2022-04-01 14:25 杭州电子科技大学 Java

关注

大数据学习笔记：Hadoop-MapReduce

Hadoop-MapReduce

第1章 MapReduce概述

1.1 MapReduce定义

定义：分布式运算程序编程框架，用户开发“基于Hadoop的数据分析应用”的核心框架
核心功能：将 用户编写的业务逻辑代码 和 自带默认组件 整合成一个完整的 分布式运算程序 ，并发运行在Hadoop集群上

1.2 MapReduce优缺点

优点
- 易于编程
  - 简单的实现一些接口，就可以完成一个分布式运算程序
- 良好的扩展性
  - 可简单的增加机器，解决计算资源不足问题
- 高容错性
  - 自动将挂掉节点上的计算任务转移到另一个节点上运行，不至于任务运行失败
- 适合PB级以上海量数据的离线处理
  - 可实现上千台服务器集群并发工作，提供数据处理能力
缺点
- 不擅长实时计算
  - 无法在毫秒内或者秒级内返回结果
- 不擅长流式计算
  - 输入数据集是静态的，不能动态变化
- 不擅长DAG（有向无环图）计算
  - 多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出
  - 进行DAG计算，由于每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下（Spark利用内存解决）

1.3 MapReduce核心思想

分布式的运算程序往往需要分成至少2个阶段：Map和Reduce

MapTask并发实例：完全并行运行，互不相干
ReduceTask并发实例：完全并行运行，互不相干。但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出

MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段

如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行

1.4 MapReduce进程

一个完整的MapReduce程序在分布式运行时有三类实例进程：MrAppMaster、MapTask、ReduceTask

MrAppMaster：负责整个程序的过程调度及状态协调
MapTask：负责Map阶段的整个数据处理流程
ReduceTask：负责Reduce阶段的整个数据处理流程

1.5 官方WordCount源码

采用反编译工具反编译源码，发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型

1.6 常用数据序列化类型

Java类型	Hadoop Writable 类型
Boolean	BooleanWritable
Byte	ByteWritable
Int	IntWritable
Float	FloatWritable
Long	LongWritable
Double	DoubleWritable
String	Text
Map	MapWritable
Array	ArrayWritable
Null	NullWritable

1.7 MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver

Mapper
- 用户自定义的Mapper要继承org.apache.hadoop.mapreduce.Mapper
- 输入数据是自定义<K,V>对的形式
- 业务逻辑写在**map()**方法中
- 输出数据是自定义<K,V>对的形式
- map()方法（MapTask进程）对每个输入的<K,V>调用一次
Reduce
- 用户自定义的Reducer要继承org.apache.hadoop.mapreduce.Reducer
- 输入数据对应Mapper输出的<K,V>对
- 业务逻辑写在**reduce()**方法中
- reduce()方法（ReduceTask进程）对每一组相同K的<K,V>调用一次
Drive
- 相当于YARN集群的客户端，用于提交整个程序到YARN集群
- 提交job对象：封装了MapReduce程序相关运行参数

1.8 WordCount案例实操

1.本地测试

需求：在给定的文本文件中统计输出每一个单词出现的总次数
分析
- Mapper
  - 将Text文本内容转化为String
  - 根据空格将一行内容切分为单词
  - 输出<单词，1>
- Reduce
  - 汇总各个key的个数：<单词，1>
  - 输出该key的总次数：<单词，n>
- Driver
  - 获取配置信息，获取job对象实例
  - 指定本程序的jar包所在的本地路径
  - 关联Mapper/Reducer业务类
  - 指定Mapper输出数据kv类型
  - 指定Reducer输出数据kv类型
  - 指定job的输入原始文件所在目录
  - 指定job的输出结果文件所在目录
  - 提交作业job

环境准备

创建Maven工程
在pom.xml引入依赖

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>3.1.3</version>
    </dependency>
    
    <dependency>
        <groupId>junit</groupId>
        <artifactId>junit</artifactId>
        <version>4.12</version>
    </dependency>
    
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-log4j12</artifactId>
        <version>1.7.30</version>
    </dependency>
</dependencies>

在项目 src/main/resources 目录下，新建“log4j.properties”，在文件中填入

log4j.rootLogger=INFO, stdout  
log4j.appender.stdout=org.apache.log4j.ConsoleAppender  
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout  
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n  
log4j.appender.logfile=org.apache.log4j.FileAppender  
log4j.appender.logfile.File=target/spring.log  
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout  
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

创建包 com.flash7k.mapreduce.wordcount

编写程序

Mapper

package com.flash7k.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{
	
	Text k = new Text();
	IntWritable v = new IntWritable(1);
	
	@Override
	protected void map(LongWritable key, Text value, Context context)	throws IOException, InterruptedException {
		
		// 1 获取一行文本内容，并将Text转换为String
		String line = value.toString();
		
		// 2 切割
		String[] words = line.split(" ");
		
		// 3 输出
		for (String word : words) {
			k.set(word);
			context.write(k, v);
		}
	}
}

Reducer

package com.flash7k.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

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

	int sum;
	IntWritable v = new IntWritable();

	@Override
	protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {
		
		// 1 累加求和
		sum = 0;
		for (IntWritable count : values) {
			sum += count.get();
		}
		
		// 2 输出
        v.set(sum);
		context.write(key,v);
	}
}

Driver

package com.flash7k.mapreduce.wordcount;
import java.io.IOException;
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.output.FileOutputFormat;

public class WordCountDriver {

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

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

		// 2 关联本Driver程序的jar
		job.setJarByClass(WordCountDriver.class);

		// 3 关联Mapper和Reducer的jar
		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);

		// 4 设置Mapper输出的kv类型
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);

		// 5 设置最终输出kv类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		// 6 设置输入和输出路径
        // arg[0]: hadoop集群的第1个参数，输入文件路径
        // arg[1]: hadoop集群的第2个参数，输出文件路径
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));

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

本地测试
- 需首先配置好HADOOP_HOME变量以及Windows运行依赖
- 在IDEA/Eclipse上运行程序

2. 提交到集群测试

用Maven打jar包，在pom.xml引入打包插件依赖

<build>
    <plugins>
        <plugin>
            <artifactId>maven-compiler-plugin</artifactId>
            <version>3.6.1</version>
            <configuration>
                <source>1.8</source>
                <target>1.8</target>
            </configuration>
        </plugin>
        <plugin>
            <artifactId>maven-assembly-plugin</artifactId>
            <configuration>
                <descriptorRefs>
                    <descriptorRef>jar-with-dependencies</descriptorRef>
                </descriptorRefs>
            </configuration>
            <executions>
                <execution>
                    <id>make-assembly</id>
                    <phase>package</phase>
                    <goals>
                        <goal>single</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

将不带依赖的jar包命名为wc.jar，并拷贝到Hadoop集群的/opt/module/hadoop-3.1.3路径
启动Hadoop集群
执行WordCount程序

语法：hadoop jar jar包命 Driver全类名输入文件路径输出文件路径

注意：输出文件路径不能已存在

[flash7k@hadoop102 hadoop-3.1.3]$ hadoop jar  wc.jar com.flash7k.mapreduce.wordcount.WordCountDriver /user/flash7k/input /user/flash7k/output

第2章 Hadoop序列化

2.1 序列化概述

定义
- 序列化：把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输
- 反序列化：将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象
功能
- 持久化存储内存中的对象，便于将对象发送到远程计算机
Hadoop序列化与Java序列化比较
- Java：Serializable，重量级序列化框架。一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输
- Hadoop：Writable
Hadoop序列化特点
- 紧凑：高效使用存储空间
- 快速：读写数据的额外开销小
- 互操作：支持多语言的交互

2.2 自定义Bean对象实现序列化接口（Writable）

常用的基本序列化类型不能满足所有需求，需要自定义Bean对象，在Hadoop框架内部传递

序列化步骤

Bean对象必须实现Writable接口
空参构造：反序列化时，需要反射调用空参构造函数

public FlowBean() {
	super();
}

重写序列化方法

@Overridepublic void write(DataOutput out) throws IOException {	out.writeLong(upFlow);	out.writeLong(downFlow);	out.writeLong(sumFlow);}

重写反序列化方法

@Overridepublic void readFields(DataInput in) throws IOException {	upFlow = in.readLong();	downFlow = in.readLong();	sumFlow = in.readLong();}

注意：反序列化的顺序和序列化的顺序完全一致

如果需要将自定义Bean放在key中传输，则还需要实现Comparable接口

原因：MapReduce框中的Shuffle过程要求对key必须能排序

@Overridepublic int compareTo(FlowBean o) {	// 倒序排列，从大到小	return this.sumFlow > o.getSumFlow() ? -1 : 1;}

2.3 序列化案例实操

需求：统计每个手机号耗费的总上行流量、总下行流量、总流量
分析
- Map
  - 读取一行数据，切分字段
  - 抽取手机号、上行流量、下行流量
  - 以手机号为key，bean对象为value输出
  - bean对象传输必须实现序列化接口
- Reduce
  - 累加上行流量和下行流量得到总流量

编写MapReduce程序

编写Bean对象

package com.flash7k.mapreduce.writable;import org.apache.hadoop.io.Writable;import java.io.DataInput;import java.io.DataOutput;import java.io.IOException;//1 继承Writable接口public class FlowBean implements Writable {    private long upFlow; //上行流量    private long downFlow; //下行流量    private long sumFlow; //总流量    //2 提供无参构造    public FlowBean() {    }    //3 提供三个参数的getter和setter方法    public long getUpFlow() {        return upFlow;    }    public void setUpFlow(long upFlow) {        this.upFlow = upFlow;    }    public long getDownFlow() {        return downFlow;    }    public void setDownFlow(long downFlow) {        this.downFlow = downFlow;    }    public long getSumFlow() {        return sumFlow;    }    public void setSumFlow(long sumFlow) {        this.sumFlow = sumFlow;    }    public void setSumFlow() {        this.sumFlow = this.upFlow + this.downFlow;    }    //4 实现序列化和反序列化方法,注意顺序一定要保持一致    @Override    public void write(DataOutput dataOutput) throws IOException {        dataOutput.writeLong(upFlow);        dataOutput.writeLong(downFlow);        dataOutput.writeLong(sumFlow);    }    @Override    public void readFields(DataInput dataInput) throws IOException {        this.upFlow = dataInput.readLong();        this.downFlow = dataInput.readLong();        this.sumFlow = dataInput.readLong();    }    //5 重写ToString    @Override    public String toString() {        return upFlow + "\t" + downFlow + "\t" + sumFlow;    }}

编写Mapper

package com.flash7k.mapreduce.writable;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean> {    private Text outK = new Text();    private FlowBean outV = new FlowBean();    @Override    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {        //1 获取一行数据,转成字符串        String line = value.toString();        //2 切割数据        String[] split = line.split("\t");        //3 抓取我们需要的数据:手机号,上行流量,下行流量        String phone = split[1];        String up = split[split.length - 3];        String down = split[split.length - 2];        //4 封装outK outV        outK.set(phone);        outV.setUpFlow(Long.parseLong(up));        outV.setDownFlow(Long.parseLong(down));        outV.setSumFlow();        //5 写出outK outV        context.write(outK, outV);    }}

编写Reducer类

package com.flash7k.mapreduce.writable;

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

public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
    private FlowBean outV = new FlowBean();
    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {

        long totalUp = 0;
        long totalDown = 0;

        //1 遍历values,将其中的上行流量,下行流量分别累加
        for (FlowBean flowBean : values) {
            totalUp += flowBean.getUpFlow();
            totalDown += flowBean.getDownFlow();
        }

        //2 封装outKV
        outV.setUpFlow(totalUp);
        outV.setDownFlow(totalDown);
        outV.setSumFlow();

        //3 写出outK outV
        context.write(key,outV);
    }
}

编写Driver驱动类

package com.flash7k.mapreduce.writable;

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

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

        //2 关联本Driver类
        job.setJarByClass(FlowDriver.class);

        //3 关联Mapper和Reducer
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);
        
		//4 设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);
        
		//5 设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        
		//6 设置程序的输入输出路径
        FileInputFormat.setInputPaths(job, new Path("D:\\inputflow"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\flowoutput"));
        
		//7 提交Job
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

第3章 MapReduce框架原理

3.1 InputFormat数据输入

3.1.1 MapTask并行度决定机制

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

MapTask并行度决定机制
- 数据块：HDFS在物理上把数据分块。数据块是HDFS存储数据单位
- 数据切片：MapRduce在逻辑上把数据分块。数据切片是MapReduce程序计算输入数据的单位，一个切片对应启动一个MapTask
- 决定机制
  - 一个Job的MapTask由Client在提交Job时的切片数决定
  - 一个切片对应一个MapTask
  - 默认情况下，切片大小=数据块大小=BlockSize
  - 切片时不考虑数据集整体，逐个针对每个文件单独切片

3.1.2 Job提交流程和切片（源码解析）

Job提交

waitForCompletion()submit();// 1建立连接	connect();			// 1）创建提交Job的代理		new Cluster(getConfiguration());			// （1）判断是本地运行环境还是yarn集群运行环境			initialize(jobTrackAddr, conf); // 2 提交jobsubmitter.submitJobInternal(Job.this, cluster)	// 1）创建给集群提交数据的Stag路径（临时文件）	Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);	// 2）获取jobid ，在Stag下创建Job路径	JobID jobId = submitClient.getNewJobID();	// 3）拷贝jar包到集群（本地模式则不拷贝jar包）	copyAndConfigureFiles(job, submitJobDir);		rUploader.uploadFiles(job, jobSubmitDir);	// 4）计算切片，向Stag路径生成切片规划文件	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	// 提交完后立刻删除Stag路径下文件	status = submitClient.submitJob(jobId , submitJobDir.toString() , job.getCredentials());

流程解析
- Driver：Job.waitForCompletion(true)
- Job.submit()
- JobSubmiter：Cluster成员，proxy -> 判断是MR是在本地还是YARN
  - 创建stagingDir
    - 本地：File://.../staging
    - YARN：hdfs://.../staging
  - 获取jobid
    - 本地：File://.../staging/jobid
    - YARN：hdfs://.../staging/jobid
  - 调用FileInputFormat.getSplits()获取切片规划，并序列化成文件：Job.split
  - 将Job相关参数写到文件：Job.xml
  - 如果是YARN，还需要获取Job的jar包：xxx.jar

3.1.3 FileInputFormat切片机制

切片机制
- 简单地按照文件的内容长度进行切片
- 切片大小默认等于Block大小
- 切片时不考虑数据集整体，而是逐个针对每个文件单独切片
源码解析（input.getSplits(job))
- 程序找到数据存储的目录
- 遍历处理目录下的每一个文件（规划切片）
- 处理第一个文件xx.txt
  - 获取文件大小 fs.sizeOf (xx.txt)
  - 计算切片大小 computeSplitSize (Math.max (minSize, Math.min (maxSize,blockSize))) = blockSize
  - 默认情况下，切片大小即为数据块大小
    
    可通过修改默认为Long.MAXValue 的maxSize调小切片，修改默认为1的minSize调大切片
  - 开始切片，形成第1个切片：0-128M，第2个切片：128-200M
    
    每次切片时，都要判断切完剩下部分是否大于块的1.1倍，不大于1.1倍就划分一块切片
  - 将切片信息写到一个切片规划文件Job.split中
  - 整个切片的核心过程在getSplits()方法中完成
  - InputSplit只记录了切片的元数据信息（起始位置、长度、所在节点列表）
- 提交切片规划文件到YARN上，MrAppMaster根据切片规划文件计算开启MapTask数量
参数配置
- 源码中计算切片大小的公式
  - Math.max ( minSize , Math.min ( maxSize , blockSize ))
  - mapreduce.input.fileinputformat.split.minsize = 1
  - mapreduce.input.fileinputformat.split.maxsize = Long.MAXValue
- 切片大小设置
  - maxsize：如果比blocksize小，则让切片变小，值为maxsize
  - minsize：如果比blocksize大，则让切片变大，值为minsize
- 获取切片信息API
```
//获取切片的文件名称（便于处理不同类型文件）String name = inputSplit.getPath().getName();//根据文件类型获取切片信息FileSplit inputSplit = (FileSplit) context.getInputSplit();
```

3.1.4 TextInputFormat

FileInputFormat实现类

常见接口实现类：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat 和自定义InputFormat等
TextInputFormat

FileInputFormat默认实现类。按行读取每条记录，key（LongWritable类型）是该行在整个文件中的起始字节偏移量，value（Text类型）是这行的内容（不包括换行符）

3.1.5 CombineTextInputFormat切片机制

默认切片机制：按文件规划切片。不管文件多小，都会是一个单独的切片，产生一个MapTask

缺点：如果有大量小文件，就会产生大量MapTask，处理效率低下

CombineTextInputFormat
- 应用场景：大量小文件
- 作用：将多个小文件从逻辑上规划到一个切片中。使多个小文件交给一个MapTask处理
- 方式：设置虚拟存储切片最大值
```
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
```
- 生成切片过程：虚拟存储、切片
- 样例：
  
  四个小文件：a--1.7M、b--5.1M、c--3.4M、d--6.8M
  
  虚拟存储：a--1.7M、b--2.55M+2.55M、c--3.4M、d--3.4M+3.4M
  
  切片过程：最终形成三个切片，（1.7+2.55）M、（2.55+3.4）M、（3.4+3.4）M
- 解释
  - 虚拟存储过程
    
    比较输入目录下所有文件大小和设置的 setMaxInputSplitSize值
    
    文件<=设置最大值，逻辑上划分一个块；
    
    设置最大值<文件<=最大值*2，将文件均分成2个虚拟存储块（防止出现太小切片）
    
    文件>设置最大值*2，以最大值切割一块
  - 切片过程
    
    虚拟存储文件大小>=设置的 setMaxInputSplitSize值，单独形成一个切片
    
    否则跟下一个虚拟存储文件进行合并，共同形成一个切片

3.1.6 CombineTextInputFormat案例实操

不做任何处理，执行WordCount案例程序，切片数量为4
```
number of splits:4
```

在WordCountDriver中增加如下代码，执行程序，切片数量为3

// 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);

number of splits:3

在WordCountDriver中增加如下代码，执行程序，切片数量为3

// 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);

number of splits:1

3.2 MapReduce工作流程

MapReduce

待处理文件
客户端submit()前，获取待处理数据的信息，配置参数，形成任务分配规划
提交信息：Job.split（切片信息）、wc.jar（程序jar包）、Job.xml（配置信息）

提交完后判断是提交到YARN还是本地运行
计算出MapTask数量

Mrappmaster与NodeManager协作
MapTask通过InputFormat实现类，RecorderReader，以键值对形式读取待处理文件
Mapper执行逻辑运算

map（k，v）

Context.write（k，v）
outputCollector，向环形缓冲区中写入<k,v>数据

默认100M，达到80%后反向

一半存储元数据：索引、kvmeta、kvindex

一半存储数据：<k,v>，bufindex
分区、快排
溢出到文件（分区、区内有序），由内存到磁盘
Merge 归并排序
Combiner 合并
启动相应数量ReduceTask，并告知ReduceTask处理数据范围（数据分区）
ReduceTask拉取数据到本地磁盘，合并文件，归并排序
Reducer一次读取一组数据

Reduce（k，v）

Context.write（k，v）
GroupingComparaton（k，knext）分组
OutputFormat，RecordWriter，Write（k，v）

Shuffle（MR的7-16）

MapTask收集自定义的map（）方法输出的kv对，放到内存缓冲区中
从内存缓冲区不断溢写本地磁盘文件（可能溢出多个文件）
多个溢出文件会被合并成大的溢出文件
在溢写和合并的过程中，都需要调用Partitioner分区和对key排序
ReduceTask根据分区号，去各个MapTask上抓取相应的结果分区数据
ReduceTask抓取同一个分区的，来自不同MapTask的结果文件，再将这些文件进行合并（归并排序）
合并成大文件后，进入ReduceTask的逻辑运算过程（从文件中取出一个个kv对，调用自定义的reduce（））

注意：

Shuffle环形缓冲区的大小会影响MapReduce的执行效率。缓冲区越大，磁盘io次数越少，执行速度越快

缓冲区大小设置：mapreduce.task.io.sort.mb默认100M

3.3 Shuffle

3.3.1 Shuffle机制

Shuffle：Map方法之后，Reduce方法之前的数据处理过程

3.3.2 Partition分区

需求：将统计结果按照条件输出到不同文件中（分区）
默认：默认分区根据key的hashcode对ReduceTasks个数取模得到，用户没法控制key存储到哪个分区
解决
- 自定义Partitioner，重写getPartitioner（）
- 在Driver中设置自定义Partitioner，并设置相应数量的ReduceTask

编写MapReduce程序

在2.3序列化案例实操的基础上，增加一个Partitioner类

package com.flash7k.mapreduce.partitioner;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Partitioner;public class ProvincePartitioner extends Partitioner<Text, FlowBean> {    @Override    public int getPartition(Text text, FlowBean flowBean, int numPartitions) {        //获取手机号前三位prePhone        String phone = text.toString();        String prePhone = phone.substring(0, 3);        //定义一个分区号变量partition,根据prePhone设置分区号        int partition;        if("136".equals(prePhone)){            partition = 0;        }else if("137".equals(prePhone)){            partition = 1;        }else if("138".equals(prePhone)){            partition = 2;        }else if("139".equals(prePhone)){            partition = 3;        }else {            partition = 4;        }        //最后返回分区号partition        return partition;    }}

在Driver中增加自定义数据分区设置和ReduceTask设置

//8 指定自定义分区器job.setPartitionerClass(ProvincePartitioner.class);//9 同时指定相应数量的ReduceTaskjob.setNumReduceTasks(5);

总结
- 如果 ReduceTask数量 > getPartitioner结果数，则会多产生空的输出文件part-r-000xx
- 如果 1 < ReduceTask数量 < getPartitioner结果数，则有一部分分区数据无处安放，会Exception
- 如果 ReduceTask数量 = 1，则不管MapTask输出多少个分区文件，最终结果都交给这一个RuduceTask，产生一个输出文件part-r-00000
- 分区号从0开始，逐一累加

3.3.3 WritableComparable排序

排序

MapTask和RuduceTask均会对数据按照key进行排序。Hadoop默认行为，不管逻辑上是否需要。默认排序按照字典顺序排序，排序方式是快速排序
- MapTask，将处理的结果暂时放到环形缓冲区
  - 当环形缓冲区使用率达到一定阈值，对缓冲区中数据进行快速排序，并将这些有序数据溢写到磁盘
  - 当数据处理完毕后，对磁盘上所有文件进行归并排序
- ReduceTask，它从每个MapTask远程拷贝相应的数据文件
  - 如果文件大小超过一定阈值，则溢写到磁盘上；否则存储在内存中
  - 如果磁盘上文件数目达到一定阈值，则进行归并排序，以生成一个更大文件
  - 如果内存中文件大小或数目超过一定阈值，则进行合并后将数据溢写到磁盘上
  - 当所有数据拷贝完毕后，统一对内存和磁盘上的所有数据进行归并排序
排序分类
- 部分排序
  
  根据输入记录的kv数据集排序，保证输出的每个文件内部有序
- 全排序
  
  最终输出结果只有一个文件，文件内部有序。即只设置一个ReduceTask
- 辅助排序
  
  在Reduce端对key进行分组。应用：在接收的key为bean对象时，想让一个或几个字段相同的key进入到同一个reduce方法中
- 二次排序
  
  自定义排序过程中，compareTo中的判断条件为两个

编写MapReduce程序

自定义Bean实现WritableComparable，重写compareTo()

@Override
public int compareTo(FlowBean bean) {

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

	return result;
}

编写Mapper类：输出类型<Bean，Text>

package com.flash7k.mapreduce.writablecompable;

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

public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
    private FlowBean outK = new FlowBean();
    private Text outV = new Text();

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

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

        //2 按照"\t",切割数据
        String[] split = line.split("\t");

        //3 封装outK outV
        outK.setUpFlow(Long.parseLong(split[1]));
        outK.setDownFlow(Long.parseLong(split[2]));
        outK.setSumFlow();
        outV.set(split[0]);

        //4 写出outK outV
        context.write(outK,outV);
    }
}

编写Reducer类

package com.flash7k.mapreduce.writablecompable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> {    @Override    protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {        //遍历values集合,循环写出,避免总流量相同的情况        for (Text value : values) {            //调换KV位置,反向写出            context.write(value,key);        }    }}

3.3.4 Combiner合并

Combiner
- Combiner是MR程序中Mapper和Reducer之外的一种组件
- Combiner继承Reducer
- Combiner和Reducer区别在于运行的位置
  - Combiner运行在每一个MapTask所在节点
  - Reducer接收所有Mapper的输出结果
- Combiner的意义：对每个MapTask的输出进行局部汇总，以减小网络传输量
- Combiner应用前提是不能影响最终的业务逻辑，且输出kv要和Reducer输入kv对应
编写MapReduce程序
- 自定义Combiner，继承Reducer，重写reduce方法
- 在Driver类中设置
```
job.setCombinerClass(WordCountCombiner.class);
```
方案一：创建一个新的Combiner类

方案二：在Driver中设置Combiner为原来的Reducer

3.4 OutputFormat数据输出

OutputFormat接口实现类
- NullOutputFormat
- FileOutputFormat
  - MapFileOutputFormat
  - SequenceFileOutputFormat
  - TextOutputFormat
- FilterOutputFormat
- DBOutputFormat
- 自定义OutputFormat

自定义OutputFormat案例实操

需求

过滤输入的log日志，包含flash7k的网站输出到 D:/flash7k.log，不包含的网站输出到D:/other.log
需求分析
- 自定义OutputFormat类
  - 创建LogRecorderWriter类，继承RecorderWriter
    
    创建两个文件的输出流：flash7kOut、otherOut
    
    如果输入数据包含flash7k，输出到flash7kOut；否则输出到otherOut
- 驱动类Driver
  - 设置自定义的OutputFormat

编写MapReduce程序

编写LogMapper

package com.flash7k.mapreduce.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 LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //不做任何处理,直接写出一行log数据
        context.write(value,NullWritable.get());
    }
}

编写LogReducer

package com.flash7k.mapreduce.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 LogReducer extends Reducer<Text, NullWritable,Text, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
        // 防止有相同的数据,对values迭代写出
        for (NullWritable value : values) {
            context.write(key,NullWritable.get());
        }
    }
}

自定义LogOutputFormat

package com.flash7k.mapreduce.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 LogOutputFormat extends FileOutputFormat<Text, NullWritable> {
    @Override
    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
        //创建一个自定义的RecordWriter返回
        LogRecordWriter logRecordWriter = new LogRecordWriter(job);
        return logRecordWriter;
    }
}

编写LogRecordWriter

package com.flash7k.mapreduce.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 LogRecordWriter extends RecordWriter<Text, NullWritable> {

    private FSDataOutputStream flash7kOut;
    private FSDataOutputStream otherOut;

    public LogRecordWriter(TaskAttemptContext job) {
        try {
            //获取文件系统对象
            FileSystem fs = FileSystem.get(job.getConfiguration());
            //用文件系统对象创建两个输出流对应不同的目录
            flash7kOut = fs.create(new Path("D:/hadoop/flash7k.log"));
            otherOut = fs.create(new Path("D:/hadoop/other.log"));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    @Override
    public void write(Text key, NullWritable value) throws IOException, InterruptedException {
        String log = key.toString();
        //根据一行的log数据是否包含flash7k,判断两条输出流输出的内容
        if (log.contains("flash7k")) {
            flash7kOut.writeBytes(log + "\n");
        } else {
            otherOut.writeBytes(log + "\n");
        }
    }

    @Override
    public void close(TaskAttemptContext context) throws IOException, InterruptedException {
        //关流
        IOUtils.closeStream(flash7kOut);
        IOUtils.closeStream(otherOut);
    }
}

编写LogDriver

package com.flash7k.mapreduce.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 LogDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

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

        job.setJarByClass(LogDriver.class);
        job.setMapperClass(LogMapper.class);
        job.setReducerClass(LogReducer.class);

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

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

        //设置自定义的outputformat
        job.setOutputFormatClass(LogOutputFormat.class);

        FileInputFormat.setInputPaths(job, new Path("D:\\input"));
        //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("D:\\logoutput"));

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

3.5 MapReduce内核源码解析

3.5.1 MapTask工作机制

Read阶段

MapTask 通过 InputFormat 获得的 RecordReader，从输入 InputSplit 中解析出一个个key / value
Map阶段

将解析出的 key / value 交给用户编写的 map() 函数处理，并产生一系列新的 key / value
Collect阶段

用户编写的 map() 函数数据处理完成后，一般会调用 OutputCollector.collect() 输出结果，将产生新的 key / value，分区（调用Partitioner），并写入一个环形内存缓冲区中
Spill阶段（溢写）

环形缓冲区达到80%后，MapReduce 会将数据写到本地磁盘上，生成一个临时文件。注意：数据写入本地磁盘前，先对数据进行一次本地排序，并在必要时进行合并、压缩
- 使用快速排序算法对缓冲区内的数据进行排序。先按照分区编号，再按照 key。排序后，数据以分区为单位聚集在一起，同一分区内所有数据按照 key 有序
- 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）。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
- 将分区数据的元信息写到内存索引数据结构 SpillRecord 中，元信息包括在临时文件中的偏移量、压缩前数据大小、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
Merge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，以确保最终只会生产一个数据文件，并将其保存到文件 output / file.out 中，同时生成相应的索引文件 output / file.out.index

合并方式：MapTask 以分区为单位进行合并。对于分区采用多轮递归合并，每轮合并 mapreduce.task.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。排序后，重复以上过程，直到最终获得一个大文件

好处：避免同时打开大量文件和同时随机读取大量小文件带来的开销

3.5.2 ReduceTask工作机制

Copy阶段

ReduceTask 从各个 MapTask 上远程拷贝一片数据，如果数据大小不超过一定阈值，则直接放到内存中，否则写到磁盘上
Sort阶段

在远程拷贝数据过程中，ReduceTask 启动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

用户编写 reduce()，输入数据根据key进行聚集，为了将 key 相同的数据聚在一起，Hadoop 采用基于排序的策略。由于各个 MapTask 已经对处理结果进行了局部排序，ReduceTask 只需对所有数据进行一次归并排序即可
Reduce阶段

reduce() 将计算结果写到 HDFS 上

3.5.3 ReduceTask并行度决定机制

MapTask并行度由切片个数决定，切片个数由输入文件和切片规则决定

ReduceTask数量的决定直接由手动设置

注意：

ReduceTask = 0，表示没有Reduce阶段，输出文件个数和Map个数一致
ReduceTask 默认值为1，输出文件个数为1
如果数据分布不均匀，可能在 Reduce 阶段产生数据倾斜
ReduceTask 数量并不是任意设置，需要考虑业务逻辑需求。有时需要计算全局汇总结果，只能有一个ReduceTask
具体多少个ReduceTask，需要根据集群性能而定
若分区数不是1，而ReduceTask为1：不执行分区过程。因为执行分区的前提是ReduceNum大于1

3.6 Join应用

3.6.1 Reduce Join

Map端主要工作：对来自不同表或文件的 key / value，打标签以区别不同来源的记录，然后连接字段作为key，其余部分和新加的标志作为value，输出
Reduce端主要工作：在每一个分组当中将不同来源文件的记录（在Map阶段已标记）分开，最后进行合并

3.6.2 Reduce Join 案例实操

需求：订单数据表order有订单号、产品号、数量，商品信息表有产品号、产品名，需要根据产品号将产品名合并到订单数据表中
需求分析：将关联条件作为Map输出的key，满足Join条件的数据并携带数据来源的文件信息作为value，发往同一个ReduceTask，在Reduce中进行数据的串联

代码

创建商品和订单合并后的TableBean类

package com.flash7k.mapreduce.reducejoin;

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; //判断是order表还是pd表的标志字段

    public TableBean() {
    }

    public String getId() {
        return id;
    }

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

    public String getPid() {
        return pid;
    }

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

    public int getAmount() {
        return amount;
    }

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

    public String getPname() {
        return pname;
    }

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

    public String getFlag() {
        return flag;
    }

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

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

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

    @Override
    public void readFields(DataInput in) throws IOException {
        this.id = in.readUTF();
        this.pid = in.readUTF();
        this.amount = in.readInt();
        this.pname = in.readUTF();
        this.flag = in.readUTF();
    }
}

编写TableMapper类

package com.flash7k.mapreduce.reducejoin;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
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> {

    private String filename;
    private Text outK = new Text();
    private TableBean outV = new TableBean();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //获取对应文件名称
        InputSplit split = context.getInputSplit();
        FileSplit fileSplit = (FileSplit) split;
        filename = fileSplit.getPath().getName();
    }

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

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

        //判断是哪个文件,然后针对文件进行不同的操作
        if(filename.contains("order")){  //订单表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[1]);
            //封装outV
            outV.setId(split[0]);
            outV.setPid(split[1]);
            outV.setAmount(Integer.parseInt(split[2]));
            outV.setPname("");
            outV.setFlag("order");
        }else {                             //商品表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[0]);
            //封装outV
            outV.setId("");
            outV.setPid(split[0]);
            outV.setAmount(0);
            outV.setPname(split[1]);
            outV.setFlag("pd");
        }

        //写出KV
        context.write(outK,outV);
    }
}

编写TableReducer类

package com.flash7k.mapreduce.reducejoin;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 {        ArrayList<TableBean> orderBeans = new ArrayList<>();        TableBean pdBean = new TableBean();        for (TableBean value : values) {            //判断数据来自哪个表            if("order".equals(value.getFlag())){   //订单表			  //创建一个临时TableBean对象接收value                TableBean tmpOrderBean = new TableBean();                try {                    BeanUtils.copyProperties(tmpOrderBean,value);                } catch (IllegalAccessException e) {                    e.printStackTrace();                } catch (InvocationTargetException e) {                    e.printStackTrace();                }			  //将临时TableBean对象添加到集合orderBeans                orderBeans.add(tmpOrderBean);            }else {                                    //商品表                try {                    BeanUtils.copyProperties(pdBean,value);                } catch (IllegalAccessException e) {                    e.printStackTrace();                } catch (InvocationTargetException e) {                    e.printStackTrace();                }            }        }        //遍历集合orderBeans,替换掉每个orderBean的pid为pname,然后写出        for (TableBean orderBean : orderBeans) {            orderBean.setPname(pdBean.getPname());		   //写出修改后的orderBean对象            context.write(orderBean,NullWritable.get());        }    }}

编写TableDriver类

package com.flash7k.mapreduce.reducejoin;

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

        job.setJarByClass(TableDriver.class);
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

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

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

        FileInputFormat.setInputPaths(job, new Path("D:\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\output"));

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

总结

缺点：Reduce Join，合并操作在Reduce阶段完成，处理压力太大，Map节点的运算负载却很低，资源利用率不高。在Reduce阶段极易产生数据倾斜

解决方案：Map Join

3.6.3 Map Join

使用场景：一张表很小，另一张表很大
优点：减少数据倾斜

方法：Map端缓存多张表，采用DistributedCache

在Mapper的setup阶段，将文件读取到缓存集合中

在Driver中加载缓存

//缓存普通文件到Task运行节点。job.addCacheFile(new URI("file:///e:/cache/pd.txt"));//如果是集群运行,需要设置HDFS路径job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));

3.6.4 Map Join 案例实操

需求分析
- DistributedCacheDriver缓存文件
  1. 加载缓存数据 job.addCacheDriver(new URI(文件路径))；
  2. Map Join不需要Reduce阶段，设置 job.setNumReduceTask(0);
- 读取缓存的文件数据
  - setup()
    1. 获取缓存的文件
    2. 循环读取缓存文件中的一行
    3. 切割
    4. 缓存数据到集合
    5. 关流
  - map()
    1. 获取一行
    2. 截取
    3. 获取所需关联数据
    4. 获取其他数据
    5. 拼接
    6. 输出

代码

在MapJoinDriver驱动类中添加缓存文件

package com.flash7k.mapreduce.mapjoin;

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 MapJoinDriver {

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

        // 1 获取job信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        // 2 设置加载jar包路径
        job.setJarByClass(MapJoinDriver.class);
        // 3 关联mapper
        job.setMapperClass(MapJoinMapper.class);
        // 4 设置Map输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);
        // 5 设置最终输出KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 加载缓存数据
        job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt"));
        // Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

        // 6 设置输入输出路径
        FileInputFormat.setInputPaths(job, new Path("D:\\input"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\output"));
        // 7 提交
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

在MapJoinMapper类中的setup方法中读取缓存文件

package com.flash7k.mapreduce.mapjoin;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
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.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;

public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

    private Map<String, String> pdMap = new HashMap<>();
    private Text text = new Text();

    //任务开始前将pd数据缓存进pdMap
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {

        //通过缓存文件得到小表数据pd.txt
        URI[] cacheFiles = context.getCacheFiles();
        Path path = new Path(cacheFiles[0]);

        //获取文件系统对象,并开流
        FileSystem fs = FileSystem.get(context.getConfiguration());
        FSDataInputStream fis = fs.open(path);

        //通过包装流转换为reader,方便按行读取
        BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));

        //逐行读取，按行处理
        String line;
        while (StringUtils.isNotEmpty(line = reader.readLine())) {
            //切割一行    
			//01	小米
            String[] split = line.split("\t");
            pdMap.put(split[0], split[1]);
        }

        //关流
        IOUtils.closeStream(reader);
    }

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

        //读取大表数据    
		//1001	01	1
        String[] fields = value.toString().split("\t");

        //通过大表每行数据的pid,去pdMap里面取出pname
        String pname = pdMap.get(fields[1]);

        //将大表每行数据的pid替换为pname
        text.set(fields[0] + "\t" + pname + "\t" + fields[2]);

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

3.7 数据清洗ELT

ELT，Extract-Transform-Load，描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。在运行核心业务MapReduce之前，往往要先对数据进行清洗，去除不符合要求的数据。清理的过程通常只需要Mapper，不需要Reducer

需求：去除日志中字段个数小于等于11的日志

代码

WebLogMapper

package com.flash7k.mapreduce.weblog;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class WebLogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
	
	@Override
	protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
		
		// 1 获取1行数据
		String line = value.toString();
		
		// 2 解析日志
		boolean result = parseLog(line,context);
		
		// 3 日志不合法退出
		if (!result) {
			return;
		}
		
		// 4 日志合法就直接写出
		context.write(value, NullWritable.get());
	}

	// 2 封装解析日志的方法
	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) {
			return true;
		}else {
			return false;
		}
	}
}

WebLogDriver

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

3.8 MapReduce开发总结

输入数据接口：InputFormat
- 默认实现类：TextInputFormat
- TextInputFormat：一次读取一行，起始偏移量作为key，行内容作为value
- CombineTextInputFormat：可以把多个小文件合并成一个数据切片，减少MapTask数量，提高处理效率
逻辑处理接口：Mapper
- 用户根据业务需求实现三个方法：map、setup、cleanup
Partitioner分区
- 默认实现HashPartitioner，根据key的哈希值和numReduces来返回分区号：key.hashCode() & Integer.MAXVALUE % numReduces
- 如果业务上有特殊需求，可自定义分区（如输出到不同的文件中）
Comparable排序接口
- 自定义对象作为Mapper输出的key，必须实现WritableComparable接口，重写compareTo方法
  
  部分排序：对最终输出的每个文件进行内部排序
  
  全排序：对所有数据进行排序，通常只有一个Reduce
  
  二次排序：排序的条件有两个
Combiner合并
- 运行在MapTask节点
- 对每个MapTask的输出进行局部汇总，以减小网络传输量
- 使用时不能影响原有的业务处理结果
逻辑处理接口：Reducer
- 用户根据业务需求实现三个方法：reduce、setup、cleanup
输出数据接口：OutputFormat
- 默认实现类：TextOutputFormat
- TextOutputFormat：将每一个KV对，向目标文本文件输出一行
- 用户可自定义OutputFormat

第4章 Hadoop数据压缩

4.1 概述

优缺点
- 优点：减少磁盘IO、减少磁盘存储空间
- 缺点：增加CPU开销
压缩原则
- 运算密集型的Job，少用压缩
- IO密集型的Job，多用压缩

4.2 MR支持的压缩编码

压缩算法对比介绍
- DEFLATE
  - Hadoop自带
  - 算法：DEFLATE
  - 文件扩展名：.deflate
  - 不可切片
  - 压缩后原程序不需修改
- Gzip
  - Hadoop自带
  - 算法：DEFLATE
  - 文件扩展名：.gz
  - 不可切片
  - 压缩后原程序不需修改
- bzip2
  - Hadoop自带
  - 算法：bzip2
  - 文件扩展名：.bz2
  - 可切片
  - 压缩后原程序不需修改
- LZ0
  - Hadoop不自带，需安装
  - 算法：LZ0
  - 文件扩展名：.lzo
  - 可切片
  - 压缩后原程序需要建索引，还需指定输入格式
- Snappy
  - Hadoop自带
  - 算法：Snappy
  - 文件扩展名：.snappy
  - 不可切片
  - 压缩后原程序不需修改
压缩性能比较
- gzip：压缩后文件较小，压缩速度较快，解压速度较快
- bzip2：压缩后文件最小，压缩速度极慢，解压速度极慢
- LZO：压缩后文件较大，压缩速度极快，解压速度极快

4.3 压缩方式选择

考虑因素：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以切片

压缩位置选择

压缩可以在MapReduce的任意阶段启用
- Map输入端
  - 数据量小于块大小，重点考虑压缩/解压缩速度较快的LZO/Snappy
  - 数据量非常大，重点考虑支持切片的Bzip2和LZO
- Map输出端
  - 为减少MapTask和ReduceTask之间的网络IO，重点考虑压缩/解压缩速度较快的LZO/Snappy
- Reduce输出端
  - 若数据永久保存，重点考虑压缩率高的Bzip2/Gzip
  - 若作为下一个MapReduce输入，重点考虑数据量和是否支持切片

4.4 压缩参数配置

为支持多种压缩/解压缩算法，Hadoop引入了编码/解码器
- org.apache.hadoop.io.compress.DefaultCodec
- org.apache.hadoop.io.compress.GzipCodec
- org.apache.hadoop.io.compress.BzipCodec
- com.hadoop.compression.lzo.LzopCodec
- org.apache.hadoop.io.compress.SnappyCodec
配置文件
- core-site.xml
  - io.compression.codec：默认值无，mapper输入端压缩，Hadoop使用文件扩展名判断是否支持解编码
- mapred-site.xml
  - mapreduce.map.output.compress：默认值false，mapper输出端压缩，设为true则启用压缩
  - mapreduce.map.output.compress.codec：默认值org.apache.hadoop.io.compress.DefaultCodec，mapper输出端压缩，更改解编码器（多用LZO\Snappy）
  - mapreduce.output.fileoutputformat.compress：默认值false，reducer输出端压缩，设为true则启用压缩
  - mapreduce.output.fileoutputformat.compress.codec：默认值org.apache.hadoop.io.compress.DefaultCodec，更改解编码器（多用gzip/bzip2）

4.5 压缩案例实操

4.5.1 Mapper输出端压缩

Driver

package com.flash7k.mapreduce.compress;
import java.io.IOException;
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.io.compress.BZip2Codec;	
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCountDriver {

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

		Configuration conf = new Configuration();

		// 开启map端输出压缩
		conf.setBoolean("mapreduce.map.output.compress", true);

		// 设置map端输出压缩方式
		conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class,CompressionCodec.class);

		Job job = Job.getInstance(conf);

		job.setJarByClass(WordCountDriver.class);

		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);

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

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

		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));

		boolean result = job.waitForCompletion(true);

		System.exit(result ? 0 : 1);
	}
}

Mapper和Reducer保持不变

4.5.2 Reducer输出端压缩

Driver

package com.flash7k.mapreduce.compress;
import java.io.IOException;
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.io.compress.BZip2Codec;
import org.apache.hadoop.io.compress.DefaultCodec;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.io.compress.Lz4Codec;
import org.apache.hadoop.io.compress.SnappyCodec;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCountDriver {

	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
		
		Configuration conf = new Configuration();
		
		Job job = Job.getInstance(conf);
		
		job.setJarByClass(WordCountDriver.class);
		
		job.setMapperClass(WordCountMapper.class);
		job.setReducerClass(WordCountReducer.class);
		
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);
		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));
		
		// 设置reduce端输出压缩开启
		FileOutputFormat.setCompressOutput(job, true);

		// 设置压缩的方式
	    FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class); 
//	    FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class); 
//	    FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class); 
	    
		boolean result = job.waitForCompletion(true);
		
		System.exit(result?0:1);
	}
}