侧边栏壁纸
博主头像
陈铭

🤪阿巴阿巴阿巴🤪

  • 累计撰写 276 篇文章
  • 累计创建 263 个标签
  • 累计收到 24 条评论
标签搜索

目 录CONTENT

文章目录
大数据

MapReduce源码解析和基本操作

陈铭
陈铭
2023-01-18 / 0 评论 / 2 点赞 / 345 阅读 / 15,635 字 / 正在检测是否收录...

WordCount

这边自行实现一个WordCount任务，和HDFS的Java调用一样，需要win的Hadoop依赖，此处略。但是自行定义的MR程序后面需要打包成Jar，所以pom文件里加上如下依赖：

<!--如果下方maven-assembly-plugin插件报红，可以再加上对应依赖-->
<dependency>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-assembly-plugin</artifactId>
    <version>3.0.0</version>
</dependency>
---
<build>
<plugins>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>3.6.1</version>
        <configuration>
            <source>1.8</source>
            <target>1.8</target>
        </configuration>
    </plugin>
    <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-assembly-plugin</artifactId>
        <version>3.0.0</version>
        <configuration>
            <descriptorRefs>
                <descriptorRef>jar-with-dependencies</descriptorRef>
            </descriptorRefs>
        </configuration>
        <executions>
            <execution>
                <id>make-assembly</id>
                <phase>package</phase>
                <goals>
                    <goal>single</goal>
                </goals>
            </execution>
        </executions>
    </plugin>
</plugins>
</build>

定义Mapper

这个就是MapReduce任务中执行MapTask的类。

  • 用户自定义的Mapper要继承自己的父类
  • Mapper的输入数据是KV对的形式(KV的类型可自定义)
  • Mapper中的业务逻辑写在map()方法中
  • Mapper的输出数据是KV对的形式(KV的类型可自定义)
  • map()方法(MapTask进程）对每一个<K,V>调用一次
package ltd.cmjava.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;


/**
 * @ClassName WordCountMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:11 2023/1/18
 * @Version 1.0
 **/
// 泛型中：LongWritable, Text对应的是Maper输入的KV类型，LongWritable是Key，Text是Value
// 而Text, IntWritable是Maper输出的KV类型，前者是Key后者是Value
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    Text k = new Text();
    IntWritable v = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) {
        // 获取一行
        String line = value.toString();
        // 按空格切割单词
        String[] words = line.split(" ");

        try {
            // 输出KV，形式为{"word": 1}
            // 所以出现同个单词时，会有多个相同的KV
            for (String word : words) {
                k.set(word);
                context.write(k, v);
            }
        } catch (IOException | InterruptedException e) {
            e.printStackTrace();
        }
    }
}

定义Reducer

这个就是MapReduce任务中执行ReduceTask的类。

  • 用户自定义的Reducer要继承自己的父类
  • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
  • 减速机的业务逻辑写在减速器(方法中)
  • ReduceTask进程对每一组相同k的k，v>组调用一次Reduce()方法
package ltd.cmjava.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

/**
 * @ClassName WordCountReducer
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:12 2023/1/18
 * @Version 1.0
 **/
// 类似于WordCountMapper，四个泛型参数依次是输入Key，输入Value，输出Key，输出Value
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>{

    int sum;
    IntWritable v = new IntWritable();

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values,Context context)  {
        // 计算单词次数
        // 相同的KV会进入一次reduce
        // 所以values都是同一个key多个value的迭代器
        sum = 0;
        for (IntWritable count : values) {
            sum += count.get();
        }

        try {
            // 输出KV，此时格式就是{"word": 单词个数}
            v.set(sum);
            context.write(key,v);
        } catch (IOException | InterruptedException e) {
            e.printStackTrace();
        }
    }
}

定义Driver

Driver可以视作MapReduce任务运行的入口。

package ltd.cmjava.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * @ClassName WordCountDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:12 2023/1/18
 * @Version 1.0
 **/
// Driver可以视作MR程序运行的入口
public class WordCountDriver {

    public static void main(String[] args) {
        try {
            // 获取配置信息以及获取job对象
            // job就是对MR任务的封装
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);

            // 设置Driver的类
            job.setJarByClass(WordCountDriver.class);

            // 设置Mapper和Reducer的类
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReducer.class);

            // 设置Mapper输出的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);

            // 设置最终输出kv类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);

            // 设置输入和输出路径
            // 命令行会传两个参数
            // hadoop jar  Hadoop-1.0-SNAPSHOT.jar ltd.cmjava.mapreduce.wordcount.WordCountDriver /word /output
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);

        } catch (IOException | InterruptedException | ClassNotFoundException e) {
            e.printStackTrace();
        }
    }
}

打包并运行

执行maven的package命令，将不带依赖的jar上传至服务器，这选择的是NameNode节点的hadoop100
image

运行jar

# /txt和/output是HDFS的目录
# /txt为输入，里面有一些txt文本，将会被MR计数
# /output是输出结果，可以看到处理后的计数结果
hadoop jar  Hadoop-1.0-SNAPSHOT.jar
 ltd.cmjava.mapreduce.wordcount.WordCountDriver /txt /output

序列化

除了Hadoop内置的基本数据类型，很多时候需要传输JavaBean，作为整个MR任务的Key或者Value，因此需要将JavaBean转为Hadoop的格式，即序列化

自定义序列化对象

  • 必须实现Writable接口
  • 反序列化时，需要反射调用空参构造函数，所以必须有空参构造
  • 重写序列化方法
  • 重写反序列化方法
  • 注意反序列化的顺序和序列化的顺序完全一致
  • 要想把结果显示在文件中，需要重写toString()，可用"\t"分开，方便后续用。
package ltd.cmjava.mapreduce.serializable;

import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @ClassName FlowBean
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:43 2023/1/18
 * @Version 1.0
 **/
// 继承Writable接口
public class FlowBean implements Writable,Comparable<FlowBean> {

    private long upFlow; //上行流量
    private long downFlow; //下行流量
    private long sumFlow; //总流量

    // 提供无参构造
    public FlowBean() {
    }

    // 提供三个参数的getter和setter方法
    public long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
        this.upFlow = upFlow;
    }

    public long getDownFlow() {
        return downFlow;
    }

    public void setDownFlow(long downFlow) {
        this.downFlow = downFlow;
    }

    public long getSumFlow() {
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
        this.sumFlow = sumFlow;
    }

    public void setSumFlow() {
        this.sumFlow = this.upFlow + this.downFlow;
    }

    // 实现序列化和反序列化方法,注意顺序一定要保持一致
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upFlow);
        dataOutput.writeLong(downFlow);
        dataOutput.writeLong(sumFlow);
    }
    // 实现序列化和反序列化方法,注意顺序一定要保持一致
    @Override
    public void readFields(DataInput dataInput) throws IOException {
        this.upFlow = dataInput.readLong();
        this.downFlow = dataInput.readLong();
        this.sumFlow = dataInput.readLong();
    }

    // 如果需要将自定义的bean放在key中传输
    // 则还需要实现Comparable接口，因为MapReduce中的Shuffle过程要求对key必须能排序。
    @Override
    public int compareTo(FlowBean o) {
        // 倒序排列，从大到小
        return this.sumFlow > o.getSumFlow() ? -1 : 1;
    }


    // 需要重写toString，不然输出的文件里面会打印bean的地址
    @Override
    public String toString() {
        return upFlow + "\t" + downFlow + "\t" + sumFlow;
    }
}

MR目标

统计每一个手机号耗费的总上行流量、总下行流量、总流量

输入数据格式

7 13560436666 120.196.100.99 1116 954 200
分别是：id，手机号码，网络ip，上行流量，下行流量，网络状态码

输出数据格式

13560436666 1116 954 2070
分别是：手机号码，上行流量，下行流量，总流量

定义Mapper

本质上就是根据空格切分一行数据，生成自定义的序列化对象FlowBean

package ltd.cmjava.mapreduce.serializable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;

/**
 * @ClassName FlowMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:43 2023/1/18
 * @Version 1.0
 **/
public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
    private Text outK = new Text();
    private FlowBean outV = new FlowBean();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        // 获取一行数据,转成字符串
        String line = value.toString();

        //2 切割数据
        String[] split = line.split("\t");

        //3 抓取我们需要的数据:手机号,上行流量,下行流量
        String phone = split[1];
        String up = split[split.length - 3];
        String down = split[split.length - 2];

        // 封装outK outV
        outK.set(phone);
        outV.setUpFlow(Long.parseLong(up));
        outV.setDownFlow(Long.parseLong(down));
        outV.setSumFlow();

        // 写出outK outV
        context.write(outK, outV);
    }
}

定义Reducer

对MapTask传过来的FlowBean的字段进行统计

package ltd.cmjava.mapreduce.serializable;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;

/**
 * @ClassName FlowReducer
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
    private FlowBean outV = new FlowBean();
    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {

        long totalUp = 0;
        long totalDown = 0;

        // 遍历values,将其中的上行流量,下行流量分别累加
        for (FlowBean flowBean : values) {
            totalUp += flowBean.getUpFlow();
            totalDown += flowBean.getDownFlow();
        }

        // 封装outKV
        outV.setUpFlow(totalUp);
        outV.setDownFlow(totalDown);
        outV.setSumFlow();

        // 写出outK outV
        context.write(key,outV);
    }
}

定义Driver

这里因为不准备达成jar包，所以直接定义了个main入口直接在win环境运行了，其实和打成jar包再上传到服务器调用命令运行一样的效果：

package ltd.cmjava.mapreduce.serializable;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * @ClassName FlowDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 获取job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 设置Driver的类
        job.setJarByClass(FlowDriver.class);

        // 设置Mapper和Reducer的类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        // 设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);

        // 设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        // 设置程序的输入输出路径
        FileInputFormat.setInputPaths(job, new Path("D:\\inputflow"));
        FileOutputFormat.setOutputPath(job, new Path("D:\\flowoutput"));

        // 提交Job
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

MapReduce运行机制

一个MapReduce任务总是经由 Input --> InputFormat --> Mapper --> Shffle --> Reducer --> OutputFormat --> Output
image

其中Mapper和Reducer就是上述两个案例所实现的东西，即分发任务并行计算，到聚合计算结果。

而Shffle是Mapper的计算结果分发到Reducer的过程，其中涉及 排序、分区和合并，具体见下文。

InputFormat则是切片和生成KV的过程，输入到MR任务的文件需要先切片，再生成KV，交由MapTask处理

OutputFormat则是Reducer聚合好后，将输出的KV写出的过程，比如写出到HDFS、本地路径、数据库等

MapReducer的任务提交源码

// 以上述序列化这个案例为例，Driver会有一个API：job.waitForCompletion(true)，这个就是整个Job提交的入口
// 那么以此为起点开始Debug

1. job.waitForCompletion(true)，进入到job对应的Job.java的waitForCompletion方法
  public boolean waitForCompletion(boolean verbose
                                   ) throws IOException, InterruptedException,
                                            ClassNotFoundException {
    if (state == JobState.DEFINE) {
    // submit()就是提交Job
      submit();
    }
    if (verbose) {
    // 就是开始执行任务
      monitorAndPrintJob();
    } else {
      ...
    }
    // 判断是否成功执行
    return isSuccessful();
  }
  
2.  submit()，提交任务
  public void submit() 
         throws IOException, InterruptedException, ClassNotFoundException {
    // ensureState是对Job状态的检查，初始状态是DEFINE，不是这个状态在这个方法内会抛异常
    ensureState(JobState.DEFINE);
    // Hadoop1.x、2.x和3.x有很多不同API，该方法主要解决兼容性问题
    setUseNewAPI();
    // 连接环境，如果是本地运行则会连接本地环境，如果是服务器调命令运行jar，则会连接集群环境
    connect();
    final JobSubmitter submitter = 
        getJobSubmitter(cluster.getFileSystem(), cluster.getClient());
    status = ugi.doAs(new PrivilegedExceptionAction<JobStatus>() {
      public JobStatus run() throws IOException, InterruptedException, 
      ClassNotFoundException {
      // 真正提交任务的地方
        return submitter.submitJobInternal(Job.this, cluster);
      }
    });
    // 连接完毕，Job状态变成了RUNNING
    state = JobState.RUNNING;
    LOG.info("The url to track the job: " + getTrackingURL());
   }
   
3. connect()，进入步骤2里面的connect方法看看怎么连接环境
  synchronized void connect()
          throws IOException, InterruptedException, ClassNotFoundException {
    // 初始的Job，cluster必定为null
    if (cluster == null) {
    // 最重要的是PrivilegedExceptionAction内部重写方法run()
    // run()返回了一个new Cluster(getConfiguration())
    // 连接具体环境则是这个Cluster的new过程
      cluster = 
        ugi.doAs(new PrivilegedExceptionAction<Cluster>() {
                   public Cluster run()
                          throws IOException, InterruptedException, 
                                 ClassNotFoundException {
                     return new Cluster(getConfiguration());
                   }
                 });
    }
  }
  
4. new Cluster(getConfiguration()
  // new Cluster(getConfiguration()调用了如下有参构造
  // 这个有参构造有调用了下面一个有参构造
  public Cluster(Configuration conf) throws IOException {
    this(null, conf);
  }
  // 里面有个initialize方法会判断本地环境还是集群环境
  public Cluster(InetSocketAddress jobTrackAddr, Configuration conf) 
      throws IOException {
    this.conf = conf;
    this.ugi = UserGroupInformation.getCurrentUser();
    initialize(jobTrackAddr, conf);
  }
  
5. initialize(jobTrackAddr, conf)，判断环境
  private void initialize(InetSocketAddress jobTrackAddr, Configuration conf)
      throws IOException {
    ...
    // List<ClientProtocolProvider> providerList提供了两个环境：
    // YarnClientProtocolProvider和LocalClientProtocolProvider
    // 这个for遍历就是确认连接哪个环境的
    for (ClientProtocolProvider provider : providerList) {
       ....
    }
    ...
  }

6. submitter.submitJobInternal(Job.this, cluster)，回到步骤2，看看后续的提交任务
  JobStatus submitJobInternal(Job job, Cluster cluster) 
  throws ClassNotFoundException, InterruptedException, IOException {

    // 检查路径，经常看到的输出路径已存在，或者路径为null就是这里检查的
    checkSpecs(job);
    ...
    // 创建缓存路径，到时候提交给MapTask的切片、切片信息等文件就存在这里，当然任务完成后这个缓存路径会删除的
    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
    ...
    // 该方法会拷贝jar包到集群，当然本地环境不需要
    // 因为命令行执行jar，只是在一个节点，而集群其他节点也需要负责MR任务，所以要共享jar到各个节点
    // 如果Debug进这个方法，里面调用了rUploader.uploadResources(job, jobSubmitDir);，这个就是拷贝jar的逻辑
    copyAndConfigureFiles(job, submitJobDir);
    ...
    // 切片的核心逻辑
    int maps = writeSplits(job, submitJobDir);
    ...
    // 向缓存路径写XML配置文件，保存了切片等各类信息
    writeConf(conf, submitJobFile);
    ...
    // 最后提交了任务
    status = submitClient.submitJob(
          jobId, submitJobDir.toString(), job.getCredentials());
      // 返回Job的状态
      if (status != null) {
        return status;
      } else {
        throw new IOException("Could not launch job");
      }
      
7. writeSplits(job, submitJobDir)，查看步骤6内部如何切片的
  private int writeSplits(org.apache.hadoop.mapreduce.JobContext job,
      Path jobSubmitDir) throws IOException,
      InterruptedException, ClassNotFoundException {
    JobConf jConf = (JobConf)job.getConfiguration();
    int maps;
    if (jConf.getUseNewMapper()) {
    // 这里用的是3.x的版本，进入到writeNewSplits
      maps = writeNewSplits(job, jobSubmitDir);
    } else {
      maps = writeOldSplits(jConf, jobSubmitDir);
    }
    return maps;
  }

8. writeNewSplits(job, jobSubmitDir)，看看切片逻辑
  private <T extends InputSplit>
  int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException,
      InterruptedException, ClassNotFoundException {
    Configuration conf = job.getConfiguration();
    // 反射出一个InputFormat实例，其实就是默认的InputFormat，即TextInputFormat（FileInputFormat的实现类）
    InputFormat<?, ?> input =
      ReflectionUtils.newInstance(job.getInputFormatClass(), conf);

    // 创建切片，lmputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等
    List<InputSplit> splits = input.getSplits(job);
    T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]);

    // sort the splits into order based on size, so that the biggest
    // go first
    Arrays.sort(array, new SplitComparator());
    // 将切片写到上述的缓存路径，所以缓存路径在任务运行过程中也是有切片文件的。
    JobSplitWriter.createSplitFiles(jobSubmitDir, conf, 
        jobSubmitDir.getFileSystem(conf), array);
    return array.length;
  }

InputFormat

MapTask并行度决定机制

数据块： Block是HDFS物理上把数据分成一块一块（默认128m一块数据）。数据块是HDFS存储数据单位。
数据切片： 数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。数据切片是MapReduce程序计算输入数据的单位，一个切片会对应启动一个MapTask。
image

常见的InputFormat

FileInputFormat

FileInputFormat是个抽象类，Hadoop默认使用它的子类TextInputFormat

切片流程

整个的切片核心过程在getSplit()方法中完成，正如上述Job提交源码解析中，InputFormat是一个反射出来的实例，然后这个实例会调用getSplit()，因此这是个核心方法，定义了一个InputFormat的切片逻辑
（1）程序先找到你数据存储的目录。
（2）开始遍历处理目录下的每一个文件
（3）遍历第一个文件，比如word.txt（300M）
  1）获取文件大小fs.sizeOf(word.txt)
  2）计算切片大小
   computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))
   即 blocksize = 128M
  3）默认情况下，切片大小就是文件块大小（blocksize）
  4）开始切，形成第1个切片: word.txt（0-128M）；第2个切片word.txt（128-256M）；第3个切片word.txt（256-300M）
   每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分一块切片
  5）将切片信息写到一个切片规划文件中，后面存入上述的缓存路径
  6）lmputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等
（4）提交切片规划文件到Yarn上，Yarn上的MrAppMaster就可以根据切片文件计算开启MapTask个数（一般一个切片对应一个MapTask）
（5）第一个文件处理完，就遍历下一个文件，所以切片是一个一个文件进行的

切片机制

（1）简单地按照文件的内容长度进行切片
（2）切片大小，默认等于Block大小
（3）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

TextInputFormat

TextInputFormat是FileInputFormat的实现类，Hadoop默认使用它。它按行读取每条记录。

它生成的KV，k是存储该行在整个文件中的起始字节偏移量， LongWritable类型。V是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。

CombineTextInputFormat

框架默认的TextInputFormat切片机制是对按文件切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask。这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

而CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。

切片机制

以四个小文件为例，最大虚拟内存设置为4M，如下图:
image

生成切片过程包括：虚拟存储过程和切片过程二部分。
（1）虚拟存储过程：
将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。
例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。
（2）切片过程：
  1）判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。
  2）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
  3）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
  1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）
  最终会形成3个切片，大小分别为：
  （1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

如何切换InputFormat

正如上述Driver的实现，里面有个job对象，可以设置使用的InputFormat
这里用WordCountDriver举例

package ltd.cmjava.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * @ClassName WordCountDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:12 2023/1/18
 * @Version 1.0
 **/
// Driver可以视作MR程序运行的入口
public class WordCountDriver {

    public static void main(String[] args) {
        try {
            // 获取配置信息以及获取job对象
            // job就是对MR任务的封装
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);

            // 设置Driver的类
            job.setJarByClass(WordCountDriver.class);

            // 设置Mapper和Reducer的类
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReducer.class);

            // 设置Mapper输出的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);

            // 设置最终输出kv类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);

            // 如果不设置InputFormat，它默认用的是TextInputFormat.class
            job.setInputFormatClass(CombineTextInputFormat.class);
            //虚拟存储切片最大值设置20m
            CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);

            // 设置输入和输出路径
            // 命令行会传两个参数
            // hadoop jar  Hadoop-1.0-SNAPSHOT.jar ltd.cmjava.mapreduce.wordcount.WordCountDriver /word /output
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);

        } catch (IOException | InterruptedException | ClassNotFoundException e) {
            e.printStackTrace();
        }
    }
}

其他的WordCountMapper和WordCountReducer没变，但此时运行程序就用上了指定的InputFormat

MapReduce工作流程

image

image

  1. 首先输入待处理的文件，如上图所示，这里是一个200M大的txt文件
  2. 进行InputFormat过程，Hadoop会对文件进行切片，正如上述所说的FileInputFormat的子类TextInputFormat会对其进行切片，即第一块0-128M，第二块128-200M。两块切片对应两个MapTask，对切片生成KV并传输至MapTask进行下一步操作
  3. 此处有两个MapTask，就拿一个举例来说（第二个流程一样的）。MapTask获得到KV会进入Mapper方法进行并行计算，即执行实现的map逻辑，处理完的KV会由outputCollector进行收集，发送给环形缓冲区
  4. 环形缓冲区是在内存里，默认100M大小。之所以叫环形，因为它会在内存某个位置开始，向左写入KV的元数据（索引、分区、偏移量等），向右写入KV的真实数据。右边KV数据写了80%空间后，会进行溢写（内存数据持久化到磁盘）。同时环形缓冲区开始从100%空间对应的位置反向写入数据，当然在前80%空间的数据还未溢写完毕时，只能写剩余的20%然后在80%溢写完毕前堵塞。
  5. 环形缓冲区溢写数据时，根据KV元数据确定这些KV真实数据所属分区，以分区为一组，对同分区的数据进行快排，然后再写入磁盘。如图中有两个分区，一次溢写分别对两个分区的KV进行快排，然后写到磁盘，但不是两个文件，是一个文件，只是前半部分属于分区1且数据有序，后半部分属于分区2且数据有序。
  6. 那么Mapper不断输出KV，环形缓冲区不断接受KV且不断溢写，最后磁盘上有多个溢写文件（每个文件有多个分区，单独分区内数据是有序的）。
  7. 这么多溢写文件需要进行Merge合并，毕竟单独一个溢写文件也只是包含两个分区的部分有序数据。所以把所有溢写文件合并为一个大文件（两个分区，单独分区数据有序）。当然这个MapTask在Merge后的文件内，分区1和2的数据也不完整，因为前面有切片的过程，另一个MapTask也有分区1和2的数据。因为是由有序的数据合并的，这里Merge合并的排序选择归并排序。
  8. Merge后可能有很多同样的key组成的KV，Combin就是合并这些相同key的KV。至此Shuffle过程结束了，即分区、快排–>溢写–>Merge–>Combine。后面就准备给Reducer了
  9. Reducer是主动向MapTask的结果拉取数据，即拉取Shuffle后的文件。当然，前文提到了两个分区，那么一个分区会对应一个Reducer。分区1的Reducer就会拉取分区1的数据，当然分区1数据在两个MapTask结果中，都拉过来，此时分区数据是完整的。
  10. 接着一次读取一组KV，即读取一个Key的数据，Value是个迭代器（就像上述的WordCount和序列化案例）。交给Reducer的业务逻辑进行处理。
  11. 然后进入OutputFormat过程，即把reduce处理完的数据写出。而分区2一样的，由另一个Reducer进行相同的步骤。至此，整个流程完毕！！

Shuffle

Shuffle机制

image
整个Shuffle过程和上述基本一样的，就是Combine后还可以有压缩的操作，进一步减少MapTask最终落盘的文件大小。

MapTask的Shuffle源码解析

1. context.write(k, v)，常见自定义的Mapper一般都有这一句，里面就开始了Collection进入环形缓冲区了
  // 进入了context的抽象类TaskInputOutputContextImpl
  public void write(KEYOUT key, VALUEOUT value
                    ) throws IOException, InterruptedException {
    // 里面开始进行collect了
    output.write(key, value);
  }
  
2. output.write(key, value)，可以看到有收集阶段、而且还带有分区信息。
    public void write(K key, V value) throws IOException, InterruptedException {
      // 如果没有指定自定义的partitioner，形参里的partitioner就是HashPartitioner
      collector.collect(key, value,
                        partitioner.getPartition(key, value, partitions));
    }

3. collector.collect(key, value,partitioner.getPartition(key, value, partitions))，开始写环形缓冲区了。当然Mapper会不停处理KV，所以会多次调用context.write(k, v)去写缓冲器。
    public synchronized void collect(K key, V value, final int partition
                                     ) throws IOException {
      ...
      ...
      ...
      try {
        // 这里就是上述说的写环形缓冲区的右侧，即写KV的数据
        int keystart = bufindex;
        // 写入Key
        keySerializer.serialize(key);
        if (bufindex < keystart) {
          // wrapped the key; must make contiguous
          bb.shiftBufferedKey();
          keystart = 0;
        }
        // 写入Value
        // valstart这里说明了Value是接着Key写进内存的，紧挨着储存的
        // KV紧挨着就是往一侧一直写下去，就是右侧嘛
        final int valstart = bufindex;
        valSerializer.serialize(value);
        bb.write(b0, 0, 0);

        int valend = bb.markRecord();

        mapOutputRecordCounter.increment(1);
        mapOutputByteCounter.increment(
            distanceTo(keystart, valend, bufvoid));

        // 写KV的元数据，即往环形缓冲区左侧写
        kvmeta.put(kvindex + PARTITION, partition);
        kvmeta.put(kvindex + KEYSTART, keystart);
        kvmeta.put(kvindex + VALSTART, valstart);
        kvmeta.put(kvindex + VALLEN, distanceTo(valstart, valend));
        // advance kvindex
        kvindex = (kvindex - NMETA + kvmeta.capacity()) % kvmeta.capacity();
      } catch (MapBufferTooSmallException e) {
        LOG.info("Record too large for in-memory buffer: " + e.getMessage());
        spillSingleRecord(key, value, partition);
        mapOutputRecordCounter.increment(1);
        return;
      }
    }
    
4. run(mapperContext)，缓冲区写满了会溢写，缓冲区没写满但是Mapper的KV都处理完了也会溢写。上述KV一遍又一遍被Mapper执行，然后进行写缓冲器，这都是上层调用的while循环在工作，所以一遍又一遍进入Mapper的map方法（如下代码所示）。map都处理完了，现在就开始清理环境。
  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      while (context.nextKeyValue()) {
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      cleanup(context);
    }
  }
  
5. runNewMapper(job, splitMetaInfo, umbilical, reporter)，步骤4的cleanup方法执行完就又回到上层调用。
  private <INKEY,INVALUE,OUTKEY,OUTVALUE>
  void runNewMapper(final JobConf job,
                    final TaskSplitIndex splitIndex,
                    final TaskUmbilicalProtocol umbilical,
                    TaskReporter reporter
                    ) throws IOException, ClassNotFoundException,
                             InterruptedException {
     ...
     ...
     ...
    try {
      input.initialize(split, mapperContext);
      // 步骤4的while就是这里调用的
      mapper.run(mapperContext);
      mapPhase.complete();
      setPhase(TaskStatus.Phase.SORT);
      statusUpdate(umbilical);
      input.close();
      input = null;
      // 关闭输出流，其实就是溢写缓冲区
      output.close(mapperContext);
      output = null;
    } finally {
      closeQuietly(input);
      closeQuietly(output, mapperContext);
    }
  }

6. output.close(mapperContext)，进来看看
    public void close(TaskAttemptContext context
                      ) throws IOException,InterruptedException {
      try {
        collector.flush();
      } catch (ClassNotFoundException cnf) {
        throw new IOException("can't find class ", cnf);
      }
      collector.close();
    }
    
7. collector.flush()，此处开始出现溢写前的分区快排
    public void flush() throws IOException, ClassNotFoundException,
           InterruptedException {
        ...
        ...
        ...
        if (kvindex != kvend) {
          kvend = (kvindex + NMETA) % kvmeta.capacity();
          bufend = bufmark;
          LOG.info("Spilling map output");
          LOG.info("bufstart = " + bufstart + "; bufend = " + bufmark +
                   "; bufvoid = " + bufvoid);
          LOG.info("kvstart = " + kvstart + "(" + (kvstart * 4) +
                   "); kvend = " + kvend + "(" + (kvend * 4) +
                   "); length = " + (distanceTo(kvend, kvstart,
                         kvmeta.capacity()) + 1) + "/" + maxRec);
          // 排序并溢写
          sortAndSpill();
        }
      ...
      // 合并溢写文件
      mergeParts();
    }
        
8. sortAndSpill()，看看怎么快排和溢写
    private void sortAndSpill() throws IOException, ClassNotFoundException,
                                       InterruptedException {
        ...
        // 快排的逻辑就在这
        sorter.sort(MapOutputBuffer.this, mstart, mend, reporter);
        // 然后就遍历一个又一个分区，获取环形缓冲区的数据，进行溢写
        for (int i = 0; i < partitions; ++i) {
           ...
        }
        ...
    }
    
9. mergeParts()，回到步骤7，快排溢写完，需要合并溢写的小文件，MapTask最终只会存在一个大文件。即MapTask的缓存路径存在一个file.out（KV数据）和file.out.index（file.out每对KV在文件中的偏移量）
    private void mergeParts() throws IOException, InterruptedException, 
                                     ClassNotFoundException {
      ...
      // 遍历所有溢写文件
      for(int i = 0; i < numSpills; i++) {
        filename[i] = mapOutputFile.getSpillFile(i);
        finalOutFileSize += rfs.getFileStatus(filename[i]).getLen();
      }
      ...
    }
    
至此MapTask的Shuffle部分完成了，待Reducer来拉取合并后的这个大文件

ReduceTask的Shuffle源码解析

1. reduce.run(this.localConf, Job.this)，Reducer会拉取MapTask合并后的大文件
  public void run(JobConf job, final TaskUmbilicalProtocol umbilical)
    throws IOException, InterruptedException, ClassNotFoundException {
    job.setBoolean(JobContext.SKIP_RECORDS, isSkipping());
    // copy对应Reducer拉取数据
    // sort对应Reducer对数据进行排序（毕竟可能从不同的MapTask拉取到同个分区的数据）
    // reduce就是常说的Reducer的具体业务了
    if (isMapOrReduce()) {
      copyPhase = getProgress().addPhase("copy");
      sortPhase  = getProgress().addPhase("sort");
      reducePhase = getProgress().addPhase("reduce");
    }
    ...
    // 这里开始会反射创建OutputFormat的实例
    initialize(job, getJobID(), reporter, useNewApi);
    ...
    // 初始化，为copy和sort做准备
    shuffleConsumerPlugin.init(shuffleContext);
    // copy和sort就发生在这里，当然还有merge，把拉过来的文件合成大文件，一整个发给后续的Reducer
    rIter = shuffleConsumerPlugin.run();
    ...
    // 完成排序阶段
    sortPhase.complete();   
    ...
    // 这里就是开始进入到Reducer的业务逻辑了，就是自定义Reducer重写的reduce方法
    // 这里还判断了些新旧API
    if (useNewApi) {
      runNewReducer(job, umbilical, reporter, rIter, comparator, 
                    keyClass, valueClass);
    } else {
      runOldReducer(job, umbilical, reporter, rIter, comparator, 
                    keyClass, valueClass);
    }
  }
  
2. initialize(job, getJobID(), reporter, useNewApi)，进入看看做了什么
  public void initialize(JobConf job, JobID id, 
                         Reporter reporter,
                         boolean useNewApi) throws IOException, 
                                                   ClassNotFoundException,
                                                   InterruptedException {
    jobContext = new JobContextImpl(job, id, reporter);
    ...
    if (useNewApi) {
      if (LOG.isDebugEnabled()) {
        LOG.debug("using new api for output committer");
      }
      // 如果Driver没有指定，就用默认的，即TextOutputFormat
      outputFormat =
        ReflectionUtils.newInstance(taskContext.getOutputFormatClass(), job);
      committer = outputFormat.getOutputCommitter(taskContext);
    } else {
      committer = conf.getOutputCommitter();
    }
    // 获取Driver指定的输出路径
    Path outputPath = FileOutputFormat.getOutputPath(conf);
    if (outputPath != null) {
      if ((committer instanceof FileOutputCommitter)) {
        FileOutputFormat.setWorkOutputPath(conf, 
          ((FileOutputCommitter)committer).getTaskAttemptPath(taskContext));
      } else {
        FileOutputFormat.setWorkOutputPath(conf, outputPath);
      }
    }
    ...
  }
  
3. shuffleConsumerPlugin.init(shuffleContext)，回到步骤1，看看init
  public void init(ShuffleConsumerPlugin.Context context) {
    this.context = context;

    this.reduceId = context.getReduceId();
    this.jobConf = context.getJobConf();
    this.umbilical = context.getUmbilical();
    this.reporter = context.getReporter();
    this.metrics = ShuffleClientMetrics.create(context.getReduceId(),
        this.jobConf);
    this.copyPhase = context.getCopyPhase();
    this.taskStatus = context.getStatus();
    this.reduceTask = context.getReduceTask();
    this.localMapFiles = context.getLocalMapFiles();
    
    scheduler = new ShuffleSchedulerImpl<K, V>(jobConf, taskStatus, reduceId,
        this, copyPhase, context.getShuffledMapsCounter(),
        context.getReduceShuffleBytes(), context.getFailedShuffleCounter());
    // 开始合并拉去过来的文件
    merger = createMergeManager(context);
  }
  
4. createMergeManager(context)，看看怎么拉取数据
  protected MergeManager<K, V> createMergeManager(
      ShuffleConsumerPlugin.Context context) {
    // 本质上就是new一个对象并返回
    // context.getLocalFS()：一个LocalFileSystem对象，这里是本地运行Driver去Debug的
    return new MergeManagerImpl<K, V>(reduceId, jobConf, context.getLocalFS(),
        context.getLocalDirAllocator(), reporter, context.getCodec(),
        context.getCombinerClass(), context.getCombineCollector(), 
        context.getSpilledRecordsCounter(),
        context.getReduceCombineInputCounter(),
        context.getMergedMapOutputsCounter(), this, context.getMergePhase(),
        context.getMapOutputFile());
  }

5. new MergeManagerImpl(...)，看看这个构造函数做了什么
  public MergeManagerImpl(TaskAttemptID reduceId, JobConf jobConf, 
                      FileSystem localFS,
                      LocalDirAllocator localDirAllocator,  
                      Reporter reporter,
                      CompressionCodec codec,
                      Class<? extends Reducer> combinerClass,
                      CombineOutputCollector<K,V> combineCollector,
                      Counters.Counter spilledRecordsCounter,
                      Counters.Counter reduceCombineInputCounter,
                      Counters.Counter mergedMapOutputsCounter,
                      ExceptionReporter exceptionReporter,
                      Progress mergePhase, MapOutputFile mapOutputFile) {
	...
    // 这里就初始化了copy时写到内存和磁盘的相关对象
    // inMemoryMerger获得了InMemoryMerger对象
    // onDiskMerger获得了OnDiskMerger对象
    // 两者都继承自MergeThread，有个merge方法重写
    // 看两者的merge方法，写内存其实就是内部维护了一个set储存KV
    // 而写磁盘，则是获取LocalFileSystem对象，写道磁盘上
    this.inMemoryMerger = createInMemoryMerger();
    this.inMemoryMerger.start();
    
    this.onDiskMerger = new OnDiskMerger(this);
    this.onDiskMerger.start();
    
    this.mergePhase = mergePhase;
  }
  
6. rIter = shuffleConsumerPlugin.run()，再回到步骤1，看看run做了什么
  public RawKeyValueIterator run() throws IOException, InterruptedException {
    ...
    // 创建一个EventFetcher，它回去拉取数据。
    // 这个类是Thread的子类，所以拉取是异步的且主动的拿数据
    // 具体往哪里拿？umbilical封装了systemJobDir、systemJobFile、localJobDir、localJobFile等，就是关闭MapTask输出文件的具体位置信息
    final EventFetcher<K, V> eventFetcher =
        new EventFetcher<K, V>(reduceId, umbilical, scheduler, this,
            maxEventsToFetch);
    // 开始拉取
    eventFetcher.start();
    ...
    // 拉去完毕
    eventFetcher.shutDown();
    ...
    // copy阶段完毕，设置状态
    copyPhase.complete();
    // 设置接下来是sort，排序阶段
    taskStatus.setPhase(TaskStatus.Phase.SORT);
    reduceTask.statusUpdate(umbilical);
    ... 
  }
那么sortPhase.complete();是在上层调用进行的，可以看步骤1

7. runNewReducer(job, umbilical, reporter, rIter, comparator, 
                    keyClass, valueClass)，返回步骤1，拉取排序完毕后就是正式进行reduce了
  private <INKEY,INVALUE,OUTKEY,OUTVALUE>
  void runNewReducer(...) throws IOException,InterruptedException, 
                              ClassNotFoundException {
    ...
    try {
    // 开始reduce
      reducer.run(reducerContext);
    } finally {
      trackedRW.close(reducerContext);
    }
  }
  
8. reducer.run(reducerContext)，
  public void run(Context context) throws IOException, InterruptedException {
    setup(context);
    try {
      // 很类似map方法的调用，是个迭代器，因为reduce方法也可能执行多次，因为又多个不同Key的KV
      while (context.nextKey()) {
        // 后面就进入到了自定义的Reducer去执行reduce方法了
        reduce(context.getCurrentKey(), context.getValues(), context);
        // If a back up store is used, reset it
        Iterator<VALUEIN> iter = context.getValues().iterator();
        if(iter instanceof ReduceContext.ValueIterator) {
          ((ReduceContext.ValueIterator<VALUEIN>)iter).resetBackupStore();        
        }
      }
    } finally {
      cleanup(context);
    }
  }
自此，ReduceTask的Shuffle工作完成了！！

Partition分区

为什么有了切片还要分区？
切片是划分文件，为了给多个MapTask划分各自的数据处理区间。因此切片是为MapTask负责的，处理的是并行任务的数据划分问题。

分区是划分KV，为了给后续不同的Reducer去处理不同的数据。因此，分区是为ReduceTask负责的，处理的是不同类型数据给各自Reducer的业务逻辑处理的问题。

两者不在一个层面上，前者是架构上的数据划分，后者是业务上的数据划分。

默认分区

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。

自定义Partition案例

在上述的序列化案例中，可以增加一个分区类

package ltd.cmjava.mapreduce.partition;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

/**
 * @ClassName ProvincePartitioner
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:11 2023/1/19
 * @Version 1.0
 **/
// 泛型Text, FlowBean就是Mapper输出的KV的类型
public class ProvincePartitioner extends Partitioner<Text, FlowBean> {

    @Override
    public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
        //获取手机号前三位数字
        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;
    }
}

在Driver里面设置上使用的分区类和ReduceTask数量

package ltd.cmjava.mapreduce.partition;

import ltd.cmjava.mapreduce.partition.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.io.IOException;

/**
 * @ClassName FlowDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 获取job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 设置Driver的类
        job.setJarByClass(FlowDriver.class);

        // 设置Mapper和Reducer的类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        // 设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);

        // 设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        // 指定自定义分区器
        job.setPartitionerClass(ProvincePartitioner.class);
        // 同时指定相应数量的ReduceTask
        job.setNumReduceTasks(5);

        // 设置程序的输入输出路径
        String inputPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\serializable";
        String outPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\serializable\\result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path("D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\serializable\\result"));

        // 提交Job
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

其他的Mapper和Reducer不变，此时运行程序，可以看到最终得到的结果有5个，即自定义分区类中定义的5种分区。
image

注意事项：
（1）如果ReduceTask的数量>getPartition的结果数，则会多产生几个空的输出文件part-r-000xx
（2）如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区数据无处安放，会Exception
（3）如果ReduceTask的数量=1，则不管Maplask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件part-r-00000
（4）分区号必须从零开始，逐一累加。

排序

Hadoop默认排序是按照字典序排序，不管业务上是否需要都会进行。
常见出现排序的位置：
对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序。
对于ReduceTask，它从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件;如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。

WritableComparable接口

WritableComparable是个接口，常常为了那些需要成为Key的JavaBean去实现。因为Shuffle根据key进行排序，因此，自定义的Bean作为Key时必须实现该接口

自定义WritableComparable案例

这里对上述的序列化案例输出的结果作为输入，进行本次案例

自定义序列化对象

该对象要作为MapTask输出KV中的Key，必须实现WritableComparable接口

package ltd.cmjava.mapreduce.writablecomparable;

import org.apache.hadoop.io.WritableComparable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @ClassName FlowBean
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:43 2023/1/18
 * @Version 1.0
 **/
// 继承WritableComparable接口，这个结构已经继承了Writable, Comparable
public class FlowBean  implements WritableComparable<FlowBean> {

    private long upFlow; //上行流量
    private long downFlow; //下行流量
    private long sumFlow; //总流量

    // 提供无参构造
    public FlowBean() {
    }

    // 提供三个参数的getter和setter方法
    public long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(long upFlow) {
        this.upFlow = upFlow;
    }

    public long getDownFlow() {
        return downFlow;
    }

    public void setDownFlow(long downFlow) {
        this.downFlow = downFlow;
    }

    public long getSumFlow() {
        return sumFlow;
    }

    public void setSumFlow(long sumFlow) {
        this.sumFlow = sumFlow;
    }

    public void setSumFlow() {
        this.sumFlow = this.upFlow + this.downFlow;
    }

    // 实现序列化和反序列化方法,注意顺序一定要保持一致
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upFlow);
        dataOutput.writeLong(downFlow);
        dataOutput.writeLong(sumFlow);
    }
    // 实现序列化和反序列化方法,注意顺序一定要保持一致
    @Override
    public void readFields(DataInput dataInput) throws IOException {
        this.upFlow = dataInput.readLong();
        this.downFlow = dataInput.readLong();
        this.sumFlow = dataInput.readLong();
    }

    // 如果需要将自定义的bean放在key中传输
    // 则还需要实现Comparable接口，因为MapReduce中的Shuffle过程要求对key必须能排序。
    @Override
    public int compareTo(FlowBean o) {
        // 倒序排列，从大到小
        // 按照总流量比较,倒序排列
        if(this.sumFlow > o.sumFlow){
            return -1;
        }else if(this.sumFlow < o.sumFlow){
            return 1;
        }else {
            return 0;
        }
    }


    // 需要重写toString，不然输出的文件里面会打印bean的地址
    @Override
    public String toString() {
        return upFlow + "\t" + downFlow + "\t" + sumFlow;
    }
}
定义Mapper
package ltd.cmjava.mapreduce.writablecomparable;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * @ClassName FlowMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:43 2023/1/18
 * @Version 1.0
 **/
public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {
    private FlowBean outK = new FlowBean();
    private Text outV = new Text();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        // 获取一行数据
        String line = value.toString();

        // 按照"\t",切割数据
        String[] split = line.split("\t");

        // 封装outK outV
        outK.setUpFlow(Long.parseLong(split[1]));
        outK.setDownFlow(Long.parseLong(split[2]));
        outK.setSumFlow();
        outV.set(split[0]);

        // 写出outK outV
        context.write(outK,outV);
    }
}
定义Reducer
package ltd.cmjava.mapreduce.writablecomparable;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @ClassName FlowReducer
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> {

    @Override
    protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        //遍历values集合,循环写出,避免总流量相同的情况
        for (Text value : values) {
            //调换KV位置,反向写出
            context.write(value,key);
        }
    }
}
定义分区

这个就和上述分区类案例一样的

package ltd.cmjava.mapreduce.writablecomparable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

/**
 * @ClassName ProvincePartitioner
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:36 2023/1/19
 * @Version 1.0
 **/
public class ProvincePartitioner extends Partitioner<FlowBean, Text> {

    @Override
    public int getPartition(FlowBean flowBean, Text text, int numPartitions) {
        //获取手机号前三位
        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;
    }
}
定义Driver
package ltd.cmjava.mapreduce.writablecomparable;

import ltd.cmjava.mapreduce.writablecomparable.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.io.IOException;

/**
 * @ClassName FlowDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 获取job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 设置Driver的类
        job.setJarByClass(FlowDriver.class);

        // 设置Mapper和Reducer的类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        // 设置Map端输出KV类型
        job.setMapOutputKeyClass(FlowBean.class);
        job.setMapOutputValueClass(Text.class);

        // 设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        // 设置自定义分区器
        job.setPartitionerClass(ProvincePartitioner.class);
        // 设置对应的ReduceTask的个数
        job.setNumReduceTasks(5);

        // 设置程序的输入输出路径
        String inputPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\writablecomparable";
        String outPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\writablecomparable\\result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outPath));

        // 提交Job
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}
运行结果

因为设置了分区，因此有5个输出文件，和上述分区类案例一样的。
只是每个文件都按照了总流量从大到小排序了（截图略）

Combiner合并

Combiner就是上文进行Combine的组件，常见的有合并相同Key的KV，本质上是压缩数据量。
（1）Combiner是MR程序中Mapper和Reducer之外的一种组件。
（2）Combincr组件的父类就是Reducer。
（3）Combiner和Reducer的区别在于运行的位置
  Combiner是在每一个MapTask所在的节点运行；Reducer是接收全局所有Mapper的输出结果
（4） Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
（5）Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

Combiner合并案例

这里对上述的WordCount案例进行改造，仅仅增加了Combiner类，并在Driver指定使用了该类，其他没变

package ltd.cmjava.mapreduce.combiner;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;

/**
 * @ClassName WordCountCombiner
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:52 2023/1/19
 * @Version 1.0
 **/
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();
        }

        //封装outKV
        outV.set(sum);

        //写出outKV
        context.write(key,outV);
    }
}

Driver加上：

// 指定需要使用combiner，以及用哪个类作为combiner的逻辑
job.setCombinerClass(WordCountCombiner.class);

运行结果略，这个Combiner只是在Shuffle过程压缩数据，不会改变Reducer最终输出的结果，所以输出结果和WordCount案例的结果一样的

OutputFormat

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了OutputFormat接口。如果没有额外指定，默认使用FileOutputFormat的子类TextOutputFormat，它会把KV写到磁盘上，正如上述的案例看到的。

自定义OutputFormat案例

很多时候自定义OutputFormat的目的是根据业务选择数据写到所需位置，如：Mysql，HBase等。

这边以上述的序列化案例为基础，实现个小小的需求：最终输出两个文件，13开头的手机号在一个文件，其他开头的在另一个文件。

所以这个案例只修改了Driver，新增了OutputFormat类和RecordWriter类

自定义OutputFormat

除了新建一个OutputFormat，里面还用到了一个RecordWriter，所以这个也要新建。而RecordWriter正是OutputFormat的具体逻辑

package ltd.cmjava.mapreduce.outputformat;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;


/**
 * @ClassName PhoneOutputFormat
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 20:02 2023/1/20
 * @Version 1.0
 **/
public class PhoneOutputFormat extends FileOutputFormat<Text, FlowBean> {
    @Override
    public RecordWriter<Text, FlowBean> getRecordWriter(TaskAttemptContext job) {
        //创建一个自定义的RecordWriter返回
        PhoneRecordWriter phoneRecordWriter = new PhoneRecordWriter(job);
        return phoneRecordWriter;
    }
}

自定义RecordWriter

其中write方法是其具体逻辑编写的地方。close方法根据业务关闭资源，当然这里只需要关闭IO流。

package ltd.cmjava.mapreduce.outputformat;

import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.RecordWriter;
import org.apache.hadoop.mapreduce.TaskAttemptContext;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * @ClassName PhoneRecordWriter
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 20:03 2023/1/20
 * @Version 1.0
 **/
public class PhoneRecordWriter extends RecordWriter<Text, FlowBean> {

    private FSDataOutputStream head_13;
    private FSDataOutputStream head_other;

    public PhoneRecordWriter(TaskAttemptContext job) {
        // 因为Driver会设置outputPath，直接从job拿
        // D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/outputformat/result
        String outputPath = job.getConfiguration().get(FileOutputFormat.OUTDIR).substring(6);

        try {
            //获取文件系统对象
            FileSystem fs = FileSystem.get(job.getConfiguration());
            //用文件系统对象创建两个输出流对应不同的目录
            head_13 = fs.create(new Path(outputPath+"/head_13.txt"));
            head_other = fs.create(new Path(outputPath+"/head_other.txt"));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    @Override
    public void write(Text key, FlowBean value) throws IOException, InterruptedException {
        String phone = key.toString();
        //根据一行的log数据是否包含atguigu,判断两条输出流输出的内容
        if (phone.startsWith("13")) {
            head_13.writeBytes(phone + "\t" + value + "\n");
        } else {
            head_other.writeBytes(phone + "\t" + value + "\n");
        }
    }

    @Override
    public void close(TaskAttemptContext context) {
        // 自定义Outputformat时，注意在RecordWirter中的close方法必须关闭流资源。
        // 否则输出的文件内容中数据为空。
        IOUtils.closeStream(head_13);
        IOUtils.closeStream(head_other);
    }
}

自定义Driver

指定使用的OutPutFormat

package ltd.cmjava.mapreduce.outputformat;

import ltd.cmjava.mapreduce.outputformat.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.io.IOException;

/**
 * @ClassName FlowDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 10:44 2023/1/18
 * @Version 1.0
 **/
public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        // 获取job对象
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 设置Driver的类
        job.setJarByClass(FlowDriver.class);

        // 设置Mapper和Reducer的类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        // 设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);

        // 设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        //设置自定义的outputformat
        job.setOutputFormatClass(PhoneOutputFormat.class);

        // 设置程序的输入输出路径
        String inputPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\outputformat";
        String outPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\outputformat\\result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outPath));

        // 提交Job
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

测试结果

在对应位置可以看到这两个文件，而不是默认输出的part开头的文件
image

Join

类似于SQL数据库的Join，Hadoop也有对两组KV（来自两个文件）进行Join查询或者计算数据的需求。
这边举例一个需求：
image

Reducer端进行Join

自定义Bean

package ltd.cmjava.mapreduce.join.reducejoin;
import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
/**
 * @ClassName TableBean
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:52 2023/1/21
 * @Version 1.0
 **/
// 实现Writable，这个Hadoop序列化要求的
public class TableBean implements Writable {

    private String id; //订单id
    private String pid; //产品id
    private int amount; //产品数量
    private String pname; //产品名称
    private String flag; //判断是order表还是pd表的标志字段

    public TableBean() {
    }

    public String getId() {
        return id;
    }

    public void setId(String id) {
        this.id = id;
    }

    public String getPid() {
        return pid;
    }

    public void setPid(String pid) {
        this.pid = pid;
    }

    public int getAmount() {
        return amount;
    }

    public void setAmount(int amount) {
        this.amount = amount;
    }

    public String getPname() {
        return pname;
    }

    public void setPname(String pname) {
        this.pname = pname;
    }

    public String getFlag() {
        return flag;
    }

    public void setFlag(String flag) {
        this.flag = flag;
    }

    @Override
    public String toString() {
        return id + "\t" + pname + "\t" + amount;
    }

    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(id);
        out.writeUTF(pid);
        out.writeInt(amount);
        out.writeUTF(pname);
        out.writeUTF(flag);
    }

    @Override
    public void readFields(DataInput in) throws IOException {
        this.id = in.readUTF();
        this.pid = in.readUTF();
        this.amount = in.readInt();
        this.pname = in.readUTF();
        this.flag = in.readUTF();
    }
}

自定义Mapper

package ltd.cmjava.mapreduce.join.reducejoin;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.InputSplit;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;

import java.io.IOException;
/**
 * @ClassName TableMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:53 2023/1/21
 * @Version 1.0
 **/
public class TableMapper extends Mapper<LongWritable,Text,Text,TableBean> {

    private String filename;
    private Text outK = new Text();
    private TableBean outV = new TableBean();

    // setup只会被调用一次，而下方的map方法则会被多次调用
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //获取对应文件名称
        InputSplit split = context.getInputSplit();
        FileSplit fileSplit = (FileSplit) split;
        filename = fileSplit.getPath().getName();
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        //获取一行
        String line = value.toString();

        //判断是哪个文件,然后针对文件进行不同的操作
        if(filename.contains("order")){  //订单表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[1]);
            //封装outV
            outV.setId(split[0]);
            outV.setPid(split[1]);
            outV.setAmount(Integer.parseInt(split[2]));
            outV.setPname("");
            outV.setFlag("order");
        }else {                             //商品表的处理
            String[] split = line.split("\t");
            //封装outK
            outK.set(split[0]);
            //封装outV
            outV.setId("");
            outV.setPid(split[0]);
            outV.setAmount(0);
            outV.setPname(split[1]);
            outV.setFlag("pd");
        }

        //写出KV
        context.write(outK,outV);
    }
}

自定义Reducer

因为Mapper是以id为作为Key，所以Reducer获得的Value（一个迭代器）里面就会有来自两个文件的TableBean

package ltd.cmjava.mapreduce.join.reducejoin;
import org.apache.commons.beanutils.BeanUtils;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.lang.reflect.InvocationTargetException;
import java.util.ArrayList;

/**
 * @ClassName TableReducer
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:54 2023/1/21
 * @Version 1.0
 **/
public class TableReducer extends Reducer<Text,TableBean,TableBean, NullWritable> {

    @Override
    protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {

        ArrayList<TableBean> orderBeans = new ArrayList<>();
        TableBean pdBean = new TableBean();

        for (TableBean value : values) {

            //判断数据来自哪个表
            if("order".equals(value.getFlag())){   //订单表

                //创建一个临时TableBean对象接收value
                TableBean tmpOrderBean = new TableBean();

                try {
                    BeanUtils.copyProperties(tmpOrderBean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }

                //将临时TableBean对象添加到集合orderBeans
                orderBeans.add(tmpOrderBean);
            }else {                                    //商品表
                try {
                    BeanUtils.copyProperties(pdBean,value);
                } catch (IllegalAccessException e) {
                    e.printStackTrace();
                } catch (InvocationTargetException e) {
                    e.printStackTrace();
                }
            }
        }

        //遍历集合orderBeans,替换掉每个orderBean的pid为pname,然后写出
        for (TableBean orderBean : orderBeans) {

            orderBean.setPname(pdBean.getPname());

            //写出修改后的orderBean对象
            context.write(orderBean,NullWritable.get());
        }
    }
}

自定义Driver

package ltd.cmjava.mapreduce.join.reducejoin;
import ltd.cmjava.mapreduce.partition.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * @ClassName TableDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:54 2023/1/21
 * @Version 1.0
 **/

import java.io.File;
import java.io.IOException;

public class TableDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Job job = Job.getInstance(new Configuration());

        job.setJarByClass(TableDriver.class);
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(TableBean.class);

        job.setOutputKeyClass(TableBean.class);
        job.setOutputValueClass(NullWritable.class);

        // 设置程序的输入输出路径
        String inputPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\join\\reducerjoin";
        String outPath="D:\\Develop\\workspace\\Hadoop\\src\\main\\resources\\mapreduce\\join\\reducerjoin\\result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outPath));

        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

Mapper端进行Join

Reducer端进行Join这种方式中，合并的操作是在Reduce阶段完成，Reduce端的处理压力太大，Map节点的运算负载则很低，资源利用率不高，且在Reduce阶段极易产生数据倾斜。

自定义Mapper

本质上就是缓存了一个表的数据，缓存逻辑放在setup方法里（只会被执行一次）

package ltd.cmjava.mapreduce.join.mapperjoin;

import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.util.HashMap;
import java.util.Map;


/**
 * @ClassName TableMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 15:53 2023/1/21
 * @Version 1.0
 **/
public class TableMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

    private Map<String, String> pdMap = new HashMap<>();
    private Text text = new Text();

    //任务开始前将pd数据缓存进pdMap
    @Override
    protected void setup(Context context) throws IOException, InterruptedException {

        //通过缓存文件得到小表数据pd.txt
        URI[] cacheFiles = context.getCacheFiles();
        Path path = new Path(cacheFiles[0]);

        //获取文件系统对象,并开流
        FileSystem fs = FileSystem.get(context.getConfiguration());
        FSDataInputStream fis = fs.open(path);

        //通过包装流转换为reader,方便按行读取
        BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));

        //逐行读取，按行处理
        String line;
        while (StringUtils.isNotEmpty(line = reader.readLine())) {
            //切割一行
            //01	小米
            String[] split = line.split("\t");
            pdMap.put(split[0], split[1]);
        }

        //关流
        IOUtils.closeStream(reader);
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        //读取大表数据
        //1001	01	1
        String[] fields = value.toString().split("\t");

        //通过大表每行数据的pid,去pdMap里面取出pname
        String pname = pdMap.get(fields[1]);

        //将大表每行数据的pid替换为pname
        text.set(fields[0] + "\t" + pname + "\t" + fields[2]);

        //写出
        context.write(text, NullWritable.get());
    }
}

自定义Driver

package ltd.cmjava.mapreduce.join.mapperjoin;

import ltd.cmjava.mapreduce.join.reducejoin.TableBean;
import ltd.cmjava.mapreduce.partition.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

public class TableDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
        Job job = Job.getInstance(new Configuration());

        job.setJarByClass(TableDriver.class);
        job.setMapperClass(TableMapper.class);
        // Map端Join的逻辑不需要Reduce阶段
        // job.setReducerClass(TableReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 加载缓存数据
        job.addCacheFile(new URI("file:///D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/join/pd_cache.txt"));
        // Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

        // 设置程序的输入输出路径
        String inputPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/join/mapperjoin";
        String outPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/join/mapperjoin/result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outPath));

        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

使用场景：
Map Join适用于一张表十分小、一张表很大的场景。
优点：
在Reduce端处理过多的表，非常容易产生数据倾斜。在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。

ETL

“ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库

在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

数据清洗案例

需求
去除日志中字段个数小于等于11的日志。

自定义Mapper

package ltd.cmjava.mapreduce.etl;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

/**
 * @ClassName ETLMapper
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:09 2023/1/22
 * @Version 1.0
 **/
public class ETLMapper extends Mapper<LongWritable, Text, Text, NullWritable>{

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        // 获取1行数据
        String line = value.toString();

        // 解析日志
        boolean result = parseLog(line);

        // 日志不合法退出
        if (!result) {
            return;
        }

        // 日志合法就直接写出
        context.write(value, NullWritable.get());
    }

    // 封装解析日志的方法
    private boolean parseLog(String line) {

        // 截取
        String[] fields = line.split(" ");

        // 日志长度大于11的为合法
        if (fields.length > 11) {
            return true;
        }else {
            return false;
        }
    }
}

自定义Driver

package ltd.cmjava.mapreduce.etl;
import ltd.cmjava.mapreduce.partition.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.net.URI;

/**
 * @ClassName ETLDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:09 2023/1/22
 * @Version 1.0
 **/
public class ETLDriver {
    public static void main(String[] args) throws Exception {
        // 获取job信息
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);

        // 加载jar包
        job.setJarByClass(ETLDriver.class);
        // 关联map
        job.setMapperClass(ETLMapper.class);

        // 设置最终输出类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        // 设置reducetask个数为0
        job.setNumReduceTasks(0);

        // 设置程序的输入输出路径
        String inputPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/etl";
        String outPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/etl/result";
        FileUtil.delete(new File(outPath));

        FileInputFormat.setInputPaths(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outPath));
        // 提交
        boolean b = job.waitForCompletion(true);
        System.exit(b ? 0 : 1);
    }
}

MapReduce的压缩

压缩的好处和坏处：
压缩的优点：以减少磁盘IO、减少磁盘存储空间。
压缩的缺点：增加CPU开销。

压缩原则：
（1）运算密集型的Job，少用压缩
（2）IO密集型的Job，多用压缩

MR支持的压缩编码：

压缩格式 Hadoop自带？ 算法 文件扩展名 是否可切片 换成压缩格式后，原来的程序是否需要修改
DEFLATE 是，直接使用 DEFLATE .deflate 否 和文本处理一样，不需要修改
Gzip 是，直接使用 DEFLATE .gz 否 和文本处理一样，不需要修改
bzip2 是，直接使用 bzip2 .bz2 是 和文本处理一样，不需要修改
LZO 否，需要安装 LZO .lzo 是 需要建索引，还需要指定输入格式
Snappy 是，直接使用 Snappy .snappy 否 和文本处理一样，不需要修改

压缩性能的比较：

压缩算法 原始文件大小 压缩文件大小 压缩速度 解压速度
gzip 8.3GB 1.8GB 17.5MB/s 58MB/s
bzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/s
LZO 8.3GB 2.9GB 49.3MB/s 74.6MB/s

压缩方式选择

压缩方式选择时重点考虑：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。

Gzip压缩：
优点：压缩率比较高；
缺点：不支持Split；压缩/解压速度一般；

Bzip2压缩：
优点：压缩率高；支持Split；
缺点：压缩/解压速度慢。

Lzo压缩：
优点：压缩/解压速度比较快；支持Split；
缺点：压缩率一般；想支持切片需要额外创建索引。

Snappy压缩：
优点：压缩和解压缩速度快；
缺点：不支持Split；压缩率一般；

Mapper和Reducer输出端采用压缩

这里还是以WordCount案例为例
只要改动Driver，设置上map和reduce的压缩即可，其他不变

package ltd.cmjava.mapreduce.zip;

import ltd.cmjava.mapreduce.partition.utils.FileUtil;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.BZip2Codec;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.DefaultCodec;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.File;
import java.io.IOException;

/**
 * @ClassName WordCountDriver
 * @Description TODO
 * @Author 懂坚持的男人
 * @Date 0:12 2023/1/18
 * @Version 1.0
 **/
// Driver可以视作MR程序运行的入口
public class WordCountDriver {

    public static void main(String[] args) {
        try {
            // 获取配置信息以及获取job对象
            // job就是对MR任务的封装
            Configuration conf = new Configuration();

            // 开启map端输出压缩
            conf.setBoolean("mapreduce.map.output.compress", true);
            // 设置map端输出压缩方式
            conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);
            // conf.setClass("mapreduce.map.output.compress.codec", DefaultCodec.class, CompressionCodec.class);

            Job job = Job.getInstance(conf);

            // 设置Driver的类
            job.setJarByClass(WordCountDriver.class);

            // 设置Mapper和Reducer的类
            job.setMapperClass(WordCountMapper.class);
            job.setReducerClass(WordCountReducer.class);

            // 设置Mapper输出的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);

            // 设置最终输出kv类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);

            // 设置程序的输入输出路径
            String inputPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/zip";
            String outPath="D:/Develop/workspace/Hadoop/src/main/resources/mapreduce/zip/result";
            FileUtil.delete(new File(outPath));

            FileInputFormat.setInputPaths(job, new Path(inputPath));
            FileOutputFormat.setOutputPath(job, new Path(outPath));

            // 设置reduce端输出压缩开启
            FileOutputFormat.setCompressOutput(job, true);
            // 设置压缩的方式
            FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
            // FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
            // FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class);


            // 提交job
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);

        } catch (IOException | InterruptedException | ClassNotFoundException e) {
            e.printStackTrace();
        }
    }
}

测试运行结果，可以看到输出的文件已经是压缩过的，即文件后缀.bz2（Reducer端使用BZip2Codec压缩）

image

2
Hadoop HDFS MapReduce
版权归属： 陈铭
本文链接： https://cmjava.ltd:8090/archives/mapreduce基本操作
许可协议： 本文使用《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)》协议授权

评论区