中進行數據交換，你可以將它們分別視為int,String 的替代品。* 聲明one常量和word用于存放單詞的變量*/privatefinalstatic IntWritable one =new IntWritable(1);private Text word =new Text();/*** Mapper中的map方法：* void map(K1 key, V1 value, Context context)* 映射一個單個的輸入k/v對到一個中間的k/v對* 輸出對不需要和輸入對是相同的類型，輸入對可以映射到0個或多個輸出對。* Context：收集Mapper輸出的<k,v>對。* Context的write(k, v)方法:增加一個(k,v)對到context* 程序員主要編寫Map和Reduce函數.這個Map函數使用StringTokenizer函數對字符串進行分隔,通過write方法把單詞存入word中* write方法存入(單詞,1)這樣的二元組到context中*/  publicvoid map(Object key, Text value, Context context) throws IOException, InterruptedException {StringTokenizer itr =new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {word.set(itr.nextToken());context.write(word, one);}}}publicstaticclass IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> {private IntWritable result =new IntWritable();/*** Reducer類中的reduce方法：* void reduce(Text key, Iterable<IntWritable> values, Context context)* 中k/v來自于map函數中的context,可能經過了進一步處理(combiner),同樣通過context輸出           */publicvoid reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int sum =0;for (IntWritable val : values) {sum += val.get();}result.set(sum);context.write(key, result);}}publicstaticvoid main(String[] args) throws Exception {/*** Configuration：map/reduce的j配置類，向hadoop框架描述map-reduce執行的工作*/Configuration conf =new Configuration();String[] otherArgs =new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length !=2) {System.err.println("Usage: wordcount <in> <out>");System.exit(2);}Job job =new Job(conf, "word count");    //設置一個用戶定義的job名稱job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);    //為job設置Mapper類job.setCombinerClass(IntSumReducer.class);    //為job設置Combiner類job.setReducerClass(IntSumReducer.class);    //為job設置Reducer類job.setOutputKeyClass(Text.class);        //為job的輸出數據設置Key類job.setOutputValueClass(IntWritable.class);    //為job輸出設置value類FileInputFormat.addInputPath(job, new Path(otherArgs[0]));    //為job設置輸入路徑FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//為job設置輸出路徑System.exit(job.waitForCompletion(true) ?0 : 1);        //運行job
  }
}

3、WordCount逐行解析

對于map函數的方法。

public void map(Object key, Text value, Context context) throws IOException, InterruptedException {…}

　　這里有三個參數，前面兩個Object key, Text value就是輸入的key和value，第三個參數Context context這是可以記錄輸入的key和value，例如：context.write(word, one);此外context還會記錄map運算的狀態。

對于reduce函數的方法。

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

　　reduce函數的輸入也是一個key/value的形式，不過它的value是一個迭代器的形式Iterable<IntWritable> values，也就是說reduce的輸入是一個key對應一組的值的value，reduce也有context和map的context作用一致。

　　至于計算的邏輯則需要程序員編碼實現。

對于main函數的調用。

　　首先是：

Configuration conf = new Configuration();

　　運行MapReduce程序前都要初始化Configuration，該類主要是讀取MapReduce系統配置信息，這些信息包括hdfs還有MapReduce，也就是安裝hadoop時候的配置文件例如：core-site.xml、hdfs-site.xml和mapred-site.xml等等文件里的信息，有些童鞋不理解為啥要這么做，這個是沒有深入思考MapReduce計算框架造成，我們程序員開發MapReduce時候只是在填空，在map函數和reduce函數里編寫實際進行的業務邏輯，其它的工作都是交給MapReduce框架自己操作的，但是至少我們要告訴它怎么操作啊，比如hdfs在哪里，MapReduce的jobstracker在哪里，而這些信息就在conf包下的配置文件里。

　　接下來的代碼是：

    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();if (otherArgs.length != 2) {System.err.println("Usage: wordcount <in> <out>");System.exit(2);}

　　If的語句好理解，就是運行WordCount程序時候一定是兩個參數，如果不是就會報錯退出。至于第一句里的GenericOptionsParser類，它是用來解釋常用hadoop命令，并根據需要為Configuration對象設置相應的值，其實平時開發里我們不太常用它，而是讓類實現Tool接口，然后再main函數里使用ToolRunner運行程序，而ToolRunner內部會調用GenericOptionsParser。

　　接下來的代碼是：

    Job job = new Job(conf, "word count");job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);

　　第一行就是在構建一個job，在mapreduce框架里一個mapreduce任務也叫mapreduce作業也叫做一個mapreduce的job，而具體的map和reduce運算就是task了，這里我們構建一個job，構建時候有兩個參數，一個是conf這個就不累述了，一個是這個job的名稱。

　　第二行就是裝載程序員編寫好的計算程序，例如我們的程序類名就是WordCount了。這里我要做下糾正，雖然我們編寫mapreduce程序只需要實現map函數和reduce函數，但是實際開發我們要實現三個類，第三個類是為了配置mapreduce如何運行map和reduce函數，準確的說就是構建一個mapreduce能執行的job了，例如WordCount類。

　　第三行和第五行就是裝載map函數和reduce函數實現類了，這里多了個第四行，這個是裝載Combiner類，這個類和mapreduce運行機制有關，其實本例去掉第四行也沒有關系，但是使用了第四行理論上運行效率會更好。

　　接下來的代碼：

    job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);

　　這個是定義輸出的key/value的類型，也就是最終存儲在hdfs上結果文件的key/value的類型。

　　最后的代碼是：

    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));System.exit(job.waitForCompletion(true) ? 0 : 1);

　　第一行就是構建輸入的數據文件，第二行是構建輸出的數據文件，最后一行如果job運行成功了，我們的程序就會正常退出。

轉載于:https://www.cnblogs.com/hehaiyang/p/4484442.html

總結

以上是生活随笔為你收集整理的初学Hadoop之图解MapReduce与WordCount示例分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。