Hadoop-MapReduce详解-2

Hadoop-MapReduce详解-2

Hadoop-MapReduce详解-2

[TOC]

Hadoop-MapReduce详解-2

第3章 MapReduce框架原理

InputFormat数据输入

切片与MapTask并行度决定机制

1.问题引出

MapTask的并行度决定Map阶段的任务处理并发度,进而影响到整个Job的处理速度。

思考:1G的数据,启动8个MapTask,可以提高集群的并发处理能力。那么1K的数据,也启动8个MapTask,会提高集群性能吗?MapTask并行任务是否越多越好呢?哪些因素影响了MapTask并行度?

2.MapTask并行度决定机制

数据块:Block是HDFS物理上把数据分成一块一块。
数据切片:数据切片只是在逻辑上对输入进行分片,并不会在磁盘上将其切分成片进行存储。

MapTask并行度决定机制-1

MapTask并行度决定机制-2

MapTask并行度决定机制-3

MapTask并行度决定机制-4

MapTask并行度决定机制-5

并行度由切片决定,默认的并行度等于块大小。
多个文件时,每个文件单独切片。

1)一个job的map阶段并行度由客户端在提交job时决定
2)每一个split切片分配一个mapTask并行实例处理
3)默认情况下,切片大小=blocksize
4)切片时不考虑数据集整体,而是逐个针对每一个文件单独切片

100M单独起一个MapTask切片进行存储。()

Job提交流程源码和切片源码详解

  • Job提交流程源码详解
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
waitForCompletion()

submit();

// 1建立连接
connect();
// 1)创建提交Job的代理
new Cluster(getConfiguration());
// (1)判断是本地yarn还是远程
initialize(jobTrackAddr, conf);

// 2 提交job
submitter.submitJobInternal(Job.this, cluster)
// 1)创建给集群提交数据的Stag路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

// 2)获取jobid ,并创建Job路径
JobID jobId = submitClient.getNewJobID();

// 3)拷贝jar包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);

// 4)计算切片,生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job, jobSubmitDir);
input.getSplits(job);

// 5)向Stag路径写XML配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);

// 6)提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

Job提交流程源码解析

  • FileInputFormat切片源码解析(input.getSplits(job))

(1)程序先找到你数据存储的目录

(2)开始遍历处理(规划切片)目录下的每一个文件

(3)遍历第一个文件 ss.txt

a)获取文件大小fs.sizeOf(ss.txt)

b)计算切片大小

computeSplitSize(Math.max(minSize, Math.min(maxSize, b1ocksiz)))=blocksize=128M

c)默认情况下,切片大小=blocksize

d)开始切,形成第1个切片: ss.txt—0:128M,第2个切片ss.txt—128:256M,第3个切片ss.txt—256M: 300M(每次切片时,都要判断切完剩下的部分是否大于块的1.1倍, 不大于1.1倍就划分一块切片)

e)将切片信息写到一个切片规划文件中

f)整个切片的核心过程在getSplit()方法中完成

g) IputSplit只记录 了切片的元数据信息,比如起始位置、长度以及所在的节点列表等

(4)提交切片规划文件到YARN上,YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。

FileInputFormat切片机制

切片机制

(1)简单地按照文件的内容长度进行切片
(2)切片大小,默认等于Block大小
(3)切片时不考虑数据集整体,而是逐个针对每一个文件单独切片

案例分析

(1)输入数据有两个文件:

1
2
file1.txt 320M
file2.txt 10M

(2)经过FileInputFormat的切片机制运算后,形成的切片信息如下:

1
2
3
4
file1.txt.split1-- 0~128
file1.txt.split2-- 128~256
file1.txt.split3-- 256~320
file1.txt.split1-- 0~10M
  • FileInputFormat切片大小的参数配置

(1)源码中计算切片大小的公式

1
2
3
4
Math.max(minSize, Math.min(maxSize, b1ocksiz));
mapredurce.input.fileinputformat.split.minsize = 1 默认值为1
mapredurce.input.fileinputformat.split.maxsize = Long.MAXValue 默认值为Long.MAXValue
因此,默认情况下,切片大小=blocksize。

(2)源码中计算切片大小的公式

maxsize(切片最大值):参数如果调得比blockSize小,则会让切片变小,而且就等于配置的这个参数的值。

minsize(切片最小值):参数调的比blockSize大,则可以让切片变得比blockSize还大。

(3)获取切片信息API

1
2
3
4
//获取切片的文件名称
String name = inputSplit.getPath().getName();
//根据文件类型获取切片信息
FileSplit inputSplit = (FileSplit)context.getInputSplit();

CombineTextInputFormat切片机制

框架默认的TextInputFormat切片机制是对任务按文件规划切片,不管文件多小,都会是一个单独的切片,都会交给一个MapTask,这样如果有大量小文件,就会产生大量的MapTask,处理效率极其低下。

1、应用场景:

CombineTextInputFormat用于小文件过多的场景,它可以将多个小文件从逻辑上规划到一个切片中,这样,多个小文件就可以交给一个MapTask处理。

2、虚拟存储切片最大值设置

1
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);//4M

注意:虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。

3、切片机制

生成切片过程包括:虚拟存储过程和切片过程二部分。

  • CombineTextInputFormat切片机制

CombineTextInputFormat切片机制

(1)虚拟存储过程:

将输入目录下所有文件大小,依次和设置的setMaxInputSplitSize值比较,如果不大于设置的最大值,逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍,那么以最大值切割一块;当剩余数据大小超过设置的最大值且不大于最大值2倍,此时将文件均分成2个虚拟存储块(防止出现太小切片)。

例如setMaxInputSplitSize值为4M,输入文件大小为8.02M,则先逻辑上分成一个4M。剩余的大小为4.02M,如果按照4M逻辑划分,就会出现0.02M的小的虚拟存储文件,所以将剩余的4.02M文件切分成(2.01M和2.01M)两个文件。

(2)切片过程:
(a)判断虚拟存储的文件大小是否大于setMaxInputSplitSize值,大于等于则单独形成一个切片。
(b)如果不大于则跟下一个虚拟存储文件进行合并,共同形成一个切片。
(c)测试举例:有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件,则虚拟存储之后形成6个文件块,大小分别为:
1.7M,(2.55M、2.55M),3.4M以及(3.4M、3.4M)
最终会形成3个切片,大小分别为:
(1.7+2.55)M,(2.55+3.4)M,(3.4+3.4)M

CombineTextInputFormat案例实操

需求

将输入的大量小文件合并成一个切片统一处理。

(1)输入数据
准备4个小文件
(2)期望
期望一个切片处理4个文件

实现过程

(1)不做任何处理,运行1.6节的WordCount案例程序,观察切片个数为4。

1
number of splits:4

(2)在WordcountDriver中增加如下代码,运行程序,并观察运行的切片个数为3。

(a)驱动类中添加代码如下:

1
2
3
4
5
// 如果不设置InputFormat,它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

(b)运行如果为3个切片。

1
number of splits:3

(3)在WordcountDriver中增加如下代码,运行程序,并观察运行的切片个数为1。

(a)驱动中添加代码如下:

1
2
3
4
5
// 如果不设置InputFormat,它默认用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);

//虚拟存储切片最大值设置20m
CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

(b)运行如果为1个切片。

1
number of splits:1

FileInputFormat实现类

思考:在运行MapReduce程序时,输入的文件格式包括:基于行的日志文件、二进制格式文件、数据库表等。
那么,针对不同的数据类型,MapReduce是如何读取这些数据的呢?

FilcInputFormat常见的接口实现类包括: TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。

TextInputFormat

TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量,LongWritable类型。值是这行的内容,不包括任何行终止符(换行符和回车符),Text类型。

以下是一个示例,比如,一个分片包含了如下4条文本记录:

1
2
3
4
Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise

每条记录表示为以下键/值对:

1
2
3
4
(0,Rich learning form)
(19,Intelligent learning engine)
(47,Learning more convenient)
(72,From the real demand for more close to the enterprise)

KeyValueTextInputFormat

每一行均为一条记录,被分隔符分割为key,value。可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALAUE_SIOERATOR, "\t");来设定分隔符。默认分隔符是tab(\t)

以下是一个示例,输入时一个包含4条记录的分片。其中 ——> 表示一个(水平方向的)制表符。

1
2
3
4
line1 ——>Rich learning form
line2 ——>Intelligent learning engine
line3 ——>Learning more convenient
line4 ——>From the real demand for more close to the enterprise

每条记录表示为以下键/值对:

1
2
3
4
(line1,Rich learning form)
(line2,Intelligent learning engine)
(line3,Learning more convenient)
(line4,From the real demand for more close to the enterprise)

此事的键是每行排在制表符之前的Text序列。

KyeValueTextInputFormat使用案例

需求

统计输入文件中每一行的第一个单词相同的行数。

(1)输入数据

1
2
3
4
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang

(2)期望结果数据

1
2
banzhang	2
xihuan 2

需求分析

1.需求:统计输入文件中每一行
2.输入数据

1
2
3
4
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang

3.期望输出数据

1
2
banzhang	2
xihuan 2

4.Map阶段

banzhang ni hao

(1)设置key和value

<banzhang,1>

(2)写出

5.Reduce阶段

<banzhang,1>

<banzhang,1>

(1)汇总

<banzhang,2>

(2)写出

6.Driver

1
2
3
4
//1.设置切割符号为空格
cof.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR," ");
//2.设置输入格式
job.setInputFormatClass(KeyValueTextInputFormat.class);
  • KVTextMapper.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
package com.atguigu.mr.kv;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

//banzhang ni hao <banzhang,1>
public class KVTextMapper extends Mapper<Text, Text, Text, IntWritable> {

IntWritable intWritable = new IntWritable(1);

@Override
protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
//1封装对象

//2写出
context.write(key, intWritable);
}
}
  • KVTextReducer.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
package com.atguigu.mr.kv;

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

import java.io.IOException;

public class KVTextReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
IntWritable v = new IntWritable();

@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//<banzhang,1>
//<banzhang,1>

int sum = 0;
//1累加求和
for (IntWritable value : values) {
sum += value.get();
}

v.set(sum);

//2写出
context.write(key, v);
}
}
  • KVTextDriver.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
package com.atguigu.mr.kv;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader;
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class KVTextDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

args = new String[]{"F:/mr0529/input", "F:/mr0529/output"};

//1获取job对象
Configuration cof = new Configuration();

//设置分隔符
cof.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");
Job job = Job.getInstance(cof);

//2设置jar路径
job.setJarByClass(KVTextDriver.class);

//3关联mapper和reducer类
job.setMapperClass(KVTextMapper.class);
job.setReducerClass(KVTextReducer.class);

//4设置mapper输出的key和value类型
job.setMapOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

//5设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

//
job.setInputFormatClass(KeyValueTextInputFormat.class);

//6设置输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

//提交job
boolean result = job.waitForCompletion(true);

System.exit(result ? 0 : 1);

}
}

NLineInputFormat

如果使用NLineInputFormat,代表每个map进程处理的InputSplit不再按Block块去划分,而是按NLineInputFormat指定的行数N来划分。即输入文件的总行数/N=切片数,如果不整除,切片数=商+1

以下是一个示例,仍然以上边的4行输入为例子。

1
2
3
4
Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise

例如,如果N是2,则每个输入分片包含两行。开启3个MapTask。

1
2
(0,Rich learning form)
(19,Intelligent learning engine)

另一个mapper则受到后两行:

1
2
(47,Learning more convenient)
(72,From the real demand for more close to the enterprise)

这里的键值与TextInputFormat生成的一样,key是偏移量。

NLineInputFormat使用案例

需求

对每个单词进行个数统计,要求根据每个输入文件的行数来规定输出多少个切片。此案例要求每三行放入一个切片中。

(1)输入数据

1
2
3
4
5
6
7
8
9
10
11
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang banzhang ni hao
xihuan hadoop banzhang

(2)期望输出数据

1
Number of splits:4

需求分析

1.需求:对每个单词进行个数统计,要求每三行放入一个切片中。
2.输入数据
3.输出数据
4.Map阶段

(1)获取一行
(2)切割
(3)循环写出

5.Reduce阶段

(1)汇总
(2)输出

6.Driver

1
2
//设置每个切片InputSplit中划分三条记录
NLineInputFormat.setNumLinesPerSplit(job,3);
  • NLineMapper.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
package com.atguigu.mr.nline;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class NLineMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

Text k = new Text();
IntWritable v = new IntWritable(1);

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

//banzhang no hao

//1获取一行
String line = value.toString();

//2切割
String[] words = line.split(" ");

//3循环写出
for (String word : words) {
k.set(word);
context.write(k, v);
}
}
}
  • NLineReducer.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
package com.atguigu.mr.nline;

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

import java.io.IOException;

public class NLineReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

IntWritable v = new IntWritable();

@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//1累加求和
int sum = 0;

for (IntWritable value : values) {
sum += value.get();
}
v.set(sum);

//2写出
context.write(key, v);
}
}
  • NLineDriver.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
package com.atguigu.mr.nline;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.NLineInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class NLineDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

args = new String[]{"F:/mr0529/input", "F:/mr0529/output"};

//1获取job对象
Configuration cof = new Configuration();
Job job = Job.getInstance(cof);

//设置切片
NLineInputFormat.setNumLinesPerSplit(job, 3);

//使用NLineInputFormat处理记录数
job.setInputFormatClass(NLineInputFormat.class);

//2设置jar路径
job.setJarByClass(NLineDriver.class);

//3关联mapper和reducer类
job.setMapperClass(NLineMapper.class);
job.setReducerClass(NLineReducer.class);

//4设置mapper输出的key和value类型
job.setMapOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

//5设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

//6设置输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

//7提交job
job.waitForCompletion(true);
}
}

自定义InputFormat

在企业开发中,Hadoop框架自带的InputFormat类型不能满足所有应用场景,需要自定义InputFormat来解决实际问题。

自定义InputFormat步骤如下:

(1)自定义一个类继承FileInputFormat
(2)改写RecordReader,实现一次读取一个完整文件封装为KV
(3)在输出时使用SequenceFileOutPutFormat输出合并文件。

自定义InputFormat案例实操

无论HDFS还是MapReduce,在处理小文件时效率都非常低,但又难免面临处理大量小文件的场景,此时,就需要有相应解决方案。可以自定义InputFormat实现小文件的合并。

需求

将多个小文件合并成一个SequenceFile文件(SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式),SequenceFile里面存储着多个文件,存储的形式为文件路径+名称为key,文件内容为value。

  • 输入数据
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
---
one.txt
---

yongpeng weidong weinan
sanfeng luozong xiaoming

---
two.txt
---

longlong fanfan
mazong kailun yuhang yixin
longlong fanfan
mazong kailun yuhang yixin

---
three.txt
---

longlong fanfan
mazong kailun yuhang yixin
longlong fanfan
mazong kailun yuhang yixin
  • 期望输出文件格式
1
2
3
4
5
6
SEQorg.apache.hadoop.io.Text"org.apache.hadoop.io.BytesWritable      ?奀Wu授X@鼧?  W   "!file:/e:/inputinputformat/one.txt   1yongpeng weidong weinan
sanfeng luozong xiaoming Y $#file:/e:/inputinputformat/three.txt 1shuaige changmo zhenqiang
dongli lingu xuanxuan € "!file:/e:/inputinputformat/two.txt Zlonglong fanfan
mazong kailun yuhang yixin
longlong fanfan
mazong kailun yuhang yixin

需求分析

1、自定义一个类继承FileInputFormat

(1)重写`isSplitable()方法,返回false不可切割

(2)重写createRecordReader(), 创建自定义的RecordReader对象,并初始化

2、改写RecordReader, 实现一次读取一个完整文件封装为KV

(1)采用IO流一次读取一个文件输出到value中,因为设置了不可切片,最终把所有文件都封装到了value中

(2)获取文件路径信息+名称,并设置key

3、设置Driver

1
2
3
4
5
// (1) 设置输入的inputFormat
job.setInputFormatClass(WholeFileInputformat.class);

// (2) 设置输出的outputFormat
job.set0utputFormatClass(SequenceFileOutputFormat.class);

程序实现

(1)自定义InputFormat

WholeFileInputformat.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
package com.atguigu.mr.inputformat;

import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import java.io.IOException;

public class WholeFileInputFormat extends FileInputFormat<Text, BytesWritable> {

@Override
public RecordReader<Text, BytesWritable> createRecordReader(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
WholeRecordReader recordReader = new WholeRecordReader();
recordReader.initialize(inputSplit, taskAttemptContext);
return recordReader;
}
}

(2)自定义RecordReader类

WholeRecordReader.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
package com.atguigu.mr.inputformat;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.RecordReader;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;

public class WholeRecordReader extends RecordReader<Text, BytesWritable> {
FileSplit split;
Configuration configuration;
Text k = new Text();
BytesWritable v = new BytesWritable();
Boolean isProgress = true;

@Override
public void initialize(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
//初始化
this.split = (FileSplit) inputSplit;

//获取配置信息待用
configuration = taskAttemptContext.getConfiguration();
}

@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
//核心业务逻辑
if (isProgress) {
byte[] buf = new byte[(int) split.getLength()];
//1.获取fs对象
Path path = split.getPath();
FileSystem fs = path.getFileSystem(configuration);

//2.获取输入流
FSDataInputStream fis = fs.open(path);

//3.拷贝到缓存
IOUtils.readFully(fis, buf, 0, buf.length);//创建缓存的原因是封装方法只接受bug

//4.封装v
v.set(buf, 0, buf.length);

//5.封装k
k.set(path.toString());

//6.关闭资源
IOUtils.closeStream(fis);

isProgress = false;
return true;
}
return false;
}

@Override
public Text getCurrentKey() throws IOException, InterruptedException {
return k;
}

@Override
public BytesWritable getCurrentValue() throws IOException, InterruptedException {
return v;
}

@Override
public float getProgress() throws IOException, InterruptedException {
return 0;
}

@Override
public void close() throws IOException {

}
}

(3)编写SequenceFileMapper类处理流程

SequcnceFileMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
package com.atguigu.mr.inputformat;

import org.apache.hadoop.io.BytesWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class SequcnceFileMapper extends Mapper<Text, BytesWritable, Text, BytesWritable> {
@Override
protected void map(Text key, BytesWritable value, Context context) throws IOException, InterruptedException {
context.write(key, value);
}
}

(4)编写SequenceFileReducer类处理流程

SequcnceFileReducer.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
package com.atguigu.mr.inputformat;

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

import java.io.IOException;

public class SequcnceFileReducer extends Reducer<Text, BytesWritable, Text, BytesWritable> {

@Override
protected void reduce(Text key, Iterable<BytesWritable> values, Context context) throws IOException, InterruptedException {
//循环写出
for (BytesWritable value : values) {
context.write(key, value);
}
}
}

(5)编写SequenceFileDriver类处理流程

SequcnceFileDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
package com.atguigu.mr.inputformat;

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

import java.io.IOException;

public class SequcnceFileDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
//输入输入路径
args = new String[]{"f:/IDEAWS/dashuju/input", "f:/IDEAWS/dashuju/output"};

//1.获取job对象
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

//2.设置jar包存放位置、关联自定义的mapper和reducer
job.setJarByClass(SequcnceFileDriver.class);
job.setMapperClass(SequcnceFileMapper.class);
job.setReducerClass(SequcnceFileReducer.class);

//7.设置输入的inputFormat
job.setInputFormatClass(WholeFileInputFormat.class);
//8.设置输出的outputFormat
job.setOutputFormatClass(SequenceFileOutputFormat.class);

//3.设置map端输出的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(BytesWritable.class);

//4.设置做最终输出端的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(BytesWritable.class);

//5.设置输入输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

//6.提交job
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}

MapReduce工作流程

MapReduce工作流程-1

MapReduce工作流程-2

流程详解

上面的流程是整个MapReduce最全工作流程,但是Shuffle过程只是从第7步开始到第16步结束,具体Shuffle过程详解,如下:
1)MapTask收集我们的map()方法输出的kv对,放到内存缓冲区中
2)从内存缓冲区不断溢出本地磁盘文件,可能会溢出多个文件
3)多个溢出文件会被合并成大的溢出文件
4)在溢出过程及合并的过程中,都要调用Partitioner进行分区和针对key进行排序
5)ReduceTask根据自己的分区号,去各个MapTask机器上取相应的结果分区数据
6)ReduceTask会取到同一个分区的来自不同MapTask的结果文件,ReduceTask会将这些文件再进行合并(归并排序)
7)合并成大文件后,Shuffle的过程也就结束了,后面进入ReduceTask的逻辑运算过程(从文件中取出一个一个的键值对Group,调用用户自定义的reduce()方法)

注意

Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率,原则上说,缓冲区越大,磁盘io的次数越少,执行速度就越快。
缓冲区的大小可以通过参数调整,参数:io.sort.mb默认100M。

源码解析流程

1
2
3
4
5
6
7
8
9
10
11
12
context.write(k, NullWritable.get());
output.write(key, value);
collector.collect(key, value,partitioner.getPartition(key, value, partitions));
HashPartitioner();
collect()
close()
collect.flush()
sortAndSpill()
sort() QuickSort
mergeParts();

collector.close();

Shuffle机制

Shuffle机制

Map方法之后,Reduce方法之前的数据处理过程称之为Shuffle。

Shuffle机制

Shuffle机制在MapTask和ReduceTask有重叠。

Partition分区

1、问题引出

要求将统计结果按照条件输出到不同文件中(分区)。

比如:将统计结果按照手机归属地不同省份输出到不同文件中(分区)

2、默认Partitioner分区

1
2
3
public class HashPartitioner<K, V> extends Partitioner<K, V> {

publiC int getPartition(K key, V value,int numReduceTasks) {return (key .hashCode() & Integer.MAX_ VALUE) % numReduceTasks;

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。

  1. 自定义Partitioner步骤

(1)自定义类继承Partitioner, 重写getPartition()方法

1
2
3
4
5
6
7
8
9
public class CustomPartitioner extends Partitioner<Text, FlowBean> [

@Override

public int getPartition(Text key, FlowBean value, int numPartitions) {
//控制分区代码逻辑
... ...
return partition;
}

(2)在Job驱动中,设置自定义Partitioner

1
job.setPartitionerClass(CustomPartitioner.class);

(3)自定义Partition后, 要根据自定义Partitioner的逻辑设置相应数量的ReduceTask

1
job.setNumReduceTasks(5);

4、分区总结

(1)如果ReduceTask的数量 > getPatition的结果数,则会多产性几个空的输出文件part-1-000xx;

(2)如果1 < ReduceTask的数量 < getPation的结果数,则有一部分分区数据无处安放,会Exception;

(3)如果ReduceTask的数量 = 1,则不管MapTask端输出多少个分区文件,最终结果都交给这一个ReduceTask,最终也就只会产生一个结果文件pat-r-00000;

(4)分区号必须从零开始,逐一累加。

5、案例分析

例如:假设自定义分区数为5,则

(1)job.setNumReduceTasks(1); 会正常运行,只不过会产生一个输出文件
(2)job.setNumReduceTasks(2); 会报错
(3) job.setNumReduceTask<(6); 大于5,程序会正常运行,会产生空文件

Partition分区案例实操

需求分析

(1)需求

将统计结果按照手机归属地不同省份输出到不同文件中(分区)

(2)输入数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1	13736230513	192.196.100.1	www.atguigu.com	2481	24681	200
2 13846544121 192.196.100.2 264 0 200
3 13956435636 192.196.100.3 132 1512 200
4 13966251146 192.168.100.1 240 0 404
5 18271575951 192.168.100.2 www.atguigu.com 1527 2106 200
6 84188413 192.168.100.3 www.atguigu.com 4116 1432 200
7 13590439668 192.168.100.4 1116 954 200
8 15910133277 192.168.100.5 www.hao123.com 3156 2936 200
9 13729199489 192.168.100.6 240 0 200
10 13630577991 192.168.100.7 www.shouhu.com 6960 690 200
11 15043685818 192.168.100.8 www.baidu.com 3659 3538 200
12 15959002129 192.168.100.9 www.atguigu.com 1938 180 500
13 13560439638 192.168.100.10 918 4938 200
14 13470253144 192.168.100.11 180 180 200
15 13682846555 192.168.100.12 www.qq.com 1938 2910 200
16 13992314666 192.168.100.13 www.gaga.com 3008 3720 200
17 13509468723 192.168.100.14 www.qinghua.com 7335 110349 404
18 18390173782 192.168.100.15 www.sogou.com 9531 2412 200
19 13975057813 192.168.100.16 www.baidu.com 11058 48243 200
20 13768778790 192.168.100.17 120 120 200
21 13568436656 192.168.100.18 www.alibaba.com 2481 24681 200
22 13568436656 192.168.100.19 1116 954 200

(3)期望输出数据

手机号136、137、138、139开头都分别放到一个独立的4个文件中,其他开头的放到一个文件中。

(4)增加一个ProvicePartitioner分区

1
2
3
4
5
136		分区0
137 分区1
138 分区2
139 分区3
其他 分区4

(5)Driver驱动类

1
2
3
4
5
//指定自定义数据分区
job.setPartitionerClass(ProvincePartitioner.class);

//同时指定相应数量的reduceTask
job.setNumReduceTasks(5);

3.在案例2.4的基础上,增加一个分区类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
package com.atguigu.mapreduce.flowsum;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class ProvincePartitioner extends Partitioner<Text, FlowBean> {

@Override
public int getPartition(Text key, FlowBean value, int numPartitions) {

// 1 获取电话号码的前三位
String preNum = key.toString().substring(0, 3);

int partition = 4;

// 2 判断是哪个省
if ("136".equals(preNum)) {
partition = 0;
}else if ("137".equals(preNum)) {
partition = 1;
}else if ("138".equals(preNum)) {
partition = 2;
}else if ("139".equals(preNum)) {
partition = 3;
}

return partition;
}
}

4.在驱动函数中增加自定义数据分区设置和ReduceTask设置

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
package com.atguigu.mapreduce.flowsum;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class FlowsumDriver {

public static void main(String[] args) throws IllegalArgumentException, IOException, ClassNotFoundException, InterruptedException {

// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[]{"e:/output1","e:/output2"};

// 1 获取配置信息,或者job对象实例
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);

// 2 指定本程序的jar包所在的本地路径
job.setJarByClass(FlowsumDriver.class);

// 3 指定本业务job要使用的mapper/Reducer业务类
job.setMapperClass(FlowCountMapper.class);
job.setReducerClass(FlowCountReducer.class);

// 4 指定mapper输出数据的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);

// 5 指定最终输出的数据的kv类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);

// 8 指定自定义数据分区
job.setPartitionerClass(ProvincePartitioner.class);

// 9 同时指定相应数量的reduce task
job.setNumReduceTasks(5);

// 6 指定job的输入原始文件所在目录
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 7 将job中配置的相关参数,以及job所用的java类所在的jar包, 提交给yarn去运行
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}

WritableComparable排序

排序概述

排序是MapReduce框架中最重要的操作之一。

MapTask和ReduceTask均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序,而不管逻辑上是否需要。

默认排序是按照字典顺序排序,且实现该排序的方法是快速排序。

对于MapTask,它会将处理的结果暂时放到环形缓冲区中,当环形缓冲区使用率达到一定阈值后,再对缓冲区中的数据进行一次快速排序,并将这些有序数据溢写到磁盘上,而当数据处理完毕后,它会对磁盘上所有文件进行归并排序。

对于ReduceTask,它从每个MapTask上远程拷贝相应的数据文件,如果文件大小超过一定阈值,则溢写磁盘上,否则存储在内存中。如果磁盘上文件数目达到一定阈值,则进行一次归并排序以生成一个更大文件;如果内存中文件大小或者数目超过一定阈值,则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后,ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。

排序分类

(1)部分排序

MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。

(2)全排序

最终输出结果只有一个文件,文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低,因为-台机器处理所有文件,完全丧失了MapReduce所提供的并行架构。

(3)辅助排序: (GroupingComparator分组)

在Reduce端对key进行分组。应用于:在接收的key为bean对象时,想让一个或几个字段相同(全部字段比较不相同)的key进入到同一个reduce方法时,可以采用分组排序。

(4)二次排序

在自定义排序过程中,如果compareTo中的判断条件为两个即为二次排序。

自定义排序WritableComparable

(1)原理分析

bean对象做为key传输,需要实现WritableComparable接口重写compareTo方法,就可以实现排序。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
@Override
public int compareTo(FlowBean o) {

int result;

// 按照总流量大小,倒序排列
if (sumFlow > bean.getSumFlow()) {
result = -1;
}else if (sumFlow < bean.getSumFlow()) {
result = 1;
}else {
result = 0;
}

return result;
}

WritableComparable排序案例实操(全排序)

需求分析

(1)需求

根据案例2.3产生的结果再次对总流量进行排序。

(2)输入数据

原始数据 第一次处理后的数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1	13736230513	192.196.100.1	www.atguigu.com	2481	24681	200
2 13846544121 192.196.100.2 264 0 200
3 13956435636 192.196.100.3 132 1512 200
4 13966251146 192.168.100.1 240 0 404
5 18271575951 192.168.100.2 www.atguigu.com 1527 2106 200
6 84188413 192.168.100.3 www.atguigu.com 4116 1432 200
7 13590439668 192.168.100.4 1116 954 200
8 15910133277 192.168.100.5 www.hao123.com 3156 2936 200
9 13729199489 192.168.100.6 240 0 200
10 13630577991 192.168.100.7 www.shouhu.com 6960 690 200
11 15043685818 192.168.100.8 www.baidu.com 3659 3538 200
12 15959002129 192.168.100.9 www.atguigu.com 1938 180 500
13 13560439638 192.168.100.10 918 4938 200
14 13470253144 192.168.100.11 180 180 200
15 13682846555 192.168.100.12 www.qq.com 1938 2910 200
16 13992314666 192.168.100.13 www.gaga.com 3008 3720 200
17 13509468723 192.168.100.14 www.qinghua.com 7335 110349 404
18 18390173782 192.168.100.15 www.sogou.com 9531 2412 200
19 13975057813 192.168.100.16 www.baidu.com 11058 48243 200
20 13768778790 192.168.100.17 120 120 200
21 13568436656 192.168.100.18 www.alibaba.com 2481 24681 200
22 13568436656 192.168.100.19 1116 954 200

(3)期望输出数据

1
2
3
4
13509468723	7335	110349	117684
13736230513 2481 24681 27162
13956435636 132 1512 1644
13846544121 264 0 264

(4)FlowBean实现WritableComparable接口重写CompareTo方法

1
2
3
4
5
@Override
public int compareTo(FlowBean o) {
//倒序排列,按照流量从大到小
return this.sumFlow > o.getSumFolw() ? -1 : 1;
}

(5)Mapper类

1
context.write(bean, 手机号)

(6)Reducer类

1
2
3
4
//循环输出,避免总流量相同情况
for (Text text : values) {
context.write(text, key);
}

代码实现

(1)FlowBean对象在在需求1基础上增加了比较功能

FlowBean.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
package com.atguigu.mr.sort;

import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class FlowBean implements WritableComparable<FlowBean> {

private long upFlow; //上行流量
private long downFlow; //下行流量
private long sumFlow; //总流量

//空参构造,为了后续反射使用
public FlowBean() {
super();
}

public FlowBean(long upFlow, long downFlow) {
super();

this.upFlow = upFlow;
this.downFlow = downFlow;
sumFlow = upFlow + downFlow;
}

//序列化方法
@Override
public void write(DataOutput dataOutput) throws IOException {
dataOutput.writeLong(upFlow);
dataOutput.writeLong(downFlow);
dataOutput.writeLong(sumFlow);
}

//反序列化方法
@Override
public void readFields(DataInput dataInput) throws IOException {
//注意书写顺序
upFlow = dataInput.readLong();
downFlow = dataInput.readLong();
sumFlow = dataInput.readLong();
}

//比较方法
@Override
public int compareTo(FlowBean bean) {
int result;

//核心比较条件判断
if (sumFlow > bean.getSumFlow()){
result = -1;
} else if (sumFlow < bean.getSumFlow()) {
result = 1;
} else {
result = 0;
}

return result;
}

@Override
public String toString() {
return upFlow + "\t" + downFlow + "\t" + sumFlow;
}

public long getUpFlow() {
return upFlow;
}

public long getDownFlow() {
return downFlow;
}

public long getSumFlow() {
return sumFlow;
}

public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}

public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}

public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
}

(2)编写Mapper类

FlowCountSortMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
package com.atguigu.mr.sort;

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

import java.io.IOException;

public class FlowCountSortMapper extends Mapper<LongWritable, Text, FlowBean, Text> {

FlowBean k = new FlowBean();
Text v = new Text();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1.获取一行
String line = value.toString();

//2.切割
String[] fields = line.split("\t");

//3.封装对象
String phonenum = fields[0];
long upFlow = Long.parseLong(fields[1]);
long downFlow = Long.parseLong(fields[2]);
long sumFlow = Long.parseLong(fields[3]);

k.setDownFlow(downFlow);
k.setUpFlow(upFlow);
k.setSumFlow(sumFlow);

v.set(phonenum);

//4.写出
context.write(k, v);
}
}

(3)编写Reducer类

FlowCountSortReducer.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
package com.atguigu.mr.sort;

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

import java.io.IOException;

public class FlowCountSortReducer extends Reducer<FlowBean, Text, Text, FlowBean> {
@Override
protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
for (Text value : values) {
context.write(value, key);
}
}
}

(4)编写Driver类

FlowCountSortDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
package com.atguigu.mr.sort;

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

import java.io.IOException;

public class FlowCountSortDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
args = new String[]{"F:/IDEAWS/dashju/input1", "F:/IDEAWS/dashju/output2"};

Configuration conf = new Configuration();
//1.获取job对象
Job job = Job.getInstance(conf);

//2.设置jar路径
job.setJarByClass(FlowCountSortDriver.class);

//3.关联mapper和reducer
job.setMapperClass(FlowCountSortMapper.class);
job.setReducerClass(FlowCountSortReducer.class);

//4.设置mapper输出的key和value类型
job.setMapOutputKeyClass(FlowBean.class);
job.setMapOutputValueClass(Text.class);

//5.设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);

//6.设置输入输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

//7.提交job
boolean result = job.waitForCompletion(true);

System.out.println(result ? 0 : 1);
}
}

WritableComparable排序案例实操(区内排序)

需求分析

要求每个省份手机号输出的文件中按照总流量内部排序。

基于前一个需求,增加自定义分区类,分区按照省份手机号设置。

案例实操

(1)增加自定义分区类

(2)在驱动类中添加分区类

ProvincePartitioner.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
package com.atguigu.mr.sort2;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class ProvincePartitioner extends Partitioner<FlowBean, Text> {

@Override
public int getPartition(FlowBean flowBean, Text value, int numPartitions) {
//按照手机号前三位分区
String prePhoneNum = value.toString().substring(0, 3);

int Partition = 4;

if ("136".equals(prePhoneNum)) {
Partition = 0;
} else if ("137".equals(prePhoneNum)) {
Partition = 1;
} else if ("138".equals(prePhoneNum)) {
Partition = 2;
} else if ("139".equals(prePhoneNum)) {
Partition = 3;
}

return Partition;
}
}

FlowCountSortDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
package com.atguigu.mr.sort2;

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

import java.io.IOException;

public class FlowCountSortDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
args = new String[]{"F:/IDEAWS/dashju/input3", "F:/IDEAWS/dashju/output3"};

Configuration conf = new Configuration();
//1.获取job对象
Job job = Job.getInstance(conf);

//2.设置jar路径
job.setJarByClass(FlowCountSortDriver.class);

//3.关联mapper和reducer
job.setMapperClass(FlowCountSortMapper.class);
job.setReducerClass(FlowCountSortReducer.class);

//4.设置mapper输出的key和value类型
job.setMapOutputKeyClass(FlowBean.class);
job.setMapOutputValueClass(Text.class);

//5.设置最终输出的key和value类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);

//6.设置输入输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// --!--
// 8.指定自定义数据分区
job.setPartitionerClass(ProvincePartitioner.class);
// 9.同时指定相应数量的reduce task
job.setNumReduceTasks(5);
// --!--

//7.提交job
boolean result = job.waitForCompletion(true);

System.out.println(result ? 0 : 1);
}
}

Combiner合并

需求

统计过程中对每一个MapTask的输出进行局部汇总,以减小网络传输量即采用Combiner功能。

(1)Combiner是MR程序中Mapper和Reducer之外的一种组件。
(2)Combiner组件的父类就是Reducer。
(3)Combinen和Reducer的区别在于运行的位置,Combiner是在每一个MapTask所在的节点运行,Reducer是接收全局所有Mapper的输出结果;
(4)Combiner的意义就是对每一个MapTask的输出进行局部汇总,以减小网络传输量。
(5)Combiner能够应用的前提是不能影响最终的业务逻辑,而且,Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

  • 用大数据框架求平均值

在Mapper阶段:

1
2
3 5 7 -》 (3+5+7)/3=5
2 6 -》(2+6)/2=4

在Reduce阶段:

1
(3+5+7+2+6)/5=23/5 不等于 (5+4)/2=9/2

这种情况下使用combiner就会影响真实的业务逻辑

(6)自定义Combiner实现步骤

(a)自定义一个Combiner继承Reducer,重写Reduce方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
public class WordcountCombiner extends Reducer<Text, IntWritable, Text,IntWritable>{

@Override
protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {

// 1 汇总操作
int count = 0;
for(IntWritable v :values){
count += v.get();
}

// 2 写出
context.write(key, new IntWritable(count));
}
}

(b)在Job驱动类中设置:

1
job.setCombinerClass(WordcountCombiner.class);

Combiner合并案例实操

需求分析

(1)需求

统计过程中对每一个MapTask的输出进行局部汇总,以减小网络传输量即采用Combiner功能。

(2)数据输入

1
2
3
4
5
6
banzhang ni hao
xihuan hadoop
banzhang
banzhang ni hao
xihuan hadoop
banzhang
1
2
3
4
5
<banzhang,4>
<ni,2>
<hao,2>
<xihuan,2>
<hadoop,2>

(3)期望输出

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Map-Reduce Framework
Map input records=6
Map output records=12
Map output bytes=126
Map output materialized bytes=66
Input split bytes=121

Combine input records=12
Combine output records=5

Reduce input groups=5
Reduce shuffle bytes=66
Reduce input records=5
Reduce output records=5
Spilled Records=10
Shuffled Maps =1
Failed Shuffles=0
Merged Map outputs=1
GC time elapsed (ms)=9
Total committed heap usage (bytes)=2058354688

正常wordcount控制台输出

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Map-Reduce Framework
Map input records=6
Map output records=12
Map output bytes=126
Map output materialized bytes=156
Input split bytes=121

Combine input records=0
Combine output records=0

Reduce input groups=5
Reduce shuffle bytes=156
Reduce input records=12
Reduce output records=5
Spilled Records=24
Shuffled Maps =1
Failed Shuffles=0
Merged Map outputs=1
GC time elapsed (ms)=14
Total committed heap usage (bytes)=2058354688

(4)方案一

增加一个WordcountCombiner类继承Reducer
在WordcountCombiner中,统计单词汇总,将统计结果输出

(5)方案二

将WordcountReducer作为Combiner在WordcountDriver驱动类中指定job.setCombinerClass(WordcountCombiner.class);

案例实操-方案一

  • 增加一个WordcountCombiner类继承Reducer

WordcountCombiner.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
package com.atguigu.mr.combiner1;

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

import java.io.IOException;

public class WordcountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {

IntWritable v = new IntWritable();

@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//1累加求和
int sum = 0;
for (IntWritable value : values) {
sum += value.get();
}

v.set(sum);

//2写出
context.write(key, v);
}
}
  • 在WordcountDriver驱动类中指定Combiner
1
2
// 指定需要使用combiner,以及用哪个类作为combiner的逻辑
job.setCombinerClass(WordcountCombiner.class);

案例实操-方案二

  • 将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
1
2
// 指定需要使用Combiner,以及用哪个类作为Combiner的逻辑
job.setCombinerClass(WordcountReducer.class);

GroupingComparator分组(辅助排序)

对Reduce阶段的数据根据某一个或几个字段进行分组。

分组排序步骤
(1)自定义类继承WritableComparator
(2)重写compare()方法

1
2
3
4
5
@Override
public int compare(WritableComparable a, WritableComparable b) {
// 比较的业务逻辑
return result;
}

(3)创建一个构造将比较对象的类传给父类

1
2
3
protected OrderGroupingComparator() {
super(OrderBean.class, true);
}

GroupingComparator分组案例实操

需求分析

(1)需求

有如下订单数据

订单id 商品id 成交金额
0000001 Pdt_01 222.8
Pdt_02 33.8
0000002 Pdt_03 522.8
Pdt_04 122.4
Pdt_05 722.4
0000003 Pdt_06 232.8
Pdt_02 33.8

现在需要求出每一个订单中最贵的商品

(2)输入数据

1
2
3
4
5
6
7
0000001 Pdt_01 222.8
0000002 Pdt_05 722.4
0000001 Pdt_02 33.8
0000003 Pdt_06 232.8
0000003 Pdt_02 33.8
0000002 Pdt_03 522.8
0000002 Pdt_04 122.4

(3)期望输出

1
2
3
1	222.8
2 722.4
3 232.8

(4)思路分析

a.利用订单id和成交金额作为key,可以将Map阶段读取到的所有订单数据按照id升序排序,如果id相同再按照金额降序排序,发送到Reduce。
b.在Reduce端利用groupingComparator将订单id相同的kv聚合成组,然后取第一个即是该订单中最贵商品,

(5)MapTask阶段

a.Map中处理的事情:

获取一行
切割出每个字段
一行封装成bean对象

1
2
3
4
5
6
7
8
					订单id	价格
bean1,nullwritable 0000001 222.8
bean2,nullwritable 0000002 722.4
bean3,nullwritable 0000001 33.8
bean4,nullwritable 0000003 232.8
bean5,nullwritable 0000003 33.8
bean6,nullwritable 0000002 522.8
bean7,nullwritable 0000002 122.4

b.二次排序

先根据订单id排序,如果订单id相同再根据价格降序排序

1
2
3
4
5
6
7
0000001 222.8
0000001 33.8
0000002 722.4
0000002 522.8
0000002 122.4
0000003 232.8
0000004 33.8

(6)ReduceTask阶段

a.辅助排序

对从map端拉去过来的数据再次进行排序,只要订单id相同就认为是相同key。

b.Reduce方法只把第一组key的第一个写出去

代码实现

(1)定义订单信息OrderBean类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
package com.atguigu.mr.order;

import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class OrderBean implements WritableComparable<OrderBean> {
private int order_id; //订单id 号
private double order_price; //价格

public int getOrder_id() {
return order_id;
}

public double getOrder_price() {
return order_price;
}

public void setOrder_id(int order_id) {
this.order_id = order_id;
}

public void setOrder_price(double order_price) {
this.order_price = order_price;
}

public OrderBean() {
super();
}

public OrderBean(int oredr_id, double price) {
this.order_id = oredr_id;
this.order_price = price;
}

@Override
public void write(DataOutput out) throws IOException {
out.writeInt(order_id);
out.writeDouble(order_price);
}

@Override
public void readFields(DataInput in) throws IOException {
order_id = in.readInt();
order_price = in.readDouble();
}

//二次排序
@Override
public int compareTo(OrderBean o) {
int result = 0;

//先按照订单号
if (order_id > o.getOrder_id()) {
result = 1;
} else if (order_id < o.getOrder_id()) {
result = -1;
} else {
//再按照价格排序
if (order_price > o.getOrder_price()) {
result = 1;
} else if (order_price < o.getOrder_price()) {
result = -1;
} else {
result = 0;
}
}

return result;
}

@Override
public String toString() {
return order_id + "\t" + order_price;
}
}

(2)编写OrderSortMapper类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
package com.atguigu.mr.order;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class OrderSortMapper extends Mapper<LongWritable, Text, OrderBean, NullWritable> {

OrderBean k = new OrderBean();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//1获取一行
String line = value.toString();

//2分割截取
String[] fields = line.split(" ");

//3封装对象
k.setOrder_id(Integer.parseInt(fields[0]));
k.setOrder_price(Double.parseDouble(fields[2]));

//4写出
context.write(k, NullWritable.get());
}
}

(3)编写OrderSortReducer类

1
2
3
4
5
6
7
8
9
10
11
12
13
package com.atguigu.mr.order;

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class OrderReducer extends Reducer<OrderBean, NullWritable, OrderBean, NullWritable> {
@Override
protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
context.write(key, NullWritable.get());
}
}

(4)编写OrderSortDriver类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
package com.atguigu.mr.order;

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

import java.io.IOException;

public class OrderDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[]{"F:/IDEAWS/dashju/orderinput1", "F:/IDEAWS/dashju/orderoutput1"};

// 1 获取配置信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

// 2 设置jar包加载路径
job.setJarByClass(OrderDriver.class);

// 3 加载map/reduce类
job.setMapperClass(OrderSortMapper.class);
job.setReducerClass(OrderSortReducer.class);

// 4 设置map输出数据key和value类型
job.setMapOutputKeyClass(OrderBean.class);
job.setMapOutputValueClass(NullWritable.class);

// 5 设置最终输出数据的key和value类型
job.setOutputKeyClass(OrderBean.class);
job.setOutputValueClass(NullWritable.class);

// 6 设置输入数据和输出数据路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 7 提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}

在不分组前运行得到结果为

1
2
3
4
5
6
7
1	222.8
1 33.8
2 722.4
2 522.8
2 122.4
3 232.8
3 33.8

结果表明key不相同,key.id相同,所以输出按照不同对象输出。

(5)编写OrderSortGroupingComparator类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
package com.atguigu.mr.order;

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

public class OrderGroupingComparator extends WritableComparator {

//必须创建空参构造
protected OrderGroupingComparator() {
super(OrderBean.class, true); //如果不返回true则不会创建对象
}

@Override
public int compare(WritableComparable a, WritableComparable b) {
int result;

OrderBean orderBean_a = (OrderBean) a;
OrderBean orderBean_b = (OrderBean) b;

if (orderBean_a.getOrder_id() > orderBean_b.getOrder_id()) {
result = 1;
} else if (orderBean_a.getOrder_id() < orderBean_b.getOrder_id()) {
result = -1;
} else {
//如果是0就认为是一组数据
result = 0;
}

return result;
}
}

(6)增加Driver驱动关联

1
2
// 8 设置reduce端的分组
job.setGroupingComparatorClass(OrderGroupingComparator.class);

运行结果:

1
2
3
1	222.8
2 722.4
3 232.8

想要输出top3,在reducer中循环输出即可

1
2
3
for (NullWritable nullWritable : values) {
context.write(key, NullWritable.get());
}

MapTask工作机制

MapTask + ReduceTask = MapReduce

MapTask工作机制

-(1)Read阶段:MapTask通过用户编写的RecordReader,从输入InputSplit中解析出一个个key/value

-(2)Map阶段:该节点主要是将解析出的key/value交给用户编写map()函数处理,并产生一系列新的key/value

-(3)Collect收集阶段:在用户编写map()函数中,当数据处理完成后,一般会调用OutputCollector.collect()输出结果。在该函数内部,它会将生成的key/value分区(调用Partitioner),并写入一个环形内存缓冲区中。

-(4)Spill阶段:即溢写,当环形缓冲区满后,MapReduce会将数据写到本地磁盘上,生成一个临时文件。需要注意的是,将数据写入本地磁盘之前,先要对数据进行一次本地排序,并在必要时对数据进行合并、压缩等操作。

  • 溢写阶段详情:

步骤1:利用快速排序算法对缓存区内的数据进行排序,排序方式是,先按照分区编号Partition进行排序,然后按照key进行排序。这样,经过排序后,数据以分区为单位聚集在一起,且同一分区内所有数据按照key有序。

步骤2:按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out(N表示当前溢写次数)中。如果用户设置了Combiner,则写入文件之前,对每个分区中的数据进行一次聚集操作。

步骤3:将分区数据的元信息写到内存索引数据结构SpillRecord中,其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB,则将内存索引写到文件output/spillN.out.index中。

-(5)Combine阶段:当所有数据处理完成后,MapTask对所有临时文件进行一次合并,以确保最终只会生成一个数据文件。

当所有数据处理完后,MapTask会将所有临时文件合并成一个大文件,并保存到文件output/file.out中,同时生成相应的索引文件output/file.out.index

在进行文件合并过程中,MapTask以分区为单位进行合并。对于某个分区,它将采用多轮递归合并的方式。每轮合并io.sort.factor(默认10)个文件,并将产生的文件重新加入待合并列表中,对文件排序后,重复以上过程,直到最终得到一个大文件。

让每个MapTask最终只生成一个数据文件,可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

ReduceTask工作机制

ReduceTask工作机制

ReduceTask工作机制

  • (1)Copy阶段:ReduceTask从各个MapTask上远程拷贝一片数据,并针对某一片数据,如果其大小超过一定阈值,则写到磁盘上,否则直接放到内存中。

  • (2)Merge阶段:在远程拷贝数据的同时,ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并,以防止内存使用过多或磁盘上文件过多。

  • (3)Sort阶段:按照MapReduce语义,用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起,Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序,因此,ReduceTask只需对所有数据进行一次归并排序即可。

  • (4)Reduce阶段:reduce()函数将计算结果写到HDFS上。

设置ReduceTask并行度(个数)

ReduceTask的并行度同样影响整个Job的执行并发度和执行效率,但与MapTask的并发数由切片数决定不同,ReduceTask数量的决定是可以直接手动设置:

1
2
// 默认值是1,手动设置为4
job.setNumReduceTasks(4);

实验:测试ReduceTask多少合适

(1)实验环境:1个Master节点,16个Slave节点:CPU:8GHZ,内存: 2G,数据量为1G。
(2)实验结论:

MapTask =16
ReduceTask 1 5 10 15 16 20 25 30 45 60
总时间 892 146 110 92 88 100 128 101 145 104

实验结果符合正态分布,个数和集群环境因素有关。

注意事项

-(1)ReduceTask=0, 表示没有Reduce阶段,输出文件个数和Map个数一致。

-(2)ReduceTask默认值就是1, 所以输出文件个数为一个。

-(3)如果数据分布不均匀,就有可能在Reduce阶段产生数据倾斜。

-(4)ReduceTask数量并不是任意设置,还要考虑业务逻辑需求,有些情况下,需要计算全局汇总结果,就只能有1个ReduceTask。

-(5)具体多少个ReduceTask,需要根据集群性能而定。

-(6)如果分区数不是1,但是ReduceTask为1, 是否执行分区过程。答案是:不执行分区过程。因为在MapTask的源码中,执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

OutputFormat数据输出

OutputFormat接口实现类

OutputFornat是MapReduce输出的基类,所有实现MapReduce输出都实现了OutputFormat接口。下面我们介 绍几种常见的OutputFormat实现类。

1.文本输出TextOutputFormat

默认的输出格式是’TextOutputFomat,它把每条记录写为文本行。它的键和值可以是任意类型,因为TextOutputFormat调 用toString(方法把它们转换为字符串。

  1. SequenceFileOutputFormat

将SequenceFileOutputFormat输出作为后续MapReduce任务的输入,这便是一种好的输出格式,因为它的格式紧凑,很容易被压缩。

3.自定义OutputFormat

根据用户需求,自定义实现输出。

自定义OutputFromat

使用场景

为了试验控制最终该文件的输出路径和输出格式,可以自定义OutputFormat。

例如:要在一个MapReduce程序中根据数据的不同输出两类结果到不同目录,这类灵活的输出需求可以通过自定义OutPutForamt来实现。

自定义OutputFormat步骤

(1)自定义一个类继承FileOutputFormat。
(2)改写RecordWriter,具体改写输出数据的方法write()

自定义OutputFormat案例实操

需求分析

需求

过滤输入的log日志,包含atguigu的网站输出到f:/IDEAWS/dashuju/atguigu.log,不包含atguigu的网站输出到f:/IDEAWS/dashuju/other.log

输入数据
1
2
3
4
5
6
7
8
9
http://www.baidu.com
http://www.google.com
http://cn.bing.com
http://www.atguigu.com
http://www.sohu.com
http://www.sina.com
http://www.sin2a.com
http://www.sin2desa.com
http://www.sindsafa.com
期望输出数据

atguigu.log

1
http://www.atguigu.com

other.log

1
2
3
4
5
6
7
8
http://cn.bing.com
http://www.baidu.com
http://www.google.com
http://www.sin2a.com
http://www.sin2desa.com
http://www.sina.com
http://www.sindsafa.com
http://www.sohu.com
自定义一个OutputFormat类

(1)创建一个类FileRecordWriter继承RecordWriter

(a)创建两个文件的输出流:atguiguOut、otherOut;
(b)如果输入数据包含atguigu,输出到atguiguOut流;如果不包含atguigu,输出到otherOut流。

驱动类Driver
1
2
//要将自定义的输出格式组件设置到job中
job.setOutputFormatClass(FilterOutputFormat.class);

案例实操

  • (1)编写FilterMapper类

FilterMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
package com.atguigu.mr.outputformat;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class FilterMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

context.write(value, NullWritable.get());
}
}
  • (2)编写FilterReducer类

FilterReducer.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
package com.atguigu.mr.outputformat;

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

import java.io.IOException;

public class FilterReducer extends Reducer<Text, NullWritable, Text, NullWritable> {
Text k = new Text();

@Override
protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
//防止输出为一行
String line = key.toString();
line = line + "\r\n";
k.set(line);

//防止有重复的数据
for (NullWritable nullWritable : values) {
context.write(k, NullWritable.get());
}
}
}
  • (3)自定义一个OutputFormat类

FilterOutputFormat.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
package com.atguigu.mr.outputformat;

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class FilterOutputFormat extends FileOutputFormat<Text, NullWritable> {

@Override
public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
return new FRecordWriter(taskAttemptContext);
}
}
  • (4)编写RecordWriter类

FRecordWriter.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
package com.atguigu.mr.outputformat;

import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;

import java.io.IOException;

public class FRecordWriter extends RecordWriter<Text, NullWritable> {
FSDataOutputStream fosatguigu;
FSDataOutputStream fosother;

public FRecordWriter(TaskAttemptContext job) {

try {
// 1获取文件形同
FileSystem fs = FileSystem.get(job.getConfiguration());

// 2创建输出到atguigu.log的输出流
fosatguigu = fs.create(new Path("f:/IDEAWS/dashju/atguigu.log"));

// 3创建输出到other.log的输出流
fosother = fs.create(new Path("f:/IDEAWS/dashju/other.log"));

} catch (IOException e) {
e.printStackTrace();
}
}

@Override
public void write(Text text, NullWritable nullWritable) throws IOException, InterruptedException {
// 判断key当中是否有atguigu
if (text.toString().contains("atguigu")) {
// atguigu输出流
fosatguigu.write(text.toString().getBytes());
} else {
fosother.write(text.toString().getBytes());
}
}

@Override
public void close(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
IOUtils.closeStream(fosatguigu);
IOUtils.closeStream(fosother);
}
}
  • (5)编写FilterDriver类

FilterDrvier.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
package com.atguigu.mr.outputformat;

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

import java.io.IOException;

public class FilterDrvier {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[]{"F:/IDEAWS/dashju/inputformat", "F:/IDEAWS/dashju/outputformat"};

Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

job.setJarByClass(FilterDrvier.class);
job.setMapperClass(FilterMapper.class);
job.setReducerClass(FilterReducer.class);

job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);

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

// 要将自定义的输出格式组件设置到job中
job.setOutputFormatClass(FilterOutputFormat.class);

FileInputFormat.setInputPaths(job, new Path(args[0]));

// 虽然我们自定义了outputformat,但是因为我们的outputformat继承自fileoutputformat
// 而fileoutputformat要输出一个_SUCCESS文件,所以,在这还得指定一个输出目录
FileOutputFormat.setOutputPath(job, new Path(args[1]));

boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}

Join多种应用

Reduce Join

  • 工作原理

Map端的主要工作:为来自不同表或文件的key/value对,打标签以区别不同来源的记录。然后用连接字段作为key,其余部分和新加的标志作为value,最后进行输出。

Reduce端的主要工作:在Reduce端以连接字段作为key的分组已经完成,我们只需要在每一个分组当中将那些来源于不同文件的记录(在Map阶段已经打标志)分开,最后进行台并就k了。

  • 缺点

合并操作在reduce阶段完成,压力大,map端负载率极低,资源利用率不高,极易在reduce阶段产生数据倾斜。

Reduce Join案例实操

需求分析

通过将关联条件作为Map输出的key,将两表满足Join条件的数据并携带数据所来源的文件信息,发往同一个ReduceTask,在Reduce中进行数据的串联,

需求

将商品信息表中数据根据商品pid合并到订单数据表中。

输入数据
  • 订单数据表

order.txt - t_order

id pid amount
1001 01 1
1002 02 2
1003 03 3
1004 01 4
1005 02 5
1006 03 6
1
2
3
4
5
6
1001	01	1
1002 02 2
1003 03 3
1004 01 4
1005 02 5
1006 03 6
  • 商品数据表

pd.txt - t_product

pid pname
01 小米
02 华为
03 格力
1
2
3
01	小米
02 华为
03 格力
输出数据
id pname amount
1001 小米 1
1004 小米 4
1002 华为 2
1005 华为 5
1003 格力 3
1006 格力 6
1
2
3
4
5
6
7
id	pname	amount
1001 小米 1
1004 小米 4
1002 华为 2
1005 华为 5
1003 格力 3
1006 格力 6
MapTask
  • Map中处理的事情

获取输入文件类型
获取输入数据
不同文件分别处理
封装Bean对象输出

1
2
3
4
5
6
7
8
9
10
11
01	1001	1	order
02 1002 2 order
03 1003 3 order

01 1001 1 order
02 1002 2 order
03 1003 3 order

01 小米 pd
02 华为 pd
03 格力 pd
  • 默认对产品id排序
1
2
3
4
5
6
7
8
9
10
11
01	1001	1	order
01 1001 1 order
01 小米 pd

02 1002 2 order
02 1002 2 order
02 华为 pd

03 1003 3 order
03 1003 3 order
03 格力 pd
ReduceTask

缓存订单数据集合和产品表,然后合并

1
2
3
4
5
6
7
8
9
订单id	产品名称	数量
1001 小米 1
1001 小米 1

1002 华为 2
1002 华为 2

1003 格力 3
1003 格力 3

代码实现

  • 1)创建商品和订合并后的Bean类

TableBean.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
package com.atguigu.mr.table;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class TableBean implements Writable {
private String id; //订单id
private String pid; //产品id
private int amount; //产品数量
private String pname; //产品名称
private String flag; //标记,订单表or产品表

public TableBean() {
super();
}

public TableBean(String id, String pid, int amount, String pname, String flag) {
this.id = id;
this.pid = pid;
this.amount = amount;
this.pname = pname;
this.flag = flag;
}

public String getId() {
return id;
}

public String getPid() {
return pid;
}

public int getAmount() {
return amount;
}

public String getPname() {
return pname;
}

public String getFlag() {
return flag;
}

public void setId(String id) {
this.id = id;
}

public void setPid(String pid) {
this.pid = pid;
}

public void setAmount(int amount) {
this.amount = amount;
}

public void setPname(String pname) {
this.pname = pname;
}

public void setFlag(String flag) {
this.flag = flag;
}


@Override
public String toString() {
return id + "\t" + amount + "\t" + pname;
}

//序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeUTF(id);
out.writeUTF(pid);
out.writeInt(amount);
out.writeUTF(pname);
out.writeUTF(flag);
}

//反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
id = in.readUTF();
pid = in.readUTF();
amount = in.readInt();
pname = in.readUTF();
flag = in.readUTF();
}
}
  • 2)编写TableMapper类

TableMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
package com.atguigu.mr.table;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;

public class TableMapper extends Mapper<LongWritable, Text, Text, TableBean> {
String name;

//获取文件切片,用于区分表类型
@Override
protected void setup(Context context) throws IOException, InterruptedException {
//获取文件的名称
FileSplit inputSplit = (FileSplit) context.getInputSplit();
name = inputSplit.getPath().getName();
}

TableBean tableBean = new TableBean();
Text k = new Text();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//id pid amount
//1001 01 1

//pid pname
//01 小米

// 1 读取一行
String line = value.toString();

// 2 封装对象
if (name.startsWith("order")) { //认为订单表
String[] splits = line.split("\t");

tableBean.setId(splits[0]); //订单id
tableBean.setPid(splits[1]); //产品id
tableBean.setAmount(Integer.parseInt(splits[2])); //商品数量
tableBean.setPname(""); //补全序列化
tableBean.setFlag("order"); //区分表标记

k.set(splits[1]);
} else { //认为产品表
String[] splits = line.split("\t");

tableBean.setId(""); //补全序列化
tableBean.setPid(splits[0]); //产品id
tableBean.setAmount(0); //补全序列化
tableBean.setPname(splits[1]); //产品名称
tableBean.setFlag("pd"); //区分表标记

k.set(splits[0]);
}

// 3 写出
context.write(k, tableBean);
}
}
  • 3)编写TableReducer类

TableReducer.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
package com.atguigu.mr.table;

import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;

public class TableReducer extends Reducer<Text, TableBean, TableBean, NullWritable> {

@Override
protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
// 1 准备存储订单的集合
ArrayList<TableBean> orderBeans = new ArrayList<>();

// 2 准备bean对象
TableBean pdBean = new TableBean();

for (TableBean bean : values) {
if ("order".equals(bean.getFlag())) { //订单表
//拷贝传递过来的每条订单数据到集合中
TableBean tempBean = new TableBean();
try {
BeanUtils.copyProperties(tempBean, bean);//深拷贝
} catch (IllegalAccessException e) {
e.printStackTrace();
} catch (InvocationTargetException e) {
e.printStackTrace();
}

orderBeans.add(tempBean);
} else { //产品表
try {
BeanUtils.copyProperties(pdBean, bean);//深拷贝
} catch (IllegalAccessException e) {
e.printStackTrace();
} catch (InvocationTargetException e) {
e.printStackTrace();
}
}
}

for (TableBean bean : orderBeans) {
// 3 表的拼接
bean.setPname(pdBean.getPname());

// 4 数据写出
context.write(bean, NullWritable.get());
}
}
}
  • 4)编写TableDriver类

TableDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
package com.atguigu.mr.table;

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

import java.io.IOException;

public class TableDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
// 0 根据自己电脑路径重新配置
args = new String[]{"F:/IDEAWS/dashju/inputtable", "F:/IDEAWS/dashju/outputtable"};

// 1 获取配置信息,或者job对象实例
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);

// 2 指定本程序的jar包所在的本地路径
job.setJarByClass(TableDriver.class);

// 3 指定本业务job要使用的Mapper/Reducer业务类
job.setMapperClass(TableMapper.class);
job.setReducerClass(TableReducer.class);

// 4 指定Mapper输出数据的kv类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(TableBean.class);

// 5 指定最终输出的数据的kv类型
job.setOutputKeyClass(TableBean.class);
job.setOutputValueClass(NullWritable.class);

// 6 指定job的输入原始文件所在目录
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 7 将job中配置的相关参数,以及job所用的java类所在的jar包, 提交给yarn去运行
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);

}
}

Map Join

使用场景

Map Join适用于一张表十分小、一张表很大的场景。

优点

思考:在Reduce端处理过多的表,非常容易产生数据倾斜。怎么办?
在Map端缓存多张表,提前处理业务逻辑,这样增加Map端业务,减少Reduce端数据的压力,尽可能的减少数据倾斜。

具体办法:采用DistributedCache

(1)在Mapper的setup阶段,将文件读取到缓存集合中。
(2)在驱动函数中加载缓存。

1
2
// 缓存普通文件到Task运行节点。
job.addCacheFile(new URI("file://e:/IDEAWS/dashju/inputtable/pd.txt"));

需求分析

需求

同redece join

1)DistributedCacheDriver 缓存文件

1
2
3
4
// 1 加载缓存数据
job.addCacheFile(new URI("file://e:/IDEAWS/dashju/inputtable/pd.txt"));
// 2 Map端join的逻辑不需要Reduce阶段,设置ReduceTask数量为0
job.setNumReduceTasks(0);

2)读取缓存的文件数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
// setup()方法中
// 1 获取缓存的文件
// 2 循环读取缓存文件一行
// 3 切割
// 4 缓存数据到集合
// 5 关流

// map方法中
// 1 获取一行
// 2 截取
// 3 获取订单id
// 4 获取商品名称
// 5 拼接
// 6 写出

代码实现

  • (1)先在驱动模块中添加缓存文件

DistributedCacheDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
package com.atguigu.mr.cache;

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

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

public class DistributedCacheDriver {
public static void main(String[] args) throws InterruptedException, IOException, ClassNotFoundException, URISyntaxException {
// 0 根据自己电脑路径重新配置
args = new String[]{"F:/IDEAWS/dashju/inputtable2", "F:/IDEAWS/dashju/outputtable2"};

// 1 获取job信息
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);

// 2 设置加载jar包路径
job.setJarByClass(DistributedCacheDriver.class);

// 3 关联map
job.setMapperClass(DistributedCacheMapper.class);

// 4 设置最终输出数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);

// 5 设置输入输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 6 加载缓存数据
job.addCacheFile(new URI("file:///f:/IDEAWS/dashju/inputtable/pd.txt"));

// 7 Map端Join的逻辑不需要Reduce阶段,设置reduceTask数量为0
job.setNumReduceTasks(0);

// 8 提交
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
  • (2)读取缓存的文件数据

DistributedCacheMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
package com.atguigu.mr.cache;

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

import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;

public class DistributedCacheMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
Map<String, String> pdMap = new HashMap<>();

@Override
protected void setup(Context context) throws IOException, InterruptedException {
// 1 缓存小表
URI[] cacheFiles = context.getCacheFiles();
String path = cacheFiles[0].getPath().toString();

BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(path), "UTF-8"));

String line;

while (StringUtils.isNotEmpty(line = reader.readLine())) {
// 2 切割
String[] fields = line.split("\t");

// 3 缓存到集合
pdMap.put(fields[0], fields[1]);
}
// 4 关流
reader.close();
}

Text k = new Text();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();

// 2 截取
String[] fields = line.split("\t");

// 3 获取产品id
String pId = fields[1];

// 4 获取商品名称
String pdName = pdMap.get(pId);

// 5 拼接
k.set(fields[1] + "\t" + pdName + "\t" + fields[2]);

// 6 写出
context.write(k, NullWritable.get());
}
}

计数器应用

Hadoop为每个作业维护若干内置计数器,以秒数多项指标。例如,某些计数器记录已处理的字节数和记录数,使用户可监控已处理的输入数据量和已产生的输出数据量。

  • 计数器API

(1)采用枚举的方式统计计数

1
2
3
enum MyCounter{MALFORORMED, NORMAL}
//对枚举定义的自定义计数器增加1
context.getCounter(MyCounter.MALFORORMED).increment(1);

(2)采用计数器组、计数器名称的方式统计

1
2
//组名和计数器名称随便起,但最好有意义。
context.getCounter("counterGroup", "counter").increment(1);

(3)计数结果在程序运行后的控制台上查看

数据清洗(ETL)

在运行核心业务MapReduce之前,需要对数据进行清洗,清理掉不符合用户要求的数据。清理的过程只需要运行Mapper程序,不需要运行Reduce程序。

需求

  • 去除日志字段长度小于等于11的日志。

  • 输入数据

1
2
3
web.log(14619 line)

60.208.6.156 - - [18/Sep/2013:06:49:48 +0000] "GET /wp-content/uploads/2013/07/rcassandra.png HTTP/1.0" 200 185524 "http://cos.name/category/software/packages/" "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36"
  • 输出数据
1
每行字段长度都大于11

需求分析

需要在Map阶段对输入的数据根据规则进行过滤清洗。

实现代码-简单版

  • (1)编写LogMapper类

LogMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
package com.atguigu.mr.log;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();

// 2 解析数据
Boolean result = parseLog(line, context);
if (!result) {
return;
}

// 3 写出数据
context.write(value, NullWritable.get());
}

// 解析数据
private Boolean parseLog(String line, Context context) {
// 1 截取
String[] fields = line.split(" ");

// 2 日志长度大于11的为合法
if (fields.length > 11) {
//系统计数器
context.getCounter("map", "true").increment(1);
return true;
} else {
context.getCounter("map", "false").increment(1);
return false;
}
}
}
  • (2)编写LogDriver类

LogDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
package com.atguigu.mr.log;

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

import java.io.IOException;

public class LogDriver {
public static void main(String[] args) throws InterruptedException, IOException, ClassNotFoundException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[]{"F:/IDEAWS/dashju/inputlog", "F:/IDEAWS/dashju/outputlog"};

// 1 获取job信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

// 2 加载jar包
job.setJarByClass(LogDriver.class);

// 3 关联map
job.setMapperClass(LogMapper.class);

// 4 设置最终输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);

// 设置reducetask个数为0
job.setNumReduceTasks(0);

// 5 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 6 提交
job.waitForCompletion(true);
}
}
  • 运行结果
1
2
3
4
//控制台输出
map
false=849
true=13770

结果汇总数据变为13770 line

实现代码-复杂版

  • (1)定义一个bean,用来记录日志数据中的各数据字段

LogBean.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
package com.atguigu.mr.log2;

public class LogBean {
private String remote_addr; //记录客户端的ip
private String remote_user; //记录客户端用户名称,忽略属性"-"
private String time_local; //记录访问时间与时区
private String request; //记录请求的url与http协议
private String status; //记录请求状态;成功是200
private String body_bytes_sent; //记录发送给客户端文件主题内容大小
private String http_referer;// 用来记录从那个页面链接访问过来的
private String http_user_agent;// 记录客户浏览器的相关信息
private boolean valid = true;// 判断数据是否合法

public LogBean() {
super();
}

public LogBean(String remote_addr, String remote_user, String time_local, String request, String status, String body_bytes_sent, String http_referer, String http_user_agent, boolean valid) {
this.remote_addr = remote_addr;
this.remote_user = remote_user;
this.time_local = time_local;
this.request = request;
this.status = status;
this.body_bytes_sent = body_bytes_sent;
this.http_referer = http_referer;
this.http_user_agent = http_user_agent;
this.valid = valid;
}

public void setRemote_addr(String remote_addr) {
this.remote_addr = remote_addr;
}

public void setRemote_user(String remote_user) {
this.remote_user = remote_user;
}

public void setTime_local(String time_local) {
this.time_local = time_local;
}

public void setRequest(String request) {
this.request = request;
}

public void setStatus(String status) {
this.status = status;
}

public void setBody_bytes_sent(String body_bytes_sent) {
this.body_bytes_sent = body_bytes_sent;
}

public void setHttp_referer(String http_referer) {
this.http_referer = http_referer;
}

public void setHttp_user_agent(String http_user_agent) {
this.http_user_agent = http_user_agent;
}

public void setValid(boolean valid) {
this.valid = valid;
}

public String getRemote_addr() {
return remote_addr;
}

public String getRemote_user() {
return remote_user;
}

public String getTime_local() {
return time_local;
}

public String getRequest() {
return request;
}

public String getStatus() {
return status;
}

public String getBody_bytes_sent() {
return body_bytes_sent;
}

public String getHttp_referer() {
return http_referer;
}

public String getHttp_user_agent() {
return http_user_agent;
}

public boolean isValid() {
return valid;
}

@Override
public String toString() {
StringBuilder sb = new StringBuilder();
sb.append(this.valid);

//采用特殊字符连接,防止处理文本中含有分割字符
sb.append("\001").append(this.remote_addr);
sb.append("\001").append(this.remote_user);
sb.append("\001").append(this.time_local);
sb.append("\001").append(this.request);
sb.append("\001").append(this.status);
sb.append("\001").append(this.body_bytes_sent);
sb.append("\001").append(this.http_referer);
sb.append("\001").append(this.http_user_agent);

return sb.toString();
}
}
  • (2)编写LogMapper类

LogMapper.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
package com.atguigu.mr.log2;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {
Text k = new Text();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();

// 2 解析数据
LogBean logBean = parseLog(line);
if (!logBean.isValid()) {
return;
}

// 3 写出数据
k.set(logBean.toString());

context.write(k, NullWritable.get());
}

//解析数据
private LogBean parseLog(String line) {
LogBean logBean = new LogBean();

// 1 截取
String[] fields = line.split(" ");

if (fields.length > 11) {
// 2 封装数据
logBean.setRemote_addr(fields[0]);
logBean.setRemote_user(fields[1]);
logBean.setTime_local(fields[3].substring(1));
logBean.setRequest(fields[6]);
logBean.setStatus(fields[8]);
logBean.setBody_bytes_sent(fields[9]);
logBean.setHttp_referer(fields[10]);

if (fields.length > 12) {
logBean.setHttp_user_agent(fields[11] + " " + fields[12]);
} else {
logBean.setHttp_user_agent(fields[11]);
}

// 大于400,HTTP错误
if (Integer.parseInt(logBean.getStatus()) >= 400) {
logBean.setValid(false);
}
} else {
logBean.setValid(false);
}

return logBean;
}
}
  • (3)编写LogDriver类

LogDriver.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
package com.atguigu.mr.log2;

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

import java.io.IOException;

public class LogDriver {
public static void main(String[] args) throws InterruptedException, IOException, ClassNotFoundException {
// 输入输出路径需要根据自己电脑上实际的输入输出路径设置
args = new String[]{"F:/IDEAWS/dashju/inputlog", "F:/IDEAWS/dashju/outputlog2"};

// 1 获取job信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

// 2 加载jar包
job.setJarByClass(LogDriver.class);

// 3 关联map
job.setMapperClass(LogMapper.class);

// 4 设置最终输出类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);

// 设置reducetask个数为0
job.setNumReduceTasks(0);

// 5 设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 6 提交
job.waitForCompletion(true);
}
}

MapReduce开发总结

在编写MapReduce程序时,需要考虑如下几个方面

1.输入数据接口: InputFormat

(1)默认使用的实现类是: TextInputFormat

(2)TextInputFormat的功能逻辑是:一次读一行文本, 然后将该行的起始偏移量作为key,行内容作为value返回。

(3)KeyValueTextInputFormat每一行均为一条记录,被分隔符分割为key,value。默认分隔符是tab ( \t )。

(4)NineInputFormat按照指定的行数N来划分切片。

(5)CombineTextInputFormat可以把多个小文件合并成一个切片处理,提高处理效率。

(6)用户还可以自定义InputFormat。

2.逻辑处理接口: Mapper

用户根据业务需求实现其中三个方法: map()、setup()、 cleanup()。

3.Partitioner分区

(1)有默认实现HashPartitioner,逻辑是根据key的哈希值和numReduces来返回一个分区号;

1
key.hashCode()&IntegerMAXVALUE % numReduces;

(2)如果业务上有特别的需求,可以自定义分区。

4.Comparable排序

(1)当我们用自定义的对象作为key来输出时,就必须要实现WritableComparable接口,重写其中的compareTo()方法。

(2)部分排序:对最终输出的每一个文件进行内部排序。

(3)全排序:对所有数据进行排序,通常只有一个Reduce。

(4)二次排序:排序的条件有两个。

5.Combiner合并

Combiner合并可以提高程序执行效率,减少IO传输。
但是使用时必须不能影响原有的业务处理结果。(汇总)

6.Reduce端分组: GroupingComparator

在Reduce端对key进行分组。
应用于:在接收的cey为bean对象时,想让一个或几个字段相同(全部字段比较不相同)的key进入到同一个reduce方法时,可以采用分组排序。

7.逻辑处理接口: Reducer

用户根据业务需求实现其中三个方法: reduce()、setp()、cleanup()

8.输出数据接口: OutputFormat

(1)默认实现类是TextOutputFormat,功能逻辑是:将每一个KV对, 向目标文本文件输出一行。

(2)将SequenceFileOutputFormat输出作为后续MapReduce任务的输入,这便是一种好的输出格式, 因为它的格式紧凑,很容易被压缩。

(3)用户还可以自定义OutputFormat。

文章作者: HibisciDai
文章链接: http://hibiscidai.com/2020/10/30/Hadoop-MapReduce详解-2/
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 HibisciDai
支付宝打赏
微信打赏