雲端計算_Hadoop_Wordcount程式執行詳解
@轉載自：https://www.cnblogs.com/xia520pi/archive/2012/05/16/2504205.html
@轉載原因：方便自己檢視；CSDN其他使用者查閱。
1、MapReduce理論簡介
1.1 MapReduce程式設計模型
MapReduce採用"分而治之"的思想，把對大規模資料集的操作，分發給一個主節點管理下的各個分節點共同完成，然後通過整合各個節點的中間結果，得到最終結果。簡單地說，MapReduce就是"任務的分解與結果的彙總"。
在Hadoop中，用於執行MapReduce任務的機器角色有兩個：一個是JobTracker；另一個是TaskTracker，JobTracker是用於排程工作的，TaskTracker是用於執行工作的。一個Hadoop叢集中只有一臺JobTracker。
在分散式計算中，MapReduce框架負責處理了並行程式設計中分散式儲存、工作排程、負載均衡、容錯均衡、容錯處理以及網路通訊等複雜問題，把處理過程高度抽象為兩個函式：map和reduce，map負責把任務分解成多個任務，reduce負責把分解後多工處理的結果彙總起來。
需要注意的是，用MapReduce來處理的資料集（或任務）必須具備這樣的特點：待處理的資料集可以分解成許多小的資料集，而且每一個小資料集都可以完全並行地進行處理。
1.2 MapReduce處理過程
在Hadoop中，每個MapReduce任務都被初始化為一個Job，每個Job又可以分為兩種階段：map階段和reduce階段。這兩個階段分別用兩個函式表示，即map函式和reduce函式。map函式接收一個<key,value>形式的輸入，然後同樣產生一個<key,value>形式的中間輸出，Hadoop函式接收一個如<key,(list of values)>形式的輸入，然後對這個value集合進行處理，每個reduce產生0或1個輸出，reduce的輸出也是<key,value>形式的。
MapReduce處理大資料集的過程
2、執行WordCount程式
單詞計數是最簡單也是最能體現MapReduce思想的程式之一，可以稱為MapReduce版"Hello World"，該程式的完整程式碼可以在Hadoop安裝包的"src/examples"目錄下找到。單詞計數主要完成功能是：統計一系列文字檔案中每個單詞出現的次數，如下圖所示。
2.1 準備工作
現在以"hadoop"普通使用者登入"Master.Hadoop"伺服器。
1）建立本地示例檔案
首先在"/home/hadoop"目錄下建立資料夾"file"。
接著建立兩個文字檔案file1.txt和file2.txt，使file1.txt內容為"Hello World"，而file2.txt的內容為"Hello Hadoop"。
2）在HDFS上建立輸入資料夾
3）上傳本地file中檔案到叢集的input目錄下
2.2 執行例子
1）在叢集上執行WordCount程式
備註：以input作為輸入目錄，output目錄作為輸出目錄。
已經編譯好的WordCount的Jar在"/usr/hadoop"下面，就是"hadoop-examples-1.0.0.jar"，所以在下面執行命令時記得把路徑寫全了，不然會提示找不到該Jar包。
2）MapReduce執行過程顯示資訊
Hadoop命令會啟動一個JVM來執行這個MapReduce程式，並自動獲得Hadoop的配置，同時把類的路徑（及其依賴關係）加入到Hadoop的庫中。以上就是Hadoop Job的執行記錄，從這裡可以看到，這個Job被賦予了一個ID號：job_201202292213_0002，而且得知輸入檔案有兩個（Total input paths to process : 2），同時還可以瞭解map的輸入輸出記錄（record數及位元組數），以及reduce輸入輸出記錄。比如說，在本例中，map的task數量是2個，reduce的task數量是一個。map的輸入record數是2個，輸出record數是4個等資訊。
2.3 檢視結果
1）檢視HDFS上output目錄內容
從上圖中知道生成了三個檔案，我們的結果在"part-r-00000"中。
2）檢視結果輸出檔案內容
3、WordCount原始碼分析
3.1 特別資料型別介紹
Hadoop提供瞭如下內容的資料型別，這些資料型別都實現了WritableComparable介面，以便用這些型別定義的資料可以被序列化進行網路傳輸和檔案儲存，以及進行大小比較。
BooleanWritable：標準布林型數值
ByteWritable：單位元組數值
DoubleWritable：雙位元組數
FloatWritable：浮點數
IntWritable：整型數
LongWritable：長整型數
Text：使用UTF8格式儲存的文字
NullWritable：當<key,value>中的key或value為空時使用
3.2 舊的WordCount分析
1）原始碼程式
package org.apache.hadoop.examples;
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
public class WordCount {
public static class Map extends MapReduceBase implements
Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
String line = value.toString();
StringTokenizer tokenizer = new StringTokenizer(line);
while (tokenizer.hasMoreTokens()) {
word.set(tokenizer.nextToken());
output.collect(word, one);
}
}
}
public static class Reduce extends MapReduceBase implements
Reducer<Text, IntWritable, Text, IntWritable> {
public void reduce(Text key, Iterator<IntWritable> values,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
output.collect(key, new IntWritable(sum));
}
}
public static void main(String[] args) throws Exception {
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount");
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
conf.setMapperClass(Map.class);
conf.setCombinerClass(Reduce.class);
conf.setReducerClass(Reduce.class);
conf.setInputFormat(TextInputFormat.class);
conf.setOutputFormat(TextOutputFormat.class);
FileInputFormat.setInputPaths(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));
JobClient.runJob(conf);
}
}
3）主方法Main分析
public static void main(String[] args) throws Exception {
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount");
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
conf.setMapperClass(Map.class);
conf.setCombinerClass(Reduce.class);
conf.setReducerClass(Reduce.class);
conf.setInputFormat(TextInputFormat.class);
conf.setOutputFormat(TextOutputFormat.class);
FileInputFormat.setInputPaths(conf, new Path(args[0]));
FileOutputFormat.setOutputPath(conf, new Path(args[1]));
JobClient.runJob(conf);
}
首先講解一下Job的初始化過程。main函式呼叫Jobconf類來對MapReduce Job進行初始化，然後呼叫setJobName()方法命名這個Job。對Job進行合理的命名有助於更快地找到Job，以便在JobTracker和Tasktracker的頁面中對其進行監視。
JobConf conf = new JobConf(WordCount. class ); conf.setJobName("wordcount" );
接著設定Job輸出結果<key,value>的中key和value資料型別，因為結果是<單詞,個數>，所以key設定為"Text"型別，相當於Java中String型別。Value設定為"IntWritable"，相當於Java中的int型別。
conf.setOutputKeyClass(Text.class );
conf.setOutputValueClass(IntWritable.class );
然後設定Job處理的Map（拆分）、Combiner（中間結果合併）以及Reduce（合併）的相關處理類。這裡用Reduce類來進行Map產生的中間結果合併，避免給網路資料傳輸產生壓力。
conf.setMapperClass(Map.class );
conf.setCombinerClass(Reduce.class );
conf.setReducerClass(Reduce.class );
接著就是呼叫setInputPath()和setOutputPath()設定輸入輸出路徑。
conf.setInputFormat(TextInputFormat.class );
conf.setOutputFormat(TextOutputFormat.class );
（1）InputFormat和InputSplit
InputSplit是Hadoop定義的用來傳送給每個單獨的map的資料，InputSplit儲存的並非資料本身，而是一個分片長度和一個記錄資料位置的陣列。生成InputSplit的方法可以通過InputFormat()來設定。
當資料傳送給map時，map會將輸入分片傳送到InputFormat，InputFormat則呼叫方法getRecordReader()生成RecordReader，RecordReader再通過creatKey()、creatValue()方法建立可供map處理的<key,value>對。簡而言之，InputFormat()方法是用來生成可供map處理的<key,value>對的。
Hadoop預定義了多種方法將不同型別的輸入資料轉化為map能夠處理的<key,value>對，它們都繼承自InputFormat，分別是：
InputFormat
|
|---BaileyBorweinPlouffe.BbpInputFormat
|---ComposableInputFormat
|---CompositeInputFormat
|---DBInputFormat
|---DistSum.Machine.AbstractInputFormat
|---FileInputFormat
|---CombineFileInputFormat
|---KeyValueTextInputFormat
|---NLineInputFormat
|---SequenceFileInputFormat
|---TeraInputFormat
|---TextInputFormat
其中TextInputFormat是Hadoop預設的輸入方法，在TextInputFormat中，每個檔案（或其一部分）都會單獨地作為map的輸入，而這個是繼承自FileInputFormat的。之後，每行資料都會生成一條記錄，每條記錄則表示成<key,value>形式：
- key值是每個資料的記錄在資料分片中位元組偏移量，資料型別是LongWritable；
value值是每行的內容，資料型別是Text。
（2）OutputFormat
每一種輸入格式都有一種輸出格式與其對應。預設的輸出格式是TextOutputFormat，這種輸出方式與輸入類似，會將每條記錄以一行的形式存入文字檔案。不過，它的鍵和值可以是任意形式的，因為程式內容會呼叫toString()方法將鍵和值轉換為String型別再輸出。
3）Map類中map方法分析
public static class Map extends MapReduceBase implements
Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map(LongWritable key, Text value,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
String line = value.toString();
StringTokenizer tokenizer = new StringTokenizer(line);
while (tokenizer.hasMoreTokens()) {
word.set(tokenizer.nextToken());
output.collect(word, one);
}
}}
Map類繼承自MapReduceBase，並且它實現了Mapper介面，此介面是一個規範型別，它有4種形式的引數，分別用來指定map的輸入key值型別、輸入value值型別、輸出key值型別和輸出value值型別。在本例中，因為使用的是TextInputFormat，它的輸出key值是LongWritable型別，輸出value值是Text型別，所以map的輸入型別為<LongWritable,Text>。在本例中需要輸出<word,1>這樣的形式，因此輸出的key值型別是Text，輸出的value值型別是IntWritable。
實現此介面類還需要實現map方法，map方法會具體負責對輸入進行操作，在本例中，map方法對輸入的行以空格為單位進行切分，然後使用OutputCollect收集輸出的<word,1>。
4）Reduce類中reduce方法分析
public static class Reduce extends MapReduceBase implements
Reducer<Text, IntWritable, Text, IntWritable> {
public void reduce(Text key, Iterator<IntWritable> values,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
int sum = 0;
while (values.hasNext()) {
sum += values.next().get();
}
output.collect(key, new IntWritable(sum));}
}
Reduce類也是繼承自MapReduceBase的，需要實現Reducer介面。Reduce類以map的輸出作為輸入，因此Reduce的輸入型別是<Text，Intwritable>。而Reduce的輸出是單詞和它的數目，因此，它的輸出型別是<Text,IntWritable>。Reduce類也要實現reduce方法，在此方法中，reduce函式將輸入的key值作為輸出的key值，然後將獲得多個value值加起來，作為輸出的值。
3.3 新的WordCount分析
1）原始碼程式
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;
public class WordCount {
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void 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);
}
}
}
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void 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);
}
}
public static void main(String[] args) throws Exception {
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");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
1）Map過程
public static class TokenizerMapper
extends Mapper<Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void 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);
}
}
Map過程需要繼承org.apache.hadoop.mapreduce包中Mapper類，並重寫其map方法。通過在map方法中新增兩句把key值和value值輸出到控制檯的程式碼，可以發現map方法中value值儲存的是文字檔案中的一行（以回車符為行結束標記），而key值為該行的首字母相對於文字檔案的首地址的偏移量。然後StringTokenizer類將每一行拆分成為一個個的單詞，並將<word,1>作為map方法的結果輸出，其餘的工作都交有MapReduce框架處理。
2）Reduce過程
public static class IntSumReducer
extends Reducer<Text,IntWritable,Text,IntWritable> {
private IntWritable result = new IntWritable();
public void 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);
}
}
Reduce過程需要繼承org.apache.hadoop.mapreduce包中Reducer類，並重寫其reduce方法。Map過程輸出<key,values>中key為單個單詞，而values是對應單詞的計數值所組成的列表，Map的輸出就是Reduce的輸入，所以reduce方法只要遍歷values並求和，即可得到某個單詞的總次數。
3）執行MapReduce任務
public static void main(String[] args) throws Exception {
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");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
在MapReduce中，由Job物件負責管理和執行一個計算任務，並通過Job的一些方法對任務的引數進行相關的設定。此處設定了使用TokenizerMapper完成Map過程中的處理和使用IntSumReducer完成Combine和Reduce過程中的處理。還設定了Map過程和Reduce過程的輸出型別：key的型別為Text，value的型別為IntWritable。任務的輸出和輸入路徑則由命令列引數指定，並由FileInputFormat和FileOutputFormat分別設定。完成相應任務的引數設定後，即可呼叫job.waitForCompletion()方法執行任務。
4、WordCount處理過程
本節將對WordCount進行更詳細的講解。詳細執行步驟如下：
1）將檔案拆分成splits，由於測試用的檔案較小，所以每個檔案為一個split，並將檔案按行分割形成<key,value>對，如圖4-1所示。這一步由MapReduce框架自動完成，其中偏移量（即key值）包括了回車所佔的字元數（Windows和Linux環境會不同）。
圖4-1 分割過程
2）將分割好的<key,value>對交給使用者定義的map方法進行處理，生成新的<key,value>對，如圖4-2所示。
圖4-2 執行map方法
3）得到map方法輸出的<key,value>對後，Mapper會將它們按照key值進行排序，並執行Combine過程，將key至相同value值累加，得到Mapper的最終輸出結果。如圖4-3所示。
圖4-3 Map端排序及Combine過程
4）Reducer先對從Mapper接收的資料進行排序，再交由使用者自定義的reduce方法進行處理，得到新的<key,value>對，並作為WordCount的輸出結果，如圖4-4所示。
圖4-4 Reduce端排序及輸出結果
5、MapReduce新舊改變
Hadoop最新版本的MapReduce Release 0.20.0的API包括了一個全新的Mapreduce JAVA API，有時候也稱為上下文物件。
新的API型別上不相容以前的API，所以，以前的應用程式需要重寫才能使新的API發揮其作用 。
新的API和舊的API之間有下面幾個明顯的區別。
- 新的API傾向於使用抽象類，而不是介面，因為這更容易擴充套件。例如，你可以新增一個方法(用預設的實現)到一個抽象類而不需修改類之前的實現方法。在新的API中，Mapper和Reducer是抽象類。
- 新的API是在org.apache.hadoop.mapreduce包(和子包)中的。之前版本的API則是放在org.apache.hadoop.mapred中的。
- 新的API廣泛使用context object(上下文物件)，並允許使用者程式碼與MapReduce系統進行通訊。例如，MapContext基本上充當著JobConf的OutputCollector和Reporter的角色。
- 新的API同時支援"推"和"拉"式的迭代。在這兩個新老API中，鍵/值記錄對被推mapper中，但除此之外，新的API允許把記錄從map()方法中拉出，這也適用於reducer。"拉"式的一個有用的例子是分批處理記錄，而不是一個接一個。
-
新的API統一了配置。舊的API有一個特殊的JobConf物件用於作業配置，這是一個對於Hadoop通常的Configuration物件的擴充套件。在新的API中，這種區別沒有了，所以作業配置通過Configuration來完成。作業控制的執行由Job類來負責，而不是JobClient，它在新的API中已經蕩然無存。
文章下載地址：http://files.cnblogs.com/xia520pi/HadoopCluster_Vol.6.rar