Hadoop MapReduce原理及实例

阅读量：2058 次

发布时间：2019-04-29

本文共 12585 字，大约阅读时间需要 41 分钟。

转载自：

MapReduce是用于数据处理的一种编程模型，简单但足够强大，专门为并行处理大数据而设计。

1. 通俗理解MapReduce

MapReduce的处理过程分为两个步骤：map和reduce。每个阶段的输入输出都是key-value的形式，key和value的类型可以自行指定。map阶段对切分好的数据进行并行处理，处理结果传输给reduce，由reduce函数完成最后的汇总。

例如从大量历史数据中找出往年最高气温，NCDC公开了过去每一年的所有气温等天气数据的检测，每一行记录一条观测记录，格式如下：

这里写图片描述

为了使用MapReduce找出历史上每年的最高温度，我们将行数作为map输入的key，每一行的文本作为map输入的value：

这里写图片描述

上图中粗体部分分别表示年份和温度。map函数对每一行记录进行处理，提取出（年份，温度）形式的键值对，作为map的输出：

(1950,0)(1950,22)(1950,-11)(1949,111)(1947,78) 
 
  1 
  2 
  3 
  4 
  5

很明显，有些数据是脏的，因此map也是进行脏数据处理和过滤的好地方。在map输出被传输到reduce之前，MapReduce框架会对键值对进行排序，根据key进行分组，甚至在key相同的一组内先统计出最高气温，所以reduce收到的数据格式像这样：

(1949,[111,78](1950,[0,22,-11] 
 
  1 
  2

如果有多个map任务同时运行（通常都是这样），那么每个map任务完成后，都会向reduce发送上面格式的数据，发送数据的过程叫shuffle。

map的输出会作为reduce的输入，reduce收到的是key加上一个列表，然后对这个列表进行处理，天气数据的例子中，就是找出最大值作为最高气温。最后reduce输出即为每年最高气温：

(1949,111)(1950,22) 
 
  1 
  2

整个MapReduce数据流如下图：

这里写图片描述

其中的3个黑圈圈分别为map，shuffle和reduce过程。在Hadoop中，map和reduce的操作可以由多种语言来编写，例如Java、Python、Ruby等。

在实际的分布式计算中，上述过程由整个集群协调完成，我们假设现在有5年（2011-2015）的天气数据，分布存放在3个文件中: weather1.txt，weather2.txt，weather3.txt。再假设我们现在有一个3台机器的集群，b并且map任务实例数量为3，reduce实例数量2。那么实际运行MapReduce做作业时，整个流程类似于这样：

这里写图片描述

注意到2014年的数据分布在两个不同的文件中，黄色的粗线部分，代表2014年的2个map作业的输出都统一传输到一个reduce，因为他们的key相同（2014）。其实这个过程非常好理解，现实生活中，比如期末考试完了，那考卷由不同的老师批改，完成后如果想知道全年级最高分，那么可以这么做：

1）各个老师根据自己批改过的所有试卷分数整理出来（map）:

=>(course,[score1,score2,...]) 
 
  1

2）各个老师把最高分汇报给系主任（shuffle）

3）系主任统计最高分（reduce）

=>(courese, highest_score) 
 
  1

当然，如果要多门课程混在一起，系主任工作量太大，于是副主任也上（相当于2个reduce），则老师在汇报最高分的时候，相同课程要汇报给同一个人（相同key传输给同一个reduce），例如数学英语汇报给主任，政治汇报给副主任。

2. 实例及代码实现

life is short , show me the code

MapReduce的概念框架有Google提出，Hadoop提供了经典的开源实现。但是并不是Hadoop特有的，例如在文档型数据库MongoDB中，可以通过JS来编写Map-Reduce，对数据库中的数据进行处理。我们这里以Hadoop为例说明。

数据准备

首先将本地的文件上传到HDFS：

hadoop fs -copyFromLocal /home/data/hadoop_book_input/ hdfs://master:9000/input 
 
  1

可以查管理界面查看是否成功上传：

这里写图片描述

查看一下数据内容：

hadoop fs -text hdfs://master:9000/input/ncdc/sample.txt 
 
  1

这里写图片描述

编写Java代码

首先实现Mapper类，Mapper在新版本Hadoop中改变为类（旧版为接口）定义如下：

// 支持泛型，泛型定义map输入输出的键值类型public class Mapper 
   
     {
        public Mapper() {   // map任务开始的时候调用一次，用于做准备工作  protected void setup(Context context) throws IOException, InterruptedException {    // 空实现  }  // map逻辑 默认直接将输入进行类型转换后输出  protected void map(KEYIN key, VALUEIN value,                      Context context) throws IOException, InterruptedException {    context.write((KEYOUT) key, (VALUEOUT) value);  }  // 任务结束后调用一次，清理工作，与setup对应  protected void cleanup(Context context                         ) throws IOException, InterruptedException {    // 空实现  }  // map的实际运行过程就是调用run方法，一般用于高级实现，更精细地控制    任务的执行过程, 一般情况不需要覆盖这个方法  public void run(Context context) throws IOException, InterruptedException {    // 准备工作    setup(context);    try {      // 遍历分配给该任务的数据，循环调用map      while (context.nextKeyValue()) {        map(context.getCurrentKey(), context.getCurrentValue(), context);      }    } finally {      // 清理工作      cleanup(context);    }  }} 
 
  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

实现中我们只覆盖map方法，其他保留不变。具体实现如下：

public class MaxTemperatureMapper  extends Mapper
   
     {
      // 9999代表数据丢失  private static final int MISSING = 9999;  @Override  public void map(LongWritable key, Text value, Context context)      throws IOException, InterruptedException {    // 行作为输入值 key在这里暂时不需要使用    String line = value.toString();    // 提取年份    String year = line.substring(15, 19);    // 提取气温    int airTemperature = parseTemperature( line );    String quality = line.substring(92, 93);    // 过滤脏数据    boolean isRecordClean = airTemperature != MISSING && quality.matches("[01459]");    if ( isRecordClean ) {      // 输出（年份，温度）对      context.write(new Text(year), new IntWritable(airTemperature));    }  }  private int parseTemperature(String line){    int airTemperature;    if (line.charAt(87) == '+') { // parseInt doesn't like leading plus signs      airTemperature = Integer.parseInt(line.substring(88, 92));    } else {      airTemperature = Integer.parseInt(line.substring(87, 92));    }    return airTemperature;  }} 
 
  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

接着实现Reducer，看看定义：

public class Reducer
   
     {
      // Reducer上下文类定义  public abstract class Context     implements ReduceContext
    
      {
      }  // 初始化 在Reduce任务开始时调用一次  protected void setup(Context context                       ) throws IOException, InterruptedException {    // 空实现  }  /**   * map shuffle过来的数据中，每一个key调用一次这个方法   */  @SuppressWarnings("unchecked")  protected void reduce(KEYIN key, Iterable
     
       values, Context context                        ) throws IOException, InterruptedException {    // 默认将所有的值一一输出    for(VALUEIN value: values) {      context.write((KEYOUT) key, (VALUEOUT) value);    }  }  protected void cleanup(Context context                         ) throws IOException, InterruptedException {    // 空实现 收尾工作  } // Reducer的运行逻辑 供更高级的定制  public void run(Context context) throws IOException, InterruptedException {    setup(context);    try {      // 遍历输入key      while (context.nextKey()) {        reduce(context.getCurrentKey(), context.getValues(), context);        // 一个key处理完要转向下一个key时，重置值遍历器        Iterator
      
        iter = context.getValues().iterator();        if(iter instanceof ReduceContext.ValueIterator) {          ((ReduceContext.ValueIterator
       
        )iter).resetBackupStore();                }      }    } finally {      cleanup(context);    }  }} 
 
  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

我们的Reducer实现主要是找出最高气温：

public class MaxTemperatureReducer  extends Reducer
   
     {
      @Override  public void reduce(Text key, Iterable
    
      values,      Context context)      throws IOException, InterruptedException {    int maxValue = findMax( values );    context.write(key, new IntWritable(maxValue));  }  private static  int findMax(Iterable
     
       values){    int maxValue = Integer.MIN_VALUE;    for (IntWritable value : values) {      maxValue = Math.max(maxValue, value.get());    }    return maxValue;  }} 
 
  1 
  2 
  3 
  4 
  5 
  6 
  7 
  8 
  9 
  10 
  11 
  12 
  13 
  14 
  15 
  16 
  17 
  18 
  19 
  20

Mapper和Reducer实现后，需要一个入口提交作业到Hadoop集群，在新版本中，使用YARN框架来运行MapReduce作业。作业配置如下：

public class MaxTemperature {
      public static void main(String[] args) throws Exception {    if (args.length != 2) {      System.err.println("Usage: MaxTemperature  ");      System.exit(-1);    }    // 设置jar包及作业名称    Job job = new Job();    job.setJarByClass(MaxTemperature.class);    job.setJobName("Max temperature");    // 输入输出路径    FileInputFormat.addInputPath(job, new Path(args[0]));    FileOutputFormat.setOutputPath(job, new Path(args[1]));    // 设置Mapper和Reducer实现    job.setMapperClass(MaxTemperatureMapper.class);    job.setReducerClass(MaxTemperatureReducer.class);    // 设置输出格式    job.setOutputKeyClass(Text.class);    job.setOutputValueClass(IntWritable.class);    // 等待作业完成后退出    System.exit(job.waitForCompletion(true) ? 0 : 1);  }} 
 
  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

输入输出路径使用FileInputFormat/FileOutputFormat的静态方法来设置，在运行作业之前，输出目录不能存在，这是为了避免覆盖数据导致数据丢失。运行之前如果检测到目录已经存在，作业将无法运行。OK，把项目打包，如果使用Eclipse，使用Export功能。如果使用Maven开发，则直接运行package命令。假设我们最后的jar包为max-temp.jar.把jar包上传到你的集群机器上，或者放在安装了Hadoop的客户端机器上，这里假设jar包放在/opt/job目录下。

运行

首先把作业jar包放到CLASSPATH：

cd /opt/jobexport HADOOP_CLASSPATH=max-temp.jar 
 
  1 
  2

运行:

hadoop MaxTemperature /input/ncdc/sample.txt /output 
 
  1

hadoop会自动把HADOOP_CLASSPAT设置的路径加入到CLASSPATH中，同时把HADOOP相关的依赖包也加入CLASSPATH，然后启动一个JVM运行MaxTemperature这个带有main方法的类。

结果如下：

这里写图片描述

日志中可以看到作业的一些运行情况，例如map任务数量，reduce任务数量，以及输入输出的记录数，可以看到跟实际情况完全吻合。

我们看一下输出目录/output:

hadoop fs -ls /output 
 
  1

这里写图片描述

可以看到该目录下有个成功标识文件_SUCCESS和结果输出文件part-r-0000，每个reducer会输出一个文件。查看一下这个输出文件的内容：

hadoop fs -text hdfs://master:9000/output/part-r-00000 
 
  1

如上图所示，我们成功得到了1949和1950年的最高温度，无需管结果是否合理，只要按照我们想要的逻辑运行即可。

YARN管理界面也可以看到该作业的情况：

这里写图片描述

3. 进一步理解MapReduce

一个MapReduce作业通常包括输入数据、MapReduce程序以及一些配置信息。Hadoop把作业分解为task运行，task分为map任务和reduce任务，在新版本的Hadoop中，这些Task通过资源管理框架进行调度，如果任务失败，MapReduce应用框架会重新运行任务。

作业的输入被华为为固定大小的分片，叫input splits，简称splits。然后为每一个split分块创建一个map任务，map任务对每一条记录运行用户定义的map函数。划分为split之后，不同配置的机器就可以根据自己的资源及运算能力运行适当的任务，即使是相同配置的机器，最后运行的任务数也往往不等，这样能有效利用整个集群的计算能力。但是split也不已太多，否则会耗费很多时间在创建map任务上，通常而言，按集群Block大小（默认为128M）来划分split是合理的。

Hadoop会把map任务运行在里数据最近的节点上，最好的情况是直接在数据（split）所在的节点上运行map任务，这样不需要占用带宽，这一优化叫做数据本地优化（data locality optimization)。下图的map选址方案从最优到最次为a，b，c：

这里写图片描述

关于Hadoop如何衡量两个集群节点的距离，参考我的另一批博客。但是节点距离不是分配task考虑的唯一因素，还会考虑节点当前负载等因素。

Reduce任务通常无法利用本地数据的优化，大多数情况下，reduce的输入都来自集群的其他节点。reduce针对每一个key运行reduce函数之后，输出结果通常保存在HDFS中，并且存储一定的副本数，第一个副本存在运行reduce任务的本地机器，其他副本根据HDFS写入的管道分别写入节点，关于更多HDFS的数据写入流程，参考。

下图是一个单reduce的数据流示例：

这里写图片描述

如果有多个reduce任务，那么map任务的输出到底该传输到哪一个reduce任务呢？决定某个key的数据（key,[value1, value2,...])该发送给那个reduce的过程叫partition。默认情况下，MapReduce使用key的哈希函数进行分桶，这通常工作的很好。如果需要自行指定分区函数，可以自己实现一个Partitioner并配置到作业中。key相同的map任务输出一定会发送到同一个reduce任务。map任务的输出数据传输到reduce任务所在节点的过程，叫做shuffle。下面是一个更通用的MapReduce数据流图：

这里写图片描述

当然，有些作业中我们可能根本不需要有reduce任务，所有工作在map任务并行执行完之后就完毕了，例如Hadoop提供的并行复制工作distcp，其内部实现就是采用一个只有Mapper，没有Reducer的MapReduce作业，在map完成文件复制之后作业就完成了，如下图所示：

这里写图片描述

在上面计算最高天气的例子中，每个map将每一条记录所产生的（年份，温度）记录都shuffle到reduce节点，当数据量较大时，将占用很多带宽，耗费很长时间。事实上，可以在map任务所在的节点上做更多工作。map任务运行完之后，可以把所有结果按年份分组，并统计出每一年的最高温度（类似于sql中的 select max(temperature) from table group by year），这个最高温度是局部的，只在本任务重产生的数据做比较。做完局部统计之后，将结果发送给reduce做最终的汇总，找出全局最高温度。过程示意图如下：

这里写图片描述

这么做之所以符合逻辑，是基于以下的事实：

max(0,20,10,25,15)=max(max(0,20,10) , max(25,15)) 
 
  1

符合上述性质的函数称为是commutative和associative，有时候也成为是distributive。如果是计算平均温度，则不能使用这一的方式。

上述的局部计算在Hadoop中使用Combiner来表示。为了在作业中使用Combiner，我们需要明确指定，在前面的例子中，可以直接使用Reducer作为Combiner，因为两者逻辑是一样的：

// 设置Mapper和Reducer实现job.setMapperClass(MaxTemperatureMapper.class);job.setCombinerClass(MaxTemperatureReducer.class);job.setReducerClass(MaxTemperatureReducer.class); 
 
  1 
  2 
  3 
  4

4. Hadoop Streaming

Hadoop完全允许我们使用Java以外的语言来编写map和reduce函数。Hadoop Streaming使用Unix标准流作为Hadoop和其他应用程序的接口。数据流的大致示意图如下：

这里写图片描述

整个数据在Hadoop MapReduce与Ruby应用、标准输入输出之间流转，因此叫Streaming。我们继续使用前面气温的例子来说明，先使用ruby来编写map和reduce，然后使用unix的管道来模拟整个过程，最后迁移到Hadoop上运行。

Ruby版本的map函数从标准流中读取数据，运算后将结果输出到标准输出流：

#!/usr/bin/rubySTDIN.each_line do |line|  val = line  year , temp , q = val[15,4],val[87,5],val[92,1]  puts "#{year}\t#{temp}" if (temp != "+9999" && q =~/[01459]/)end 
 
  1 
  2 
  3 
  4 
  5 
  6

逻辑与Java版本完全一样，STDIN是ruby的标准输入，each_line针对每一行进行操作，逻辑封装在do和end之间。puts是ruby标准输出函数，打印tab分割的记录到标准输出流。

因为这个脚本与标准输入输出交互，所以很容易结合linux的管道来测试：

cat input/ncdc/sample.txt | ruby max_temp_map.rb 
 
  1

这里写图片描述

一样用ruby脚本来完成reduce的功能：

last_key , max_val = nil , -1000000STDIN.each_line do |line|  key , val = line.split("\t")  if last_key && last_key != key    puts "#{last_key}\t#{max_val}"    last_key , max_val = key , val.to_i  else    last_key , max_val = key,[max_val , val.to_i].max  endend# 处理最后一个key的输出put "#{last_key}\t#{max_val}" if last_key 
 
  1 
  2 
  3 
  4 
  5 
  6 
  7 
  8 
  9 
  10 
  11 
  12

map处理完之后，同一个key的一组键值对中，value是排序的，所以当前读到的key如果不同于上一个key，表示这个key的所有值都处理完了（前文提到会在切换key之前reset输入）。我们使用sort命令来替代MapReduce中的排序过程，把map的标准输出作为sort的输入，sort通过管道连接到map：

cat /home/data/hadoop_book_input/ncdc/sample.txt| ruby max_temp_map.rb | sort | ruby max_temp_reduce.rb 
 
  1

输出结果如下图，与前文完全一致。

这里写图片描述

很好，我们在Hadoop上运行这个作业。非Java语言的MapReduce作业，需要使用Hadoop Streaming来运行。Hadoop Streaming会负责作业的Task分解，把输入数据作为标准输入流传递给Ruby写的map脚本，并接受来自map脚本的标准输出，排序后shuffle到reduce节点上，并以标准输入传递给reduce，最后把reduce的标准输出保存到HDFS文件中。

我们使用hadoop jar命令,同时指定输入输出目录，脚本位置等。

hadoop jar  /home/hadoop-2.6.0/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar -files max_temp_map.rb,max_temp_reduce.rb -input /input/ncdc/sample.txt -output /output/max-tem-ruby -mapper max_temp_map.rb -reducer max_temp_reduce.rb 
 
  1

-file参数把这些文件上传到集群中。注意map和reduce脚本需要在CLASSPATH下，我是在当前目录下运行的，默认加入到类路径中。另外请确保集群中的所有机器都安装了ruby，否则可能出现类似subprocess failed with code 127。这里的输出文件是/outp/max-tem-ruby，MapReduce不允许多个作业输出到同一个目录。

查看输出文件，与Java版本完全一致。OK，我们设置combiner，然后在大的数据集上感受一下：

hadoop jar  /home/hadoop-2.6.0/share/hadoop/tools/lib/hadoop-streaming-2.6.0.jar -files max_temp_map.rb,max_temp_reduce.rb -input /input/ncdc/all -output /output/max-tem-all  -mapper max_temp_map.rb -combiner x_temp_reduce.rb -reducer max_temp_reduce.rb 
 
  1

计算结果：

这里写图片描述