编程语言及工具
MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念“Map（映射）”和“Reduce（归约）”，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。
1. MapReduce是一种分布式计算模型，是Google提出的，主要用于搜索领域，解决海量数据的计算问题。
2. MR有两个阶段组成：Map和Reduce，用户只需实现map（）和reduce（）两个函数，即可实现分布式计算。
1.1 读取HDFS中的文件。每一行解析成一个《k，v》。每一个键值对调用一次map函数。 《0，hello you》 《10，hello me》
1.2 覆盖map（），接收1.1产生的《k，v》，进行处理，转换为新的《k，v》输出。 《hello，1》 《you，1》 《hello，1》 《me，1》
1.3 对1.2输出的《k，v》进行分区。默认分为一个区。详见《Partitioner》
1.4 对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。 排序后：《hello，1》 《hello，1》 《me，1》 《you，1》 分组后：《hello，{1，1}》《me，{1}》《you，{1}》
1.5 （可选）对分组后的数据进行归约。详见《Combiner》
2.1 多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。（shuffle）详见《shuffle过程分析》
2.2 对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑， 《hello，2》 《me，1》 《you，1》
处理后，产生新的《k，v》输出。
2.3 对reduce输出的《k，v》写到HDFS中。
注：要导入org.apache.hadoop.fs.FileUtil.java。
1、先创建一个hello文件，上传到HDFS中
Java代码实现
注：要导入org.apache.hadoop.fs.FileUtil.java。
1、先创建一个hello文件，上传到HDFS中
图三
2、然后再编写代码，实现文件中的单词个数统计（代码中被注释掉的代码，是可以省略的，不省略也行）
1package mapreduce;
2
3 import java.net.URI;
4 import org.apache.hadoop.conf.Configuration;
5 import org.apache.hadoop.fs.FileSystem;
6 import org.apache.hadoop.fs.Path;
7 import org.apache.hadoop.io.LongWritable;
8 import org.apache.hadoop.io.Text;
9 import org.apache.hadoop.mapreduce.Job;
10 import org.apache.hadoop.mapreduce.Mapper;
11 import org.apache.hadoop.mapreduce.Reducer;
12 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
13 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
14 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
15 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
16
17 public class WordCountApp {
18 static final String INPUT_PATH = “hdfs://chaoren:9000/hello”;
19 static final String OUT_PATH = “hdfs://chaoren:9000/out”;
20
21 public static void main（String［］ args） throws Exception {
22 Configuration conf = new Configuration（）;
23 FileSystem fileSystem = FileSystem.get（new URI（INPUT_PATH）， conf）;
24 Path outPath = new Path（OUT_PATH）;
25 if （fileSystem.exists（outPath）） {
26 fileSystem.delete（outPath， true）;
27 }
28
29 Job job = new Job（conf， WordCountApp.class.getSimpleName（））;
30
31 // 1.1指定读取的文件位于哪里
32 FileInputFormat.setInputPaths（job， INPUT_PATH）;
33 // 指定如何对输入的文件进行格式化，把输入文件每一行解析成键值对
34 //job.setInputFormatClass（TextInputFormat.class）;
35
36 // 1.2指定自定义的map类
37 job.setMapperClass（MyMapper.class）;
38 // map输出的《k，v》类型。如果《k3，v3》的类型与《k2，v2》类型一致，则可以省略
39 //job.setOutputKeyClass（Text.class）;
40 //job.setOutputValueClass（LongWritable.class）;
41
42 // 1.3分区
43 //job.setPartitionerClass（org.apache.hadoop.mapreduce.lib.partition.HashPartitioner.class）;
44 // 有一个reduce任务运行
45 //job.setNumReduceTasks（1）;
46
47 // 1.4排序、分组
48
49 // 1.5归约
50
51 // 2.2指定自定义reduce类
52 job.setReducerClass（MyReducer.class）;
53 // 指定reduce的输出类型
54 job.setOutputKeyClass（Text.class）;
55 job.setOutputValueClass（LongWritable.class）;
56
57 // 2.3指定写出到哪里
58 FileOutputFormat.setOutputPath（job， outPath）;
59 // 指定输出文件的格式化类
60 //job.setOutputFormatClass（TextOutputFormat.class）;
61
62 // 把job提交给jobtracker运行
63 job.waitForCompletion（true）;
64 }
65
66 /**
67 *
68 * KEYIN 即K1 表示行的偏移量
69 * VALUEIN 即V1 表示行文本内容
70 * KEYOUT 即K2 表示行中出现的单词
71 * VALUEOUT 即V2 表示行中出现的单词的次数，固定值1
72 *
73 */
74 static class MyMapper extends
75 Mapper《LongWritable， Text， Text， LongWritable》 {
76 protected void map（LongWritable k1， Text v1， Context context）
77 throws java.io.IOException， InterruptedException {
78 String［］ splited = v1.toString（）.split（“\t”）;
79 for （String word ： splited） {
80 context.write（new Text（word）， new LongWritable（1））;
81 }
82 };
83 }
84
85 /**
86 * KEYIN 即K2 表示行中出现的单词
87 * VALUEIN 即V2 表示出现的单词的次数
88 * KEYOUT 即K3 表示行中出现的不同单词
89 * VALUEOUT 即V3 表示行中出现的不同单词的总次数
90 */
91 static class MyReducer extends
92 Reducer《Text， LongWritable， Text， LongWritable》 {
93 protected void reduce（Text k2， java.lang.Iterable《LongWritable》 v2s，
94 Context ctx） throws java.io.IOException，
95 InterruptedException {
96 long times = 0L;
97 for （LongWritable count ： v2s） {
98 times += count.get（）;
99 }
100 ctx.write（k2， new LongWritable（times））;
101 };
102 }
103 }
3、运行成功后，可以在Linux中查看操作的结果
图四
1）数据划分和计算任务调度：
系统自动将一个作业（Job）待处理的大数据划分为很多个数据块，每个数据块对应于一个计算任务（Task），并自动 调度计算节点来处理相应的数据块。作业和任务调度功能主要负责分配和调度计算节点（Map节点或Reduce节点），同时负责监控这些节点的执行状态，并 负责Map节点执行的同步控制。
2）数据/代码互定位：
为了减少数据通信，一个基本原则是本地化数据处理，即一个计算节点尽可能处理其本地磁盘上所分布存储的数据，这实现了代码向 数据的迁移；当无法进行这种本地化数据处理时，再寻找其他可用节点并将数据从网络上传送给该节点（数据向代码迁移），但将尽可能从数据所在的本地机架上寻 找可用节点以减少通信延迟。
3）系统优化：
为了减少数据通信开销，中间结果数据进入Reduce节点前会进行一定的合并处理；一个Reduce节点所处理的数据可能会来自多个 Map节点，为了避免Reduce计算阶段发生数据相关性，Map节点输出的中间结果需使用一定的策略进行适当的划分处理，保证相关性数据发送到同一个 Reduce节点；此外，系统还进行一些计算性能优化处理，如对最慢的计算任务采用多备份执行、选最快完成者作为结果。
4）出错检测和恢复：
以低端商用服务器构成的大规模MapReduce计算集群中，节点硬件（主机、磁盘、内存等）出错和软件出错是常态，因此 MapReduce需要能检测并隔离出错节点，并调度分配新的节点接管出错节点的计算任务。同时，系统还将维护数据存储的可靠性，用多备份冗余存储机制提 高数据存储的可靠性，并能及时检测和恢复出错的数据。
全部0条评论
快来发表一下你的评论吧 !
