课程安排
MapReduce原理***
MapReduce执行过程**
数据类型与格式***
Writable接口与序列化机制***
---------------------------加深拓展----------------------
MapReduce的执行过程源码分析
问题：怎样解决海量数据的计算？
![]()
MapReduce概述
lMapReduce是一种分布式计算模型，由Google提出，主要用于搜索领域，解决海量数据的计算问题.
lMR由两个阶段组成：Map和Reduce，用户只需要实现map()和reduce()两个函数，即可实现分布式计算，非常简单。
l这两个函数的形参是key、value对，表示函数的输入信息。
思考：自己设计一个MapReduce框架
Mapreduce原理
![]()
◆执行步骤：
1. map任务处理
1.1 读取输入文件内容，解析成key、value对。对输入文件的每一行，解析成key、value对。每一个键值对调用一次map函数。
1.2 写自己的逻辑，对输入的key、value处理，转换成新的key、value输出。
2.reduce任务处理
2.1写reduce函数自己的逻辑，对输入的key、value处理，转换成新的key、value输出。
2.2把reduce的输出保存到文件中。
map、reduce键值对格式
![]()
WordCountApp的驱动代码
Configuration conf = new Configuration(); //加载配置文件
Job job = new Job(conf); //创建一个job，供JobTracker使用
job.setJarByClass(WordCountApp.class);
job.setMapperClass(WordCountMapper.class);
job.setReducerClass(WordCountReducer.class);
FileInputFormat.setInputPaths(job, new Path("hdfs://192.168.1.10:9000/input"));
FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.1.10:9000/output"));
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
job.waitForCompletion(true);
}
MR流程
l代码编写
l作业配置
l提交作业
l初始化作业
l分配任务
l执行任务
l更新任务和状态
l完成作业
![]()
MR过程各个角色的作用
ljobClient：提交作业
lJobTracker：初始化作业，分配作业，TaskTracker与其进行通信，协调监控整个作业
lTaskTracker：定期与JobTracker通信，执行Map和Reduce任务
lHDFS：保存作业的数据、配置、jar包、结果
作业提交
l提交作业之前，需要对作业进行配置
•编写自己的MR程序
•配置作业，包括输入输出路径等等
l提交作业
•配置完成后，通过JobClient提交
l具体功能
•与JobTracker通信得到一个jar的存储路径和JobId
•输入输出路径检查
•将jobj ar拷贝到的HDFS
•计算输入分片，将分片信息写入到job.split中
•写job.xml
•真正提交作业
作业初始化
l客户端提交作业后，JobTracker会将作业加入到队列，然后进行调度，默认是FIFO方式
l具体功能
•作业初始化主要是指JobInProgress中完成的
•读取分片信息
•创建task包括Map和Reduce任创建task包括Map和Reduce任务
•创建TaskInProgress执行task，包括map任务和reduce任务
任务分配
lTaskTracker与JobTracker之间的通信和任务分配是通过心跳机制实现的
lTaskTracker会主动定期向JobTracker发送心态信息，询问是否有任务要做，如果有，就会申请到任务。
任务执行
l如果TaskTracker拿到任务，会将所有的信息拷贝到本地，包括代码、配置、分片信息等
lTaskTracker中的localizeJob()方法会被调用进行本地化，拷贝job.jar，jobconf，job.xml到本地
lTaskTracker调用launchTaskForJob()方法加载启动任务
lMapTaskRunner和ReduceTaskRunner分别启动java child进程来执行相应的任务
状态更新
lTask会定期向TaskTraker汇报执行情况
lTaskTracker会定期收集所在集群上的所有Task的信息，并向JobTracker汇报
lJobTracker会根据所有TaskTracker汇报上来的信息进行汇总
作业完成
lJobTracker是在接收到最后一个任务完成后，才将任务标记为成功
l将数结果据写入到HDFS中
错误处理
lJobTracker失败
•存在单点故障，hadoop2.0解决了这个问题
lTraskTracker失败
•TraskTracker崩溃了会停止向JobTracker发送心跳信息。
•JobTracker会将TraskTracker从等待的任务池中移除，并将该任务转移到其他的地方执行
•JobTracker将TaskTracker加入到黑名单中
lTask失败
•任务失败，会向TraskTracker抛出异常
•任务挂起
JobTracker
l负责接收用户提交的作业，负责启动、跟踪任务执行。
lJobSubmissionProtocol是JobClient与JobTracker通信的接口。
lInterTrackerProtocol是TaskTracker与JobTracker通信的接口。
TaskTracker
l负责执行任务。
JobClient
l是用户作业与JobTracker交互的主要接口。
l负责提交作业的，负责启动、跟踪任务执行、访问任务状态和日志等。
![]()
序列化概念
l序列化（Serialization）是指把结构化对象转化为字节流。
l反序列化（Deserialization）是序列化的逆过程。即把字节流转回结构化对象。
lJava序列化（java.io.Serializable）
Hadoop序列化的特点
l序列化格式特点：
1.紧凑：高效使用存储空间。
2.快速：读写数据的额外开销小
3.可扩展：可透明地读取老格式的数据
4.互操作：支持多语言的交互
Hadoop的序列化格式：Writable
Java序列化的不足：
1.不精简。附加信息多。不大适合随机访问。
2.存储空间大。递归地输出类的超类描述直到不再有超类。序列化图对象，反序列化时为每个对象新建一个实例。相反。Writable对象可以重用。
3.扩展性差。而Writable方便用户自定义
Hadoop序列化的作用
l序列化在分布式环境的两大作用：进程间通信，永久存储。
lHadoop节点间通信。
Writable接口
lWritable接口, 是根据 DataInput 和 DataOutput 实现的简单、有效的序列化对象.
lMR的任意Key和Value必须实现Writable接口.
![]()
•MR的任意key必须实现WritableComparable接口
![]()
常用的Writable实现类
Text一般认为它等价于java.lang.String的Writable。针对UTF-8序列。
例:
Text test = new Text("test");
IntWritable one = new IntWritable(1);
![]()
![]()
自定义Writable类
Writable
①write 是把每个对象序列化到输出流
②readFields是把输入流字节反序列化
![]()
①实现WritableComparable.
②Java值对象的比较：一般需要重写toString(),hashCode(),equals()方法
自定义WritableKpi
1.电信例子
2.把上面例子里的Mapper的value改写为自定义Writable类型。修改原MapReduce程序，并成功执行。结果跟原来一致。
MapReduce输入的处理类
lFileInputFormat:
FileInputFormat是所有以文件作为数据源的InputFormat实现的基类，FileInputFormat保存作为job输入的所有文件，并实现了对输入文件计算splits的方法。至于获得记录的方法是有不同的子类——TextInputFormat进行实现的。
InputFormat
![]()
InputFormat 负责处理MR的输入部分.
有三个作用:
v验证作业的输入是否规范.
v把输入文件切分成InputSplit.
v提供RecordReader 的实现类，把InputSplit读到Mapper中进行处理.
InputSplit
◆ 在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个map任务的输入，在map执行过程中split会被分解成一个个记录（key-value对），map会依次处理每一个记录。
◆ FileInputFormat只划分比HDFS block大的文件，所以FileInputFormat划分的结果是这个文件或者是这个文件中的一部分.
◆ 如果一个文件的大小比block小，将不会被划分，这也是Hadoop处理大文件的效率要比处理很多小文件的效率高的原因。
◆ 当Hadoop处理很多小文件（文件大小小于hdfs block大小）的时候，由于FileInputFormat不会对小文件进行划分，所以每一个小文件都会被当做一个split并分配一个map任务，导致效率底下。
例如：一个1G的文件，会被划分成16个64MB的split，并分配16个map任务处理，而10000个100kb的文件会被10000个map任务处理。
TextInputFormat
◆ TextInputformat是默认的处理类，处理普通文本文件。
◆ 文件中每一行作为一个记录，他将每一行在文件中的起始偏移量作为key，每一行的内容作为value。
◆ 默认以\n或回车键作为一行记录。
◆ TextInputFormat继承了FileInputFormat。
InputFormat类的层次结构
![]()
其他输入类
◆ CombineFileInputFormat
相对于大量的小文件来说，hadoop更合适处理少量的大文件。
CombineFileInputFormat可以缓解这个问题，它是针对小文件而设计的。
◆ KeyValueTextInputFormat
当输入数据的每一行是两列，并用tab分离的形式的时候，KeyValueTextInputformat处理这种格式的文件非常适合。
◆ NLineInputformat
NLineInputformat可以控制在每个split中数据的行数。
◆ SequenceFileInputformat
当输入文件格式是sequencefile的时候，要使用SequenceFileInputformat作为输入。
自定义输入格式
1）继承FileInputFormat基类。
2）重写里面的getSplits(JobContext context)方法。
3）重写createRecordReader(InputSplit split, TaskAttemptContext context)方法。
(讲解源代码)
Hadoop的输出
◆ TextOutputformat
默认的输出格式，key和value中间值用tab隔开的。
◆ SequenceFileOutputformat
将key和value以sequencefile格式输出。
◆ SequenceFileAsOutputFormat
将key和value以原始二进制的格式输出。
◆ MapFileOutputFormat
将key和value写入MapFile中。由于MapFile中的key是有序的，所以写入的时候必须保证记录是按key值顺序写入的。
◆ MultipleOutputFormat
默认情况下一个reducer会产生一个输出，但是有些时候我们想一个reducer产生多个输出，MultipleOutputFormat和MultipleOutputs可以实现这个功能。
思考题
1.MapReduce框架的结构是什么
2.Map在整个MR框架中作用是什么
3.Reduce在整个MR框架中作用是什么
本文转自SummerChill博客园博客，原文链接：http://www.cnblogs.com/DreamDrive/p/4572339.html，如需转载请自行联系原作者
