YARN框架&MapReduce框架

MapReduce實例：一個wordcount程序

統計一個相當大的數據文件中，每個單詞出現的個數。

分析map和reduce的工作

map：

1. 切分單詞
2. 遍歷單詞數據輸出

reduce：

對從map中得到的數據的valuelist遍歷累加，得到一個單詞的總次數

代碼

WordCountMapper（繼承Mapper）

重寫Mapper類的map方法。

mapreduce框架每讀一行數據就調用一次該方法，map的具體業務邏輯就寫在這個方法體中。

1. map和reduce的數據輸入輸出都是以key-value對的形式封裝的
2. 4個泛型中，前兩個（KEYIN, VALUEIN）指定mapper輸入數據的類型, 後兩個（KEYOUT, VALUEOUT）指定輸出數據的類型
3. 默認情況下，框架傳遞給mapper的輸入數據中，key是要處理的文本中一行的起始偏移量，value是這行的內容
4. 由於輸入輸出在結點中通過網絡傳遞，數據需要序列化，但JDK自帶的序列化機制會有附加信息冗余，對於大量數據傳輸不合適，因此 ->
5. 業務中要處理的數據已經作為參數key-value被傳遞進來了，處理後的輸出是調用context.write()寫入到context

package cn.thousfeet.hadoop.mapreduce.wordcount;

import java.io.IOException;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;


public class WordCountMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
    
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)
            throws IOException, InterruptedException {
        
        String line = value.toString();
        
        String[] words = StringUtils.split(line," "); //切分單詞
        
        for(String word : words) //遍歷 輸出為key-value( <word,1> )
        {
            context.write(new Text(word), new LongWritable(1));
        }
    
    }
    
}
 

WordCountReducer（繼承Reducer）

重寫Reducer類的reduce方法。

框架在map處理完成後，將所有的key-value對緩存起來進行分組，然後傳遞到一個組 <key,values{}>（對於wordcount程序，拿到的就是類似<hello,{1,1,1,1...}>），然後調用一次reduce方法。

package cn.thousfeet.hadoop.mapreduce.wordcount;

import java.io.IOException;

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

public class WordCountReducer extends Reducer<Text, LongWritable, Text, LongWritable>{

    @Override
    protected void reduce(Text key, Iterable<LongWritable> valueList,
            Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
        
        long count = 0;
        
        for(LongWritable value : valueList) //遍歷value list累加求和
        {
            count += value.get();
        }
        
        context.write(key, new LongWritable(count)); //輸出這一個單詞的統計結果
    }
}
 

WordCountRunner

用於描述job。

比如，該作業使用哪個類作為邏輯處理中的map，哪個作為reduce。還可以指定該作業要處理的數據所在的路徑，和輸出的結果放到哪個路徑。

package cn.thousfeet.hadoop.mapreduce.wordcount;

import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;

public class WordCountRunner {

        public static void main(String[] args) throws Exception {
            
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);
            
            //設置整個job所用的那些類在哪個jar包
            job.setJarByClass(WordCountRunner.class);
            
            //指定job使用的mapper和reducer類
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReducer.class);
            
            //指定reduce和mapper的輸出數據key-value類型
            job.setOutputKeyClass(Text.class);
            job.setMapOutputValueClass(LongWritable.class);
            
            //指定mapper的輸出數據key-value類型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(LongWritable.class);
            
            //指定原始輸入數據的存放路徑
            FileInputFormat.setInputPaths(job, new Path("/wordcount/srcdata/"));
            
            //指定處理結果數據的存放路徑
            FileOutputFormat.setOutputPath(job, new Path("/wordcount/output/"));
        
            //將job提交給集群運行 參數為true時會打印運行進度
            job.waitForCompletion(true);
        }
}

上傳到集群中運行

export成一個jar包，上傳到虛擬機上。

分發到集群運行：hadoop jar wordcount.jar cn.thousfeet.hadoop.mapreduce.wordcount.WordCountRunner

查看輸出結果：

（可以看到按key的字典序升序排序）

如需方便在本地debug，可以直接run main方法（直接在本機的JVM運行），但要把輸入輸出路徑改為hdfs全路徑（或用在windows本地目錄下的數據也行，MapReduce程序的運行和數據來源在哪無關），並且在eclipse的設置 Run Configurations->arguments->vm arguments ，添加-DHADOOP_USER_NAME=對應用戶

yarn框架的運行機制

坑點

org.apache.hadoop.security.AccessControlException

運行程序後查看output文件夾能看到運行成功了，但是cat查看part-r-00000的時候報錯

error creating legacy BlockReaderLocal. Disabling legacy local reads.
org.apache.hadoop.security.AccessControlException: Can‘t continue with getBlockLocalPathInfo() authorization. The user thousfeet is not configured in dfs.block.local-path-access.user

解決方法是hdfs-site.xml中的配置項dfs.client.read.shortcircuit=false
woc，這個參數其實原本默認就是false...突然想起這不是上次配置出錯的時候病急亂投醫加上的嗎，果然亂跟教程害死人orzz

（參考：http://www.51testing.com/html/59/445759-821244.html）

YARN框架&MapReduce框架