Java大数据处理的核心技术MapReduce框架

目录

• MapReduce框架
• 1、框架图
• 2、Input数据输入
• 2.1概念
• 2.2数据切片与MapTask并行度
• 2.3切片过程
• 2.4类图
• 2.5TextInputFormat
• 2.6CombineTextInputFormat
• 2.7Read阶段
• 3、Map阶段
• 4、Collect收集阶段
• 5、Shuffle阶段
• 6、ReduceTask

MapReduce框架

1、框架图

Input→Mapper→shuffle→Reducer→Output

2、Input数据输入

2.1概念

（1）数据块（Block），物理存储，Block是HDFS物理上把文件分成一块一块。数据块是HDFS存储数据单位。

（2）数据切片，逻辑存储，数据切片是MapReduce程序j最小计算输入数据的单位。一个切片会启动一个MapTask

2.2数据切片与MapTask并行度

（1）一个Job的Map阶段并行度由客户端在提交job时的切片数决定；

（2）每一个split切片分配一个MapTask并行实例片

（3）切片是针对每一个文件单独切片

（4）默认情况下，切片大小等于Block Size块大小

MapTask数据=输入文件切片数据

2.3切片过程

（1）程序先找到数据存储目录

（2）开始遍历处理目录下的每一个文件

A、按每个文件进行切片

B、判断文件是否可以切片（snappy、Gzip压缩不能切）

（3）遍历第一个文件

获取文件大小→计算切片大小→开始切片→将切片信息写入切片规划文件中→提交切片规划文件到yarn

A、获取文件大小：fs.size(文件)

B、计算切片大小：设置minsize、maxsize、blocksize

mapreduce.input.fileinputformat.split.minsize=1 默认值为1
mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue 默认值Long.MAXValue

计算公式 ：computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))

最大取最小，最小取最大。因此切片大小默认与 HDFS 的 block 保持一致。

maxsize（切片最大值): 参数如果调到比 blocksize 小，则会让切片变小，而且就等于配置的这个参数的值。minsize(切片最小值): 参数调的比 blockSize 大，则可以让切片变得比 blocksize 还大。

C、开始切片：getSplit()

每次切片时，都要判断剩下的是否大于块的1.1倍，不大于1.1倍就切分成一块切片

D、将切片信息写入切片规划文件中：job.split

记录起始位置、长度、所在切点列表等

E、提交切片规划文件到yarn

yarn上MRAppMaster根据切片规划计算MapTask数

三个文件：切片规则文件（job.split）、参数配置文件（job.xml）、程序jar包

2.4类图

2.5TextInputFormat

（1）是FileInputFormat默认的实现类

（2）按行读取每条记录，Key为该行在整个文件的超始字节偏移量，LongWritable型。Value为行内容，不包括任何终止符（换行符、回车符），Text型。

2.6CombineTextInputFormat

（1）应用场景：用于小文件过多的场景，将多个小文件从逻辑上规划到一个切片中， 这样多个小文件交给一个MapTask处理；

（2）虚拟存储切片最大值默认4M，最好根据实际的小文件大小来设置

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);

2.7Read阶段

MapTask通过InputFormat获得RecordReader，从输入InputSplit中解析出一个个Key/Value

3、Map阶段

将解析出来的Key/Value交给用户编写的map()函数处理，并产生一系列新的Key/Value

4、Collect收集阶段

（1）map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果

（2）在该函数内部，它会将生成的Key/Value分区（调用Partitioner），并写入一个环形内存缓冲区中

5、Shuffle阶段

（1）map方法之后 ，reduce方法之前的数据处理过程称之为Shuffle；

（2）环形内存缓冲区

（3）Partition分区-默认分区

A、根据需求按照条件输出到不同分区

B、默认分区：根据key的hashcode对ReduceTask数理取模

C、默认的ReduceTask的数量为1，对应参数mapreduce.job.reduces

（4）Partition分区-自定义Partitioner

A、自定义类继承Partitioner<key,value>，重写getPartition()方法

public class ProvincePartitioner extends Partitioner<Text, FlowBean> {
    @Override
    public int getPartition(Text text, FlowBean flowBean, int i) {
        // 获取手机号前三位prePhone
        String phone = text.toString();
        String prePhone = phone.substring(0, 3);
        //定义一个分区号变量partition,根据prePhone 设置分区号
        int partition;
        if (\"136\".equals(prePhone)) {
            partition = 0;
        } else if (\"137\".equals(prePhone)) {
            partition = 1;
        } else if (\"138\".equals(prePhone)) {
            partition = 2;
        } else if (\"139\".equals(prePhone)) {
            partition = 3;
        } else {
            partition = 4;
        }
        //最后返回分区号partition
        return partition;
    }
}

B、在job驱动中，设置自定义partitioner，job.setPartitionerClass(自定义分区类.class)

C、自定义Partition后，要根据自定义Partitioner的逻辑设置相应的数量的ReduceTask：job.setNumReduceTasks(数量)

public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 1.获取job对象
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);
        // 2.关联本Driver类
        job.setJarByClass(FlowDriver.class);
        // 3.关联Mapper和Reducer类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);
        // 4.设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);
        // 5.设置最终输出KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);
        // 6.设置程序的输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(\"C:\\\\install\\\\temp\\\\input\\\\input02\\\\phone_data.txt\"));
        FileOutputFormat.setOutputPath(job, new Path(\"C:\\\\install\\\\temp\\\\output\\\\output06\"));
        // 8.指定自定义分区器
        job.setPartitionerClass(ProvincePartitioner.class);
        // 9.同时也指定相应数量的ReduceTask--对应的参数mapreduce.job.reduces，默认为1
        job.setNumReduceTasks(5);
        // 7.提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }
}

（5）Partition分区总结

A、如果ReduceTask数量 > getPartition()结果数，则会多产生几个空的输出文件

B、如果 1 <ReduceTask数量 <getPartition()结果数，则有一部分分区数据无处安放，会异常

C、如果ReduceTask数量=1，则不管MapTask输出多少个分区文件，最终结果只有一个ReduceTask，只会产生一个结果文件。（分区数不大于1，不会走默认hash分区器和自定义分区器，直接返回）

D、分区号必须从0开始，逐一累加

（6）排序

A、排序是MapReduce框架中最重要的操作之一

B、MapTask和ReduceTask均会对数据按key进行排序，该 操作属于Hadoop的默认行为 。任务应用程序中的数据均会被排序，而不管逻辑上是否需要。

C、默认排序是按照字典顺序排序，排序的方法为快速排序

D、排序分类：部分排序、全排序、辅助排序、二次排序

（7）溢写

A、当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件

（8）Combiner

A、Combiner是MR程序中Mapper和Reducer之外的一种组件

B、Combiner的父类是Reducer

C、Combiner与Reducer区别：在于运行的位置 ，Combiner是在每一个MapTask所在节点运行，即在分区、排序后准备溢写前可以进行combiner。Reducer是接收全局所有MapTask输出结果。

D、Combiner的意义是对每一个MapTask的输出进行局部汇总，以减少网络传输量

E、Combiner应用前提是不影响最终的业务逻辑

public class WordCountCombiner extends Reducer<Text, IntWritable, Text,IntWritable> {
    private IntWritable outV = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable value : values) {
            sum += value.get();
        }
        outV.set(sum);
        context.write(key,outV);
    }
}

public class WordCountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 一获取二关联三设置一提交
        // 1.获取配置信息及Job对象
        Configuration configuration = new Configuration();
        Job job = Job.getInstance(configuration);
        // 2.关联本Driver程序的类
        job.setJarByClass(WordCountDriver.class);
        // 3.关联Mapper和Reducer的业务类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);
        // 4.设置Mapper输出的KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 5.设置最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        // 6.设置输入和输出路径
        //FileInputFormat.setInputPaths(job, new Path(args[0]));
        //FileOutputFormat.setOutputPath(job, new Path(args[1]));
        FileInputFormat.setInputPaths(job, new Path(\"C:\\\\install\\\\temp\\\\input\\\\hadoop.txt\"));
        FileOutputFormat.setOutputPath(job, new Path(\"C:\\\\install\\\\temp\\\\output\\\\output01-2\"));
        // 8.设置Combiner类--方式一
        //job.setCombinerClass(WordCountCombiner.class);
        // 方式二：其新建的WordCountCombiner的reduce方法处理与正常的WordCountReducer中的reduce方法处理逻辑是一样
        // 因此可以直接用此类作为combiner类
        job.setCombinerClass(WordCountReducer.class);
        // 9.设置ReduceTasks的数量--这样就没有reduce阶段，就不会有shuffle，Combiner也就没有用，直接由map输出，
        // 文件名为part-m-00000，就是不part-r-00000，两者结果是不一样的
        // 即如果没有reduce阶段，即使设置了combiner也不起作用
        // job.setNumReduceTasks(0);
        // 7.提交job
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1); // 0-正常退出 非0（1）异常终止（结束）
    }
}

（9）Meger

A、MapTask以分区为单位进行合并，对所有临时文件合并成一个大文件（output/file.out），同时生成相应索引文件（output/file.out.index）

B、对某个分区采用多轮递归合并的方式，每次合并默认10个文件，每个MapTask最终得到一个大文件

6、ReduceTask

（1）Copy阶段

ReduceTask从各个MapTask上远程拷贝一片数据，如大小超过阀值，则写到磁盘上，否则直接放在内存中

（2）Sort阶段

由于各个MapTask已经实现了对自己处理结果进行了局部排序，因此ReduceTask只需要对所有数据进行一次归并排序即可

（3）Reducer阶段

reduce()函数将计算结果写到HDFS上

（4）其他

A、ReduceTask数量默认是1，可手动设置job.setNumReduceTasks(数量)

B、ReduceTask=0，表示没有reduce阶段，输出文件个数和Map个数一致

C、如果数据分布不均匀，就会在reduce阶段产生数据倾斜

D、ReduceTask数量并不能任意设置，要考虑业务逻辑需求，具体多少个ReduceTask，需要根据集群性能确定

E、如果分区数不是1，但ReduceTask为1，不执行分区过程（执行分区的前提是判断ReduceNum个数是否大于1）