MapReduce入門及核心流程案例

第1章 MapReduce入門

1.1 MapReduce定義

1.2 MapReduce優缺點

1.3 MapReduce核心思想

1）分散式的運算程式往往需要分成至少2個階段。
2）第一個階段的MapTask併發例項，完全並行執行，互不相干。
3）第二個階段的ReduceTask併發例項互不相干，但是他們的資料依賴於上一個階段的所有MapTask併發例項的輸出。
4）MapReduce程式設計模型只能包含一個Map階段和一個Reduce階段，如果使用者的業務邏輯非常複雜，那就只能多個MapReduce程式，序列執行。

1.4 MapReduce程式

1.5 MapReduce程式設計規範

使用者編寫的程式分成三個部分：Mapper、Reducer和Driver。

1.6 核心流程案例

MapReduce的執行流程概述
需求： 統計/hello目錄中每個檔案的單詞數量，
		a-p開頭的單詞放入到一個結果檔案中，
		q-z開頭的單詞放入到一個結果檔案中。
		
例如： /hello/a.txt   200M
		hello,hi,hadoop
		hive,hadoop,hive,
		zoo,spark,wow
		zoo,spark,wow
		...
       /hello/b.txt    100m
	   hello,hi,hadoop
	   zoo,spark,wow
	   ...

1.Map階段(執行MapTask，將一個大的任務切分為若干小任務，處理輸出階段性的結果)
①切片(切分資料)
/hello/a.txt   200M
/hello/b.txt    100m

預設的切分策略是以檔案為單位，以檔案的塊大小(128M)為片大小進行切片！
split0:/hello/a.txt,0-128M
split1: /hello/a.txt,128M-200M
split2: /hello/b.txt,0M-100M

②執行MapTask（程式），每個MapTask負責一片資料
split0:/hello/a.txt,0-128M--------MapTask1
split1: /hello/a.txt,128M-200M--------MapTask2
split2: /hello/b.txt,0M-100M--------MapTask3

③讀取資料階段
	在MR中，所有的資料必須封裝為key-value
	MapTask1,2,3都會初始化一個InputFormat（預設TextInputFormat），每個InputFormat物件負責建立一個RecordReader(LineRecordReader)物件，
	RecordReader負責從每個切片的資料中讀取資料，封裝為key-value.
	
	LineRecordReader: 將檔案中的每一行封裝為一個key（offset）-value(當前行的內容)
舉例：
hello,hi,hadoop----->(0,hello,hi,hadoop)
hive,hadoop,hive----->(20,hive,hadoop,hive)
zoo,spark,wow----->(30,zoo,spark,wow)
zoo,spark,wow----->(40,zoo,spark,wow)

④進入Mapper的map()階段
	map()是Map階段的核心處理邏輯！ 單詞統計! map()會迴圈呼叫，對輸入的每個Key-value都進行處理！
	輸入：(0,hello,hi,hadoop)
	輸出：(hello,1),(hi,1),(hadoop,1)  
	
	輸入：(20,hive,hadoop,hive)
	輸出：(hive,1),(hadoop,1),(hive,1)  

	輸入：(30,zoo,spark,wow)
	輸出：(zoo,1),(spark,1),(wow,1)  
	
	輸入：(40,zoo,spark,wow)
	輸出：(zoo,1),(spark,1),(wow,1) 

⑤目前，我們需要啟動兩個ReduceTask,生成兩個結果檔案，需要將MapTask輸出的記錄進行分割槽(分組，分類)
在Mapper輸出後，呼叫Partitioner，對Mapper輸出的key-value進行分割槽，分割槽後也會排序（預設字典順序排序）
分割槽規則： a-p開頭的單詞放入到一個區
           q-z開頭的單詞放入到另一個區
MapTask1:		   
0號區：  (hadoop,1)，(hadoop,1)，(hello,1),(hi,1),(hive,1),(hive,1)
1號區：  (spark,1),(spark,1),(wow,1) ，(wow,1),(zoo,1)(zoo,1)

MapTask2:		   
0號區：  。。。
1號區： ...


MapTask3:		   
0號區：   (hadoop,1),(hello,1),(hi,1),
1號區： (spark,1),(wow,1),(zoo,1)

2.Reduce階段
①copy
		ReduceTask啟動後，會啟動shuffle執行緒，從MapTask中拷貝相應分割槽的資料！
		
ReduceTask1: 只負責0號區
		將三個MapTask，生成的0號區資料全部拷貝到ReduceTask所在的機器！
		 (hadoop,1)，(hadoop,1)，(hello,1),(hi,1),(hive,1),(hive,1)
		 (hadoop,1),(hello,1),(hi,1),
		
		
ReduceTask2: 只負責1號區
		將三個MapTask，生成的1號區資料全部拷貝到ReduceTask所在的機器！
		(spark,1),(spark,1),(wow,1) ，(wow,1),(zoo,1)(zoo,1)
		(spark,1),(wow,1),(zoo,1)
②sort

	ReduceTask1:	只負責0號區進行排序：
		(hadoop,1)，(hadoop,1)，(hadoop,1),(hello,1),(hello,1),(hi,1),(hi,1),(hive,1),(hive,1)
	ReduceTask2: 只負責1號區進行排序：
		(spark,1),(spark,1),(spark,1),(wow,1) ，(wow,1),(wow,1),(zoo,1),(zoo,1)(zoo,1)
		
③reduce
	ReduceTask1---->Reducer----->reduce(一次讀入一組資料)
	
	何為一組資料： key相同的為一組資料
		輸入： (hadoop,1)，(hadoop,1)，(hadoop,1)
		輸出：   (hadoop,3)

		輸入： (hello,1),(hello,1)
		輸出：   (hello,2)
		
		輸入： (hi,1),(hi,1)
		輸出：  (hi,2)
		
		輸入：(hive,1),(hive,1)
		輸出： （hive,2）
		
	ReduceTask2---->Reducer----->reduce(一次讀入一組資料)
	

		輸入： (spark,1),(spark,1),(spark,1)
		輸出：   (spark,3)
		
		輸入： (wow,1) ，(wow,1),(wow,1)
		輸出：   (wow,3)

		輸入：(zoo,1),(zoo,1)(zoo,1)
		輸出：   (zoo,3)
		
④呼叫OutPutFormat中的RecordWriter將Reducer輸出的記錄寫出
		ReduceTask1---->OutPutFormat（預設TextOutPutFormat）------>RecordWriter（LineRecoreWriter）
		LineRecoreWriter將一個key-value以一行寫出，key和alue之間使用\t分割
		在輸出目錄中，生成檔案part-r-0000
		hadoop	3
		hello	2
		hi	2
		hive	2
		
		ReduceTask2---->OutPutFormat（預設TextOutPutFormat）------>RecordWriter（LineRecoreWriter）
		LineRecoreWriter將一個key-value以一行寫出，key和alue之間使用\t分割
		在輸出目錄中，生成檔案part-r-0001
		spark	3
		wow	3
		zoo	3

總結

MR的核心程式設計思想

1.概念
		Job(作業) :  一個MR程式稱為一個Job
		MRAppMaster（MR任務的主節點）: 一個Job在執行時，會先啟動一個程式，這個程式為 MRAppMaster。
					負責Job中執行狀態的監控，容錯，和RM申請資源，提交Task等！
					
		Task(任務)：  Task是一個程式！負責某項計算！
		
		Map(Map階段): Map是MapReduce程式執行的第一個階段！
						Map階段的目的是將輸入的資料，進行切分。將一個大資料，切分為若干小部分！
						切分後，每個部分稱為1片(split)，每片資料會交給一個Task（程式）進行計算！
						
						Task負責是Map階段程式的計算，稱為MapTask!
						
						在一個MR程式的Map階段，會啟動N（取決於切片數）個MapTask。每個MapTask是並行執行！
						
		Reduce(Reduce階段)： Reduce是MapReduce程式執行的第二個階段(最後一個階段)！
								Reduce階段的目的是將Map階段，每個MapTask計算後的結果進行合併彙總！得到最終結果！
								Reduce階段是可選的！
								
								Task負責是Reduce階段程式的計算，稱為ReduceTask!
								一個Job可以通過設定，啟動N個ReduceTask，這些ReduceTask也是並行執行！
								每個ReduceTask最終都會產生一個結果！
								
2.MapReduce中常用的元件
①Mapper:   map階段核心的處理邏輯
②Reducer:   reduce階段核心的處理邏輯
③InputFormat:  輸入格式
			MR程式必須指定一個輸入目錄，一個輸出目錄！
			InputFormat代表輸入目錄中檔案的格式！
			如果是普通檔案，可以使用FileInputFormat.
			如果是SequeceFile（hadoop提供的一種檔案格式），可以使用SequnceFileInputFormat.
			如果處理的資料在資料庫中，需要使用DBInputFormat
			
④RecordReader:  記錄讀取器
				RecordReader負責從輸入格式中，讀取資料，讀取後封裝為一組記錄(k-v)!
				
⑤OutPutFormat: 輸出格式
			OutPutFormat代表MR處理後的結果，要以什麼樣的檔案格式寫出！
			將結果寫出到一個普通檔案中，可以使用FileOutputFormat！
			將結果寫出到資料庫中，可以使用DBOutPutFormat！
			將結果寫出到SequeceFile中，可以使用SequnceFileOutputFormat
⑥RecordWriter: 記錄寫出器
			RecordWriter將處理的結果以什麼樣的格式，寫出到輸出檔案中！
		
在MR中資料的流程：
	①InputFormat呼叫RecordReader，從輸入目錄的檔案中，讀取一組資料，封裝為keyin-valuein物件
	②將封裝好的key-value，交給Mapper.map()------>將處理的結果寫出 keyout-valueout
	③ReduceTask啟動Reducer，使用Reducer.reduce()處理Mapper寫出的keyout-valueout，
	④OutPutFormat呼叫RecordWriter，將Reducer處理後的keyout-valueout寫出到檔案
	
⑦Partitioner: 分割槽器
		分割槽器，負責在Mapper將資料寫出時，將keyout-valueout，為每組keyout-valueout打上標記，進行分割槽！
		目的： 一個ReduceTask只會處理一個分割槽的資料！

Map階段(MapTask)：  切片(Split)-----讀取資料(Read)-------交給Mapper處理(Map)------分割槽和排序(sort)
Reduce階段(ReduceTask):  拷貝資料(copy)------排序(sort)-----合併(reduce)-----寫出(write)