大資料時代之hadoop(一)：hadoop安裝

大資料時代之hadoop(二)：hadoop指令碼解析

大資料時代之hadoop(三)：hadoop資料流（生命週期）

大資料時代之hadoop(四)：hadoop 分散式檔案系統（HDFS)

        hadoop的核心分為兩塊，一是分散式儲存系統-hdfs，這個我已經在上一章節大致講了一下，另一個就是hadoop的計算框架-mapreduce。

        mapreduce其實就是一個移動式的基於key-value形式的分散式計算框架。

        其計算分為兩個階段，map階段和reduce階段，都是對資料的處理，由於其入門非常簡單，但是若想理解其中各個環節及實現細節還是有一定程度的困難，因此我計劃在本文中只是挑幾個mapreduce的核心來進行分析講解。

1、MapReduce驅動程式預設值

        編寫mapreduce程式容易入手的其中一個原因就在於它提供了一些了的預設值，而這些預設值剛好就是供開發環境設定而設定的。雖然容易入手，但還是的理解mapreduce的精髓，因為它是mapreduce的引擎，只有理解了mapreduce的核心，當你在編寫mapreduce程式的時候，你所編寫的程式才是最終穩重的，想要的程式。廢話少說，見下面程式碼：

public int run(String[] args) throws IOException {
    JobConf conf = new JobConf();
    

    /**
     *預設的輸入格式，即mapper程式要處理的資料的格式，hadoop支援很多種輸入格式，下面會詳細講解，
     *但TextInputFormat是最常使用的（即普通文字檔案，key為LongWritable-檔案中每行的開始偏移量，value為Text-文字行）。
     **/
    conf.setInputFormat(org.apache.hadoop.mapred.TextInputFormat.class);
    
    /**
     *真正的map任務數量取決於輸入檔案的大小以及檔案塊的大小
     **/
    conf.setNumMapTasks(1);
    
    /**
     *預設的mapclass，如果我們不指定自己的mapper class時，就使用這個IdentityMapper 類
     **/
    conf.setMapperClass(org.apache.hadoop.mapred.lib.IdentityMapper.class);
    
    /**
     * map 任務是由MapRunner負責執行的，MapRunner是MapRunnable的預設實現，它順序的為每一條記錄呼叫一次Mapper的map()方法，詳解程式碼  --重點
     */
    conf.setMapRunnerClass(org.apache.hadoop.mapred.MapRunner.class);
    
    /**
     * map任務輸出結果的key 和value格式
     */
    conf.setMapOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
    conf.setMapOutputValueClass(org.apache.hadoop.io.Text.class);
    
    /**
     * HashPartitioner 是預設的分割槽實現，它對map 任務執行後的資料進行分割槽，即把結果資料劃分成多個塊（每個分割槽對應一個reduce任務）。
     * HashPartitioner是對每條 記錄的鍵進行雜湊操作以決定該記錄應該屬於哪個分割槽。
     * 
     */
    conf.setPartitionerClass(org.apache.hadoop.mapred.lib.HashPartitioner.class);
    
    /**
     * 設定reduce任務個數
     */
    conf.setNumReduceTasks(1);
    
    /**
    *預設的reduce class，如果我們不指定自己的reduce class時，就使用這個IdentityReducer 類
    **/
    conf.setReducerClass(org.apache.hadoop.mapred.lib.IdentityReducer.class);

    /**
     * 任務最終輸出結果的key 和value格式
     */
    conf.setOutputKeyClass(org.apache.hadoop.io.LongWritable.class);
    conf.setOutputValueClass(org.apache.hadoop.io.Text.class);

    /**
     * 最終輸出到文字檔案型別中
     */
    conf.setOutputFormat(org.apache.hadoop.mapred.TextOutputFormat.class);/*]*/
    
    JobClient.runJob(conf);
    return 0;
  }

我要說的大部分都包含在了程式碼的註釋裡面，除此之外，還有一點：由於java的泛型機制有很多限制：型別擦除導致執行過程中型別資訊並非一直可見，所以hadoop需要明確設定map，reduce輸入和結果型別。

上面比較重要的就是MapRunner這個類，它是map任務執行的引擎，預設實現如下：

public class MapRunner<K1, V1, K2, V2>
    implements MapRunnable<K1, V1, K2, V2> {
  
  private Mapper<K1, V1, K2, V2> mapper;
  private boolean incrProcCount;

  @SuppressWarnings("unchecked")
  public void configure(JobConf job) {
  //通過反射方式取得map 例項
    this.mapper = ReflectionUtils.newInstance(job.getMapperClass(), job);
    //increment processed counter only if skipping feature is enabled
    this.incrProcCount = SkipBadRecords.getMapperMaxSkipRecords(job)>0 && 
      SkipBadRecords.getAutoIncrMapperProcCount(job);
  }

  public void run(RecordReader<K1, V1> input, OutputCollector<K2, V2> output,
                  Reporter reporter)
    throws IOException {
    try {
      // allocate key & value instances that are re-used for all entries
      K1 key = input.createKey();
      V1 value = input.createValue();
      
      while (input.next(key, value)) {
        // map pair to output
	//迴圈呼叫map函式
        mapper.map(key, value, output, reporter);
        if(incrProcCount) {
          reporter.incrCounter(SkipBadRecords.COUNTER_GROUP, 
              SkipBadRecords.COUNTER_MAP_PROCESSED_RECORDS, 1);
        }
      }
    } finally {
      mapper.close();
    }
  }

  protected Mapper<K1, V1, K2, V2> getMapper() {
    return mapper;
  }
}

要相信，有些時候還是看原始碼理解的更快！

2、shuffle

          shuffle過程其實就是從map的輸出到reduce的輸入過程中所經歷的步驟，堪稱mapreduce的“心臟”，分為3個階段，map端分割槽、reduce端複製、reduce排序（合併）階段。

2.1、map端分割槽

         由於在mapreduce計算中，有多個map任務和若干個reduce任何，而且各個任務都可能處於不同的機器裡面，所以如何從map任務的輸出到reduce的輸入是一個難點。

        map函式在產生輸出時，並不是簡單的寫到磁碟中，而是利用緩衝的形式寫入到記憶體，並出於效率進行預排序，過程如下圖：

       在寫磁碟之前，執行緒首先根據reduce的個數將輸出資料劃分成響應的分割槽（partiton）。在每個分割槽中，後臺執行緒按鍵進行內排序，如果有個一combiner，它會在排序後的輸出上執行。

2.2、reduce端複製階段

    由於map任務的輸出檔案寫到了本地磁碟上，並且劃分成reduce個數的分割槽（每一個reduce需要一個分割槽），由於map任務完成的時間可能不同，因此只要一個任務完成，reduce任務就開始複製其輸出，這就是reduce任務的複製階段。如上圖所示。

2.3、reduce端排序（合併）階段

     複製完所有map輸出後，reduce任務進入排序階段（sort phase），這個階段將合併map輸出，維持其順序排序，如上圖所示。

3、輸入與輸出格式

       隨著時間的增加，資料的增長也是指數級的增長，且資料的格式也越來越多，對大資料的處理也就越來越困難，為了適應能夠處理各種各樣的資料，hadoop提供了一系列的輸入和輸出格式控制，其目的很簡單，就是能夠解析各種輸入檔案，併產生需要的輸出格式資料。

       但是不管處理哪種格式的資料，都要與mapreduce結合起來，才能最大化的發揮hadoop的有點。

    這部分也是hadoop的核心啊！

3.1、輸入分片與記錄

        在講HDFS的時候，說過，一個輸入分片就是由單個map任務處理的輸入塊，一個分片的大小最好與hdfs的塊大小相同。

        每個分片被劃分成若干個記錄，每個記錄就是一個鍵值對，map一個接一個的處理每條記錄。

             在資料庫常見中，一個輸入分片可以對應一個表的若干行，而一條記錄對應一行（DBInputFormat）。

        輸入分片在hadoop中表示為InputSplit介面，有InputFormat建立的。

        InputFormat負責產生輸入分片並將他們分割成記錄，其只是一個介面，具體任務有具體實現去做的。

3.2、FileInputFormat

           FileInputFormat是所有使用檔案作為其資料來源的InputFormat實現的基類，它提供了兩個功能：一個定義哪些檔案包含在作業的輸入中；一個為輸入檔案產生分片的實現。把分片割成基類的作業有其子類實現,FileInputFormat是個抽象類。

   FileInputFormat實現了把檔案分割槽的功能，但它是怎麼來實現了呢？需要先說三個引數：

   分片的大小有一個公式計算（參考FileInputFomat類的computeSplitSize（）方法）

                     max（minimumSize,min(maximumSize,blockSize)）

 預設情況下： minimumSize  <  blockSize < maximumSize

   FileInputFormat只分割大檔案，即檔案大小超過塊大小的檔案。

   FileInputFormat生成的InputSplit是一整個檔案（檔案太小，未被分割槽，整個檔案當成一個分割槽，供map任務處理）或該檔案的一部分（檔案大，被分割槽）。 

3.3、常用的InputFormat實現

小檔案與CombineFileInputFormat

      雖然hadoop適合處理大檔案，但在實際的情況中，大量的小檔案處理是少不了的，因此hadoop提供了一個CombineFileInputFormat，它針對小檔案而設計的，它把多個檔案打包到一個分片中一般每個mapper可以處理更多的資料。

TextInputFormat

     hadoop預設的InputFormat，每個記錄的鍵是檔案中行的偏移量，值為行內容。

KeyValueInputFormat

     適合處理配置檔案，檔案中行中為key value格式的，如key=value型別的檔案  ，key即為行中的key，value即為行中的value。

NLineInputFormat

     也是為處理文字檔案而開發的，它的特點是為每個map任務收到固定行數的輸入，其他與TextInputFormat相似。

SequenceFileInputFormat（二進位制輸入）

     hadoop的順序檔案格式儲存格式儲存二進位制的鍵值對序列，由於順序檔案裡面儲存的就是map結構的資料，所以剛好可以有SequenceFileInputFormat 來進行處理。

DBInputFormat

     顧名思義，用於使用jdbc從關聯式資料庫中讀取資料。

多種輸入

        MultipleInputs類可以用來處理多種輸入格式的資料，如輸入資料中包含文字型別和二進位制型別的，這個時候就可以用 MultipleInputs來指定某個檔案有哪種輸入型別和哪個map函式來解析。

3.4、輸出格式

     既然有輸入格式，就有輸出格式，與輸入格式對應。

     預設的輸出格式是TextOutputFormat，它把記錄寫成文字行，鍵值對可以是任意型別， 鍵值對中間預設用製表符分割。

3.5、hadoop特性

       除了上面幾點之外，還有計數器、排序、連線等需要關注，詳細待後續吧。。。