和远哥一起了解Hadoop的MapReduce是如何运行的

manf

Hadoop越来越火，而Hadoop里面有个核心的玩意，那就是MapReduce，它在Hadoop的并行计算中承担很重要的作用，也是在Hadoop下做程序开发时，必须要了解的，下面我们就MapRecude的一个简单例子WordCount来做一下深入的了解和分析。　　
　　先跟远哥一起先了解一下什么是MapReduce吧。
　　

首先MapReduce它是两个英文单词组成的，Map表示映射，Reduce表示化简，它是一种编程模型，用于大规模数据集（大于1TB）的并行运算，主要思想来自函数式编程。　　在Hadoop中，MapReduce过程分三个步骤：Map(主要是分解并行的任务)、Combine(主要是为了提高Reduce的效率)和Reduce(把处理后的结果再汇总起来) 。
　　
　　关于如何搭建Hadoop运行环境，可以阅读我的另外一篇博文：http://www.iyunv.com/taven/archive/2012/08/12/2634145.html

　　好了，我们先看一下运行一个Hadoop作业的启动代码：
　　


        Job job = new Job(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
        
        System.exit(job.waitForCompletion(true) ? 0 : 1);　　
　　看到没，在运行一个Hadoop作业之前，先得指定 MapperClass 、CombinerClass 、ReducerClass .
　　
　　假设我们交给Hadoop去分析的一个文本内容为：


　　lixy csy lixy zmde nitamade hehe

realy amoeba woyou weibo hehe　　
　　好了，提供的内容很简单，就是3行文本，第1行文本包含n个单词，第2行是空的，第3行也包含n个单词，单词与单词之间用空格隔开，下面我们来看看MapperClass 是如何实现的，又是如何运行的呢？看看 TokenizerMapper 的代码：
　　


public class TokenizerMapper extends Mapper {

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context)    throws IOException, InterruptedException {
        
        System.out.println("TokenizerMapper.map...");
        System.out.println("Map key:"+key.toString()+" Map value:"+value.toString());
        
        StringTokenizer itr = new StringTokenizer(value.toString());
        
        while (itr.hasMoreTokens()) {
            String tmp = itr.nextToken();
            word.set(tmp);
            
            context.write(word, one);
            System.out.println("tmp:"+tmp+" one:"+one);
            
        }
        
        System.out.println("context:"+context.toString());

    }
}　　注：这里远哥要说一下“IntWritable one = new IntWritable(1);”的用意，因为我们不管一个单词会出现几次，只要出现，我们就计算1次，所以“context.write(word, one)”这行代码将一个单词写入的时候，值永远是1；
　　
　　在运行的时候，根据你文件中内容的情况，上面的 map(Object key, Text value, Context context) 方法可能会被调用多次，将本例子提供的文件内容执行后，控制台输出内容如下（为了方便阅读，我添加了一些换行）：
　　


TokenizerMapper.map...
Map key:0 Map value:lixy csy lixy zmde nitamade hehe
tmp:lixy one:1
tmp:csy one:1
tmp:lixy one:1
tmp:zmde one:1
tmp:nitamade one:1
tmp:hehe one:1
context:org.apache.hadoop.mapreduce.Mapper$Context@1af0b4a3

TokenizerMapper.map...
Map key:34 Map value:
context:org.apache.hadoop.mapreduce.Mapper$Context@1af0b4a3

TokenizerMapper.map...
Map key:36 Map value:realy amoeba woyou weibo hehe
tmp:realy one:1
tmp:amoeba one:1
tmp:woyou one:1
tmp:weibo one:1
tmp:hehe one:1
context:org.apache.hadoop.mapreduce.Mapper$Context@1af0b4a3

IntSumReducer.reduce...
val.get():1
Reduce key:amoeba Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:csy Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
val.get():1
Reduce key:hehe Reduce result:2
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:2

IntSumReducer.reduce...
val.get():1
val.get():1
Reduce key:lixy Reduce result:2
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:2

IntSumReducer.reduce...
val.get():1
Reduce key:nitamade Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:realy Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:weibo Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:woyou Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:zmde Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@d5d4de6 Result:1　　
　　 从TokenizerMapper的 map(Object key, Text value, Context context) 调用的信息输出情况可以分析出，文件内容中有两行，所以该方法一共调用了2次（因为TextInputFormat类型的，都是按行处理）。
　　每一行的内容会在value参数中传进来，也就是说每一行的内容都对应了一个key，这个key为此行的开头位置在本文件中的所在位置（所以第1行的key是0，第2行的key是34，第3行的key是36），一般为数字的。
　　在这个map方法中，我们可以加入一些自己的处理逻辑，比如根据空格来取得每个单词，然后我们需要将处理后的结果，写入到 context 参数中，便于hadoop处理完后续的处理逻辑。（这里我们需要注意的是“IntWritable one”变量都是数值1）
　　
　　上面看了map的过程，接下来我们再看reduce的过程，先看看 IntSumReducer 的代码：
　　
　　


public class IntSumReducer extends    Reducer {
   
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {

        System.out.println("IntSumReducer.reduce...");

        
        int sum = 0;
        for (IntWritable val : values) {
            sum += val.get();
            System.out.println("val.get():" + val.get());
        }

        result.set(sum);

        context.write(key, result);

        System.out.println("Reduce key:" + key.toString() + " Reduce result:"    + result.get());

        System.out.println("Reduce Context:" + context + " Result:" + result);

    }
}　　
　　执行调用后，控制台输出内容如下：
　　

IntSumReducer.reduce...
val.get():1
Reduce key:amoeba Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:csy Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():2
Reduce key:hehe Reduce result:2
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:2

IntSumReducer.reduce...
val.get():2
Reduce key:lixy Reduce result:2
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:2

IntSumReducer.reduce...
val.get():1
Reduce key:nitamade Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:realy Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:weibo Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:woyou Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1

IntSumReducer.reduce...
val.get():1
Reduce key:zmde Reduce result:1
Reduce Context:org.apache.hadoop.mapreduce.Reducer$Context@6c04ab2f Result:1 　　
　　通过执行 reduce(Text key, Iterable values, Context context) 方法，奇迹发生了，hadoop传到这里的参数，已经去重了。什么意思呢？就是说，参数key里面是单词名称，如果一个单词出现2次，那么参数values里面就会2个值，但是key只有1次。像“lixy”这个单词在第一行出现了2次，那么这里的key只出现1次，但是后面的values会有2个IntWritable，并且值都是1，这个为1的值其实就是你在map的时候，自己定的。
　　
　　这个例子只是简单的说明了MapReduce的一个简单使用，实际上他的功能远不只这些，还可以实现一些对数据库中数据的排序、统计等等，特别是对一些非常非常庞大的数据表。当你有一个1T的文本内容，需要统计里面每个单词分别出现多少次的时候，一台计算机去计算，会需要很长时间的，有可能光加载就要很长时间，但是如果你交给hadoop，并且配了几台机器一起跑的话，hadoop能把这1T的文本内容分成很多个小段，分发到不同的物理机器上，并行执行你的MapReduce逻辑，然后将几台物理机器上处理完成的内容汇总后给你，整个过程是分片、并行处理完成的，效率大大提高。