hadoop MapReduce实例解析.docx

1、MapReduce理论简介?1.1 MapReduce编程模型MapReduce采用分而治之的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是任务的分解与结果的汇总。在Hadoop中，用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker。在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。需要注意的是，用MapReduce来处理的数据集（或任务）必须具备这样的特点：待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。?1.2 MapReduce处理过程在Hadoop中，每个MapReduce任务都被初始化为一个Job，每个Job又可以分为两种阶段：map阶段和reduce阶段。这两个阶段分别用两个函数表示，即map函数和reduce函数。map函数接收一个key,value形式的输入，然后同样产生一个key,value形式的中间输出，Hadoop函数接收一个如key,(list of values)形式的输入，然后对这个value集合进行处理，每个reduce产生0或1个输出，reduce的输出也是key,value形式的。??MapReduce处理大数据集的过程??2、运行WordCount程序单词计数是最简单也是最能体现MapReduce思想的程序之一，可以称为MapReduce版Hello World，该程序的完整代码可以在Hadoop安装包的src/examples目录下找到。单词计数主要完成功能是：统计一系列文本文件中每个单词出现的次数，如下图所示。???2.1 准备工作现在以hadoop普通用户登录Master.Hadoop服务器。1）创建本地示例文件首先在/home/hadoop目录下创建文件夹file。???接着创建两个文本文件file1.txt和file2.txt，使file1.txt内容为Hello World，而file2.txt的内容为Hello Hadoop。??2）在HDFS上创建输入文件夹??3）上传本地file中文件到集群的input目录下??2.2 运行例子1）在集群上运行WordCount程序备注：?以input作为输入目录，output目录作为输出目录。已经编译好的WordCount的Jar在/usr/hadoop下面，就是hadoop-examples-1.0.0.jar，所以在下面执行命令时记得把路径写全了，不然会提示找不到该Jar包。???2）MapReduce执行过程显示信息??Hadoop命令会启动一个JVM来运行这个MapReduce程序，并自动获得Hadoop的配置，同时把类的路径（及其依赖关系）加入到Hadoop的库中。以上就是Hadoop Job的运行记录，从这里可以看到，这个Job被赋予了一个ID号：job_201202292213_0002，而且得知输入文件有两个（Total input paths to process : 2），同时还可以了解map的输入输出记录（record数及字节数），以及reduce输入输出记录。比如说，在本例中，map的task数量是2个，reduce的task数量是一个。map的输入record数是2个，输出record数是4个等信息。?2.3 查看结果1）查看HDFS上output目录内容??从上图中知道生成了三个文件，我们的结果在?part-r-00000?中。2）查看结果输出文件内容??3、WordCount源码分析?3.1 特别数据类型介绍Hadoop提供了如下内容的数据类型，这些数据类型都实现了WritableComparable接口，以便用这些类型定义的数据可以被序列化进行网络传输和文件存储，以及进行大小比较。? BooleanWritable：标准布尔型数值 ByteWritable：单字节数值 DoubleWritable：双字节数 FloatWritable：浮点数 IntWritable：整型数 LongWritable：长整型数 Text：使用UTF8格式存储的文本 NullWritable：当key,value中的key或value为空时使用?3.2 旧的WordCount分析1）源代码