1、高級軟件人才實作培訓專家!Hadoop深入淺出講師:吳超博客：QQ:3774 86624北京傳智播客教育 高級軟件人才實作培訓專家!課程安排l MapReduce原理*l MapReduce執(zhí)行過程*l 數(shù)據(jù)類型與格式*l Writable接口與序列化機制*加深拓展l MapReduce的執(zhí)行過程源碼分析高級軟件人才實作培訓專家!MapReduce概述 MapReduce是一種分布式計算模型，由Google提出，主要用于搜索領域，解決海量數(shù)據(jù)的計算問題. MR由兩個階段組成：Map和Reduce，用戶只需要實現(xiàn)map()和reduce()兩

2、個函數(shù)，即可實現(xiàn)分布式計算，非常簡單。 這兩個函數(shù)的形參是key、value對，表示函數(shù)的輸入信息。高級軟件人才實作培訓專家!MR執(zhí)行流程高級軟件人才實作培訓專家!Mapreduce原理 執(zhí)行步驟：1. map任務處理1.1 讀取輸入文件內容，解析成key、value對。對輸入文件的每一行，解析成key、value對。每一個鍵值對調用一次map函數(shù)。1.2 寫自己的邏輯，對輸入的key、value處理，轉換成新的key、value輸出。1.3 對輸出的key、value進行分區(qū)。1.4 對不同分區(qū)的數(shù)據(jù)，按照key進行排序、分組。相同key的value放到一個集合中。1.5 (可選)分組后的數(shù)

3、據(jù)進行歸約。2. reduce任務處理2.1 對多個map任務的輸出，按照不同的分區(qū)，通過網(wǎng)絡copy到不同的reduce節(jié)點。2.2 對多個map任務的輸出進行合并、排序。寫reduce函數(shù)自己的邏輯，對輸入的key、value處理，轉換成新的key、value輸出。2.3 把reduce的輸出保存到文件中。例子：實現(xiàn)WordCountApp高級軟件人才實作培訓專家!高級軟件人才實作培訓專家!map、reduce鍵值對格式函數(shù)輸入鍵值對輸出鍵值對map()reduce()高級軟件人才實作培訓專家!WordCountApp的驅動代碼public static void main(String

4、args) throws Exception Configuration conf = new Configuration();/加載配置文件Job job = new Job(conf);/創(chuàng)建一個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.

5、1.10:9000/input); FileOutputFormat.setOutputPath(job, new Path(hdfs:/0:9000/output);job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class);job.waitForCompletion(true);高級軟件人才實作培訓專家!JobTrackerl 負責接收用戶提交的作業(yè)，負責啟動、跟蹤任務執(zhí)行。l JobSubmissionProtocol是JobClient與JobTracker通信的接口。

6、l InterTrackerProtocol是TaskTracker與JobTracker通信的接口。高級軟件人才實作培訓專家!TaskTrackerl 負責執(zhí)行任務。高級軟件人才實作培訓專家!JobClientl 是用戶作業(yè)與JobTracker交互的主要接口。l 負責提交作業(yè)的，負責啟動、跟蹤任務執(zhí)行、訪問任務狀態(tài)和日志等。高級軟件人才實作培訓專家!高級軟件人才實作培訓專家!最小的MapReduce驅動Configuration configuration = new Configuration(); Job job = new Job(configuration, HelloWorld)

7、; job.setInputFormat(TextInputFormat.class);job.setMapperClass(IdentityMapper.class);job.setMapOutputKeyClass(LongWritable.class); job.setMapOutputValueClass(Text.class); job.setPartitionerClass(HashPartitioner.class); job.setNumReduceTasks(1); job.setReducerClass(IdentityReducer.class); job.setOutp

8、utKeyClass(LongWritable.class); job.setOutputValueClass(Text.class); job.setOutputFormat(TextOutputFormat.class);job.waitForCompletion(true);高級軟件人才實作培訓專家!MapReduce驅動默認的設置InputFormat(輸入)TextInputFormatMapperClass(map類)IdentityMapperMapOutputKeyClassLongWritableMapOutputValueClassTextPartitionerClassH

9、ashPartitionerReduceClassIdentityReduceOutputKeyClassLongWritableOutputValueClassTextOutputFormatClassTextOutputFormat高級軟件人才實作培訓專家!序列化概念l 序列化（Serialization）是指把結構化對象轉化為字節(jié)流。l 反序列化（Deserialization）是序列化的逆過程。即把字節(jié)流轉回結構化對象。l Java序列化（java.io.Serializable）高級軟件人才實作培訓專家!Hadoop序列化的特點l 序列化格式特點：1. 緊湊：高效使用存儲空間。2.

10、快速：讀寫數(shù)據(jù)的額外開銷小3. 可擴展：可透明地讀取老格式的數(shù)據(jù)4. 互操作：支持多語言的交互Hadoop的序列化格式：Writable高級軟件人才實作培訓專家!Hadoop序列化的作用l 序列化在分布式環(huán)境的兩大作用：進程間通信，永久存儲。l Hadoop節(jié)點間通信。節(jié)點2節(jié)點1二進制流 反序列化為消息消 息 序列化為二進制流二進制流消息高級軟件人才實作培訓專家!Writable接口lWritable接口, 是根據(jù) DataInput 和 DataOutput 實現(xiàn)的簡單、有效的序列化對象.lMR的任意Key和Value必須實現(xiàn)Writable接口.MR的任意key必須實現(xiàn)WritableC

11、omparable接口高級軟件人才實作培訓專家!常用的Writable實現(xiàn)類Text一般認為它等價于java.lang.String的Writable。針對UTF-8序列。例:Text test = new Text(test);IntWritable one = new IntWritable(1);自定義Writable類高級軟件人才實作培訓專家!Writablewrite 是把每個對象序列化到輸出流readFields是把輸入流字節(jié)反序列化實現(xiàn)WritableComparable.Java值對象的比較：一般需要重寫toString(),hashCode(),equals()方法高級軟件人

12、才實作培訓專家!基于文件的存儲結構l SequenceFile 無序存儲l MapFile 會對key建立索引文件，value按key順序存儲基于MapFile的結構有:l ArrayFile 像我們使用的數(shù)組一樣，key值為序列化的數(shù)字l SetFile 他只有key，value為不可變的數(shù)據(jù)l BloomMapFile 在 MapFile 的基礎上增加了一個 /bloom 文件，包含的是二進制的過濾表，在每一次寫操作完成時， 會更新這個過濾表。高級軟件人才實作培訓專家!自定義WritableKpil 電信例子l 把上面例子里的Mapper的value改寫為自定義Writable類型。修改原

13、MapReduce程序，并成功執(zhí)行。結果跟原來一致。高級軟件人才實作培訓專家!MapReduce輸入的處理類l FileInputFormat:FileInputFormat是所有以文件作為數(shù)據(jù)源的InputFormat 實現(xiàn)的基類，F(xiàn)ileInputFormat保存作為job輸入的所有文件， 并實現(xiàn)了對輸入文件計算splits的方法。至于獲得記錄的方法是有不同的子類TextInputFormat進行實現(xiàn)的。高級軟件人才實作培訓專家!InputFormatInputFormat 負責處理MR的輸入部分.有三個作用:vvv驗證作業(yè)的輸入是否規(guī)范.把輸入文件切分成InputSplit.提供Reco

14、rdReader 的實現(xiàn)類，把InputSplit讀到Mapper中進行處理.高級軟件人才實作培訓專家!InputSplit 在執(zhí)行mapreduce之前，原始數(shù)據(jù)被分割成若干split，每個split作為一個map任務的輸入，在map執(zhí)行過程中split會被分解成一個個記錄（key-value對），map會依次處理每一個記錄。 FileInputFormat只劃分比HDFS block大的文件，所以FileInputFormat劃分的結果是這個文件或者是這個文件中的一部分. 如果一個文件的大小比block小，將不會被劃分，這也是Hadoop處理大文件的效率要比處理很多小文件的效率高的原因。當

15、Hadoop處理很多小文件（文件大小小于hdfs block大?。┑臅r候，由于FileInputFormat不會對小文件進行劃分，所以每一個小文件都會被當做一個split并分配一個map任務，導致效率底下。例如：一個1G的文件，會被劃分成16個64MB的split，并分配16個map任務處理，而10000個100kb的文件會被10000個map任務處理。高級軟件人才實作培訓專家!TextInputFormatTextInputformat是默認的處理類，處理普通文本文件。文件中每一行作為一個記錄，他將每一行在文件中的起始偏移量作為key，每一行的內容作為value。 默認以n或回車鍵作為一行記

16、錄。 TextInputFormat繼承了FileInputFormat。高級軟件人才實作培訓專家!InputFormat類的層次結構高級軟件人才實作培訓專家!其他輸入類 CombineFileInputFormat相對于大量的小文件來說，hadoop更合適處理少量的大文件。CombineFileInputFormat可以緩解這個問題，它是針對小文件而設計的。 KeyValueTextInputFormat當輸入數(shù)據(jù)的每一行是兩列，并用tab分離的形式的時候，KeyValueTextInputformat處理這種格式的文件非常適合。 NLineInputformatNLineInputform

17、at可以控制在每個split中數(shù)據(jù)的行數(shù)。 SequenceFileInputformat當輸入文件格式是sequencefile的時候，要使用SequenceFileInputformat作為輸入。高級軟件人才實作培訓專家!自定義輸入格式1）繼承FileInputFormat基類。 2）重寫里面的getSplits(JobContext context)方法。3）重寫createRecordReader(InputSplit split,TaskAttemptContext context)方法。(講解源代碼)高級軟件人才實作培訓專家!Hadoop的輸出 TextOutputformat默認的輸出格式，key和value中間值用tab隔開的。 SequenceFileOutputformat將key和value以sequencefile格式輸出。 SequenceFileAsOutputFormat將key和value以原始二進制的格式