Java --本地提交MapReduce作业至集群?实现 Word …

2018-07-04 02:07:23来源:博客园 阅读 ()

新老客户大回馈,云服务器低至5折

 

                还是那句话,看别人写的的总是觉得心累,代码一贴,一打包,扔到Hadoop上跑一遍就完事了????写个测试样例程序(MapReduce中的Hello World)还要这么麻烦!!!?,还本地打Jar包,传到Linux上,最后再用jar命令运行jar包敲一遍in和out参数,我去,我是受不了了,我很捉急,大笑

                我就想知道MapReduce的工作原理,而知道原理后,我就想在本地用Java程序跑一遍整个MapReduce的计算过程,这个很难吗? 搜遍全网,没发现几个是自己想要的(也有可能漏掉了),都是可以参考的,但是零零散散不对胃口,不适合入门级“玩家”像我一样的人,最后,下定决心,看视频搜集资料,从头到尾的捋一下MapReduce的原理,以及如何在本地,通过编写map和reduce函数对一个文本文件中的单词进行出现次数的统计,并将结果输出到HDFS文件系统上

 

               注: 本文最后,还会附上一套自己写的HDFS的文件操作Java API,使用起来也很方便,API还在不断的完善..

 

效果:

 

1、  HelloWorld文本

 

a b c d
e f a c
a c b f

 

 

 

 

2、上传至HDFS的intput目录下

 

 

 

 

 

3、客户端提交Job,执行MapReduce

 

 

A、map的输出结果

 

 

 

 

 



B、reduce的输入结果(上一步map的输出)

 

 

 

 

 

 

C、reduce的计算结果(代码实现细节先暂时忽略,文章中会讲到)

 

 

 

 

 

D、最后,待任务全部完成,交由HDFS进行结果的文件写入

 

 

 

 

 

 

 

 

 

 

MapReduce中的分区默认是哈希分区,但是我们也可以自己写demo来重写Partitioner类的getPartiton方法,如下:

 

 

 

 

 

分区规则定后,我们需要指定客户端Job的map task的分区类并设置reducer的个数,如下

 

 

 

 

 

最后,提交Job跑一遍MapReduce的效果如下:

 

 

 

 

 

我们分别下载文件*.*-00000和*.*-00001至本地,并进行结果验证,效果如下:

 

 

分区0对应的reduce结果文件如下:

 

 

 

 

 

分区1对应的reduce结果文件如下:

 

 

 

 

 

 

至此,我用效果图的方式,给大家演示了一下MapReduce的前前后后究竟是如何进行map和reduce的,其中发生了什么,最后又发生了什么,很直观,但是,注意,效果图只能帮助你理解MapReduce最终能干什么,具体MapReduce内部的工作原理如何,我下面会继续讲到,而且,博文的末尾,我会附上本篇博文演示要用到的全demo。

 

 

 

 

一、什么是MapReduce

 

 

我们要数图书馆里面的所有书,你数1号书架,我数2号书架,他数3号书架...这就叫Map

现在我们把所有人统计的图书数加在(归并)一起,这就叫“Reduce”

合起来就是MapReduce【分布式大数据处理功能】!!!

详细的请查看:MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算

 

 

 


二、MapReduce执行过程

 

 

 

 

 

补充:

 

1、JobTracker  对应于 NameNode,TaskTracker 对应于 DataNode。

2、JobTracker是一个master服务,软件启动之后JobTracker接收Job,负责调度Job的每一个子任务task运行于TaskTracker上,并监控它们,如果发现有失败的task就重新运行它。一般情况应该把JobTracker部署在单独的机器上。

 

 

Client         :客户端提交一个Job给JobTracker

JobTracker :调度Job的每一个mapper和reducer,并运行在TaskTracker上,并监控它们

Mapper      :拿到符合自己的InputSplit(输入内容),进行map后,输出MapOutPut(map的输出内容)

Reducer     : 拿到MapOutPut作为自己的ReduceInput,进行reduce计算,最后输出OutPut结果

 

 

 

 

 

三、MapReduce工作原理

 

 

 

 

 

 

 

 

注:reducer开始reduce之前,一定要等待mapper完成map后才能开始

 

第一步:Job读取存在于 HDFS文件系统上的文件作为Mapper的输入内容(key,value)并经过特殊的处理(map编程实现)交由Mapper Task

第二步:Mapper Task对map后的数据进行shuffle(洗牌,重组),包括分区、排序或合并(combine)

第三步:Mapper把shuffle后的输出结果(key,values)提供给对应的Reducer Task,由Reducer取走

第四步:Reducer拿到上一步Mapper的输出结果,进行reduce(客户端编程实现)

第五步:Reducer完成reduce计算后,将结果写入HDFS文件系统,不同的reducer对应不同的结果文件

 

 

粗犷的图(自己画的)如下

 

 

 

 

 

 

四、Shuffle过程简介

 

 

 

 
 
 

 

 

      上图需要注意的就是shuffle过程中的分区,图中很直观的说明了,mapper最后会把key-value键值对数据(输入数据)从缓存中拿出(缓存数据溢出)并根据分区规则进行磁盘文件的写入(注意:这里的磁盘文件不是HDFS文件系统上的文件,且写入文件的内容已经是排序过的了),同时会对不同分区的key-value数据文件进行一个归并,最后分给不同的Reduce任务进行reduce处理,如果有多个Mapper,则Reducer从Map端获取的内容需要再次进行归并(把属于不同的Mapper但属于同一个分区的输出的结果进行归并,并在reduce端也进行shuffle过程,写入磁盘文件,最后进行reduce计算,reduce计算的结果最后以文件的形式输出到HDFS文件系统中)

 

 

 

 

 

五、Map端的Shuffle过程

 

 

 

 

 

 

    

 需要知道的是:

 

1、缓存的大小是可以设置的(mapreduce.task.io.sort.mb,默认100M)

2、溢出比(缓存使用率有一个软阈值 == mapreduce.map.sort.spill.percent,默认0.80),当超过阈值时,溢出行为会在后台起一个线程执行从而使Map任务不会因为缓存的溢出而被阻塞。但如果达到硬限制,Map任务会被阻塞,直到溢出行为结束

 

 

 



六、如何编写map和reduce函数

 

 

 
 

        到这一步,如果你对MapReduce的工作原理已经掌握了,那么接下来,编写客户端程序,利用MapReduce的计算功能,实现文本文件中单词的出现次数的统计,将会是轻而易举的。

       

       首先,我们需要一个mapper(任务),其次是reducer(任务),有了两个任务后,我们需要创建一个Job(作业),将mapper和reducer关联起来,并提交至Hadoop集群,由集群中的JobTracker进行mapper和reducer任务的调度,并最终完成数据的计算工作。

       因此,不难发现,光有mapper和reducer任务,是无法进行MapReduce(分布式大数据计算)的,这里我们需要写三个类,一个是实现Map的类,一个是实现Reduce的类,还有一个就是提交作业的主类(Client Main Class)

      

       由于博主的Hadoop版本是3.1.0的,因此,为了兼顾3.X以下的Hadoop集群环境能够在下面提供的demo中能够跑起来,特将本文中涉及到的Hadoop依赖换成了2.7.X的版本,如下:

 

 

 

注意:不要使用过时的hadoop-core(1.2.1)依赖,否则会出现各种意想不到的的问题

       

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.7.1</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-hdfs</artifactId>
    <version>2.7.1</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.7.1</version>
</dependency>
<!-- common 依赖 tools.jar包 -->
<dependency>
    <groupId>jdk.tools</groupId>
    <artifactId>jdk.tools</artifactId>
    <version>1.8</version>
    <scope>system</scope>
    <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>

 

 

 

(1)编写Mapper

 

 



 

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;

/**
 * Mapper 原型 : Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 * 
 * KEYIN    : 默认情况下,是mr框架所读到的一行文本内容的起始偏移量,Long,
 *           但是在hadoop中有自己的更精简的序列化接口,所以不直接用Long,而用LongWritable
 * VALUEIN  : 默认情况下,是mr框架所读到的一行文本的内容(Java String 对应 Hadoop中的Text)
 * KEYOUT   : 用户自定义逻辑处理完成之后输出数据中的key,在此处是单词(String),同上用Text
 * VALUEOUT : 用户自定义逻辑处理完成之后输出数据中的value,在这里是单词的次数:Integer,对应Hadoop中的IntWritable
 * 
 * mapper的输入输出参数的类型必须和reducer的一致,且mapper的输出是reducer的输入
 * 
 * @blob   http://blog.csdn.net/appleyk
 * @date   2018年7月3日15:41:13
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>{

    
    /**
     * map实现数据拆分的操作
     * 本操作主要进行Map的数据处理
     * 在Mapper父类里面接受的内容如下:
     * LongWritable:文本内容的起始偏移量
     * Text:每行的文本数据(行内容)
     * Text:每个单词分解后的统计结果
     * IntWritable:输出记录的结果
     */
     @Override
     protected void map(LongWritable key, Text value,Context context)
             throws IOException, InterruptedException {
       
     System.out.println("文本内容的起始偏移量:"+key);
         String line = value.toString()    ;//取出每行的数据
         String[] result  = line.split(" ");//按照空格进行数据拆分
         //循环单词
         for (int i = 0 ;i <result.length ; i++){
            
           //针对每一个单词,构造一个key-value
            System.out.println("key-value : <"+new Text(result[i])+","+new IntWritable(1)+">");
             
            
           /**
            * 将每个单词的key-value写入到输入输出上下文对象中
            * 并传递给mapper进行shuffle过程,待所有mapper task完成后交由reducer进行对号取走
            */
             context.write(new Text(result[i]), new IntWritable(1));
         }
         
         /**        map端的shuffle过程(大致简单的描述一下)
          *                       |
          *                       |  放缓存(默认100M,溢出比是0.8,即80M满进行磁盘写入并清空,
          *                       |  剩余20M继续写入缓存,二者结合完美实现边写缓存边溢写(写磁盘))
          *                       V
          *               <b,1>,<c,1>,<a,1>,<a,1>
          *                         
          *                       |
          *                       | 缓存写满了,开始shuffle(洗牌、重组)  == 包括分区,排序,以及可进行自定的合并(combine)
          *                       V     
          * 写入磁盘文件(not hdfs)并进行文件归并,成一个个的大文件 <a,<1,1>>,<b,1>,<c,1>   
          * 
          *                         |
          *                         |
          *                         V
          *   每一个大文件都有各自的分区,有几个分区就对应几个reducer,随后文件被各自的reducer领走
          *   
          *           !!! 这就是所谓的mapper的输入即是reducer的输出 !!!
          */
     }
}
 

 

 

 

 

 

 

(2)编写Reducer

 

 

 

 

  

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

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

/**
 * 进行合并后数据的最终统计
 * 本次要使用的类型信息如下:
 * Text:Map输出的文本内容
 * IntWritable:Map处理的个数
 * Text:Reduce输出文本
 * IntWritable:Reduce的输出个数
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
   
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values,Context context)
                    throws IOException, InterruptedException {
       
    //mapper的输出是reducer的输入,因此,这里打一下reducer的接收内容            
    List<Integer> list = new ArrayList<>();
        
    int sum = 0;//记录每个单词(key)出现的次数
        for (IntWritable value : values) {
            //从values集合里面取出key的单个频率数量(其实就是1)进行叠加
            int num = value.get();
            sum += num;
            list.add(num);
          
        }
        
       /**
    * mapper会把一堆key-value进行shuffle操作,其中涉及分区、排序以及合并(combine)
    * 注:上述shuffle中的的合并(combine)区别于map最终的的合(归)并(merge)
    * 比如有三个键值对:<a,1>,<b,1>,<a,1>
    * combine的结果:<a,2>,<b,1>      == 被reducer取走,数据小
    * merage 的结果;<a,<1,1>>,<b,1>  == 被reducer取走,数据较大(相比较上述combine来说)
    * 注:默认combiner是需要用户自定义进行开启的,所以,最终mapper的输出其实是归并(merage)后的的结果
    * 
    * 所以,下面的打印其实就是想看一下mapper在shuffle这个过程后的merage结果(一堆key-values)
    */
    System.out.println("key-values :<"+key+","+list.toString().replace("[", "<")
                .replace("]", ">")+">");
        
        //打印一下reduce的结果
        System.out.println("reduce计算结果 == key-value :<"+key+","+new IntWritable(sum)+">");
        //最后写入到输入输出上下文对象里面,传递给reducer进行shuffle,待所有reducer task完成后交由HDFS进行文件写入
        context.write(key, new IntWritable(sum));
        
     
    }
}
 

 

 

(3)编写Partition分区类(如果需要修改Map默认的哈希分区规则的话)

 

 

 

 


 

 1 import org.apache.hadoop.io.IntWritable;
 2 import org.apache.hadoop.io.Text;
 3 import org.apache.hadoop.mapreduce.Partitioner;
 4 
 5 public class PartitionTest extends Partitioner<Text, IntWritable> {
 6 
 7     /**
 8      * key          : map的输出key 
 9      * value        : map的输出value 
10      * numReduceTask: reduce的task数量
11      * 返回值,指定reduce,从0开始
12      * 比如,分区0交由reducer0拿走
13      */
14     @Override
15     public int getPartition(Text key, IntWritable value, int numReduceTask) {
16         
17         if (key.toString().equals("a")) {
18             //如果key的值等于a,则将其分区指定为0,对应第一个reducer拿走进行reduce
19             return 0;
20         } else {
21             return 1;
22         }
23     }
24 }

 

 

 

 

(4)编写Job类(Main Class)

 

 

 

 

 

 

 1 import org.apache.hadoop.conf.Configuration;
 2 import org.apache.hadoop.fs.Path;
 3 import org.apache.hadoop.io.IntWritable;
 4 import org.apache.hadoop.io.Text;
 5 import org.apache.hadoop.mapreduce.Job;
 6 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
 7 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 8 
 9 import com.appleyk.hdfs.mapper.WordCountMapper;
10 import com.appleyk.hdfs.part.PartitionTest;
11 import com.appleyk.hdfs.reducer.WordCountReducer;
12 
13 /**
14  * Client端,提交作业
15  * @author yukun24@126.com
16  * @blob   http://blog.csdn.net/appleyk
17  * @date   2018年7月3日-上午9:51:49
18  */
19 public class WordCountApp {
20 
21     public static void main(String[] args) throws Exception{
22         
23         Configuration conf = new Configuration();
24         //配置uri
25         conf.set("fs.defaultFS", "hdfs://192.168.142.138:9000");
26     
27         //创建一个作业,作业名"wordCount",作用在Hadoop集群上(remote)
28         Job job = Job.getInstance(conf, "wordCount");
29         
30         /**
31          * 设置jar包的主类(如果样例demo打成Jar包扔在Linux下跑任务,
32          * 需要指定jar包的Main Class,也就是指定jar包运行的主入口main函数)
33          */
34         job.setJarByClass(WordCountApp.class);
35         
36         //设置Mapper 任务的类(自己写demo实现map)
37         job.setMapperClass(WordCountMapper.class);
38         //设置Reducer任务的类(自己写demo实现reduce)
39         job.setReducerClass(WordCountReducer.class);
40 
41         //指定mapper的分区类
42         //job.setPartitionerClass(PartitionTest.class);
43         
44         //设置reducer(reduce task)的数量(从0开始)
45         //job.setNumReduceTasks(2);
46         
47         
48         //设置映射输出数据的键(key)  类(型)
49         job.setMapOutputKeyClass(Text.class);
50         //设置映射输出数据的值(value)类(型)
51         job.setMapOutputValueClass(IntWritable.class);
52 
53         //设置作业(Job)输出数据的键(key)  类(型)   == 最后要写入到输出文件里面
54         job.setOutputKeyClass(Text.class);
55         //设置作业(Job)输出数据的值(value)类(型)   == 最后要写入到输出文件里面
56         job.setOutputValueClass(IntWritable.class);
57 
58         //设置输入的Path列表(可以是单个文件也可以是多个文件(目录表示即可))
59         FileInputFormat.setInputPaths (job, new Path("hdfs://192.168.142.138:9000/input" ));
60         //设置输出的目录Path(确认输出Path不存在,如存在,请先进行目录删除)
61         FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.142.138:9000/output"));
62 
63         //将作业提交到集群并等待它完成。
64         boolean bb =job.waitForCompletion(true);
65         
66         if (!bb) {
67             System.out.println("Job作业执行失败!");
68         } else {
69             System.out.println("Job作业执行成功!");
70         }
71     }
72 
73 }

 

 

 

 

 

(5)运行main方法,提交作业

 

 

出现异常:

 

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z

 

 

 

由于作业是在本地(Windows)跑的,因此,这里遇到一个本地IO读写权限的问题,具体代码可以见NativeIO这个Java类的源码,在此处:

 

 

 

 

将源代码全部拷贝出来,在项目下新建一个同包名同类名称的文件如下:

 

 

 

 

打开后,修改代码如下(去掉验证):

 

 

 

 

 

 

(6)再次运行main方法,提交作业

 

 

再次出现异常:

 

 

org.apache.hadoop.security.AccessControlException:

Permission denied: user=Administrator, access=WRITE,inode="/":root:supergroup:drwxr-xr-x

 

 

 

       意思是再说,我当前使用的user是Windows下的Administrator,但是在Hadoop的HDFS文件系统中,没有这个用户,因此,我想用Administrator这个用户向HDFS文件系统Write的时候出现权限不足的异常,因为HDFS文件系统根目录下的文件对其他用户来说,不具备w和r的权限

       原本把mapreduce程序打包放在集群中跑是不用担心用户的hdfs权限问题的,但是,我一开始说了,我不想那么麻烦,无非就是Hadoop开启了HDFS文件系统的权限验证功能,我给它关了(开放)不就行了,因此,我决定直接在hdfs-site.xml配置文件里进行权限验证的修改,添加内容如下:

 

<property>
    <name>dfs.permissions</name>
    <value>false</value>
</property>

 

 

 

 

 

 保存后,重启Hadoop集群

 

先stop,再start

 

 

 

 

 

 

(7)再次运行main方法,提交作业

 

 

16:55:44.385 [main] INFO org.apache.hadoop.mapreduce.Job -  map 100% reduce 100%
16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)
16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
16:55:44.387 [main] INFO org.apache.hadoop.mapreduce.Job - Job job_local539916280_0001 completed successfully
16:55:44.388 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getCounters(Job.java:758)
16:55:44.407 [main] INFO org.apache.hadoop.mapreduce.Job - Counters: 35
	File System Counters
		FILE: Number of bytes read=560
		FILE: Number of bytes written=573902
		FILE: Number of read operations=0
		FILE: Number of large read operations=0
		FILE: Number of write operations=0
		HDFS: Number of bytes read=46
		HDFS: Number of bytes written=24
		HDFS: Number of read operations=13
		HDFS: Number of large read operations=0
		HDFS: Number of write operations=4
	Map-Reduce Framework
		Map input records=3
		Map output records=12
		Map output bytes=72
		Map output materialized bytes=102
		Input split bytes=112
		Combine input records=0
		Combine output records=0
		Reduce input groups=6
		Reduce shuffle bytes=102
		Reduce input records=12
		Reduce output records=6
		Spilled Records=24
		Shuffled Maps =1
		Failed Shuffles=0
		Merged Map outputs=1
		GC time elapsed (ms)=3
		Total committed heap usage (bytes)=605028352
	Shuffle Errors
		BAD_ID=0
		CONNECTION=0
		IO_ERROR=0
		WRONG_LENGTH=0
		WRONG_MAP=0
		WRONG_REDUCE=0
	File Input Format Counters 
		Bytes Read=23
	File Output Format Counters 
		Bytes Written=24
16:55:44.407 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)
Job作业执行成功!

 

 

 

ok,至此,本地执行mapreduce作业已经完成,接下来就是查看我们要的结果了

 

 

 

 

(8)利用Java HDFS API,打开/output/part-r-00000文件内容,输出到控制台

 

 

 

 

 

a b c d
e f a c
a c b f

 

 

 

 

 

 

 

 

 

七、GitHub项目地址

 

 

 

Java HDFS API ,实现文件的存储和访问 并附带MapReduce作业,本地提交作业至集群实现Word Count的计算

 

 

标签:

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有

上一篇:Vim和Vi的常用命令

下一篇:linux各种终端类型的区别和概念