MapReduce入门过程解释温度示例.docx
- 文档编号:29206276
- 上传时间:2023-07-21
- 格式:DOCX
- 页数:13
- 大小:567.36KB
MapReduce入门过程解释温度示例.docx
《MapReduce入门过程解释温度示例.docx》由会员分享,可在线阅读,更多相关《MapReduce入门过程解释温度示例.docx(13页珍藏版)》请在冰豆网上搜索。
MapReduce入门过程解释温度示例
Hadoop学习总结之三:
Map-Reduce入门
2010-11-2921:
31 2632人阅读 评论(0) 收藏 举报
hadoop任务inputoutputinterfaceiterator
目录(?
)[+]
1、Map-Reduce的逻辑过程
假设我们需要处理一批有关天气的数据,其格式如下:
∙按照ASCII码存储,每行一条记录
∙每一行字符从0开始计数,第15个到第18个字符为年
∙第25个到第29个字符为温度,其中第25位是符号+/-
0067011990999991950051507+0000+
0043011990999991950051512+0022+
0043011990999991950051518-0011+
0043012650999991949032412+0111+
0043012650999991949032418+0078+
0067011990999991937051507+0001+
0043011990999991937051512-0002+
0043011990999991945051518+0001+
0043012650999991945032412+0002+
0043012650999991945032418+0078+
现在需要统计出每年的最高温度。
Map-Reduce主要包括两个步骤:
Map和Reduce
每一步都有key-value对作为输入和输出:
∙map阶段的key-value对的格式是由输入的格式所决定的,如果是默认的TextInputFormat,则每行作为一个记录进程处理,其中key为此行的开头相对于文件的起始位置,value就是此行的字符文本
∙map阶段的输出的key-value对的格式必须同reduce阶段的输入key-value对的格式相对应
对于上面的例子,在map过程,输入的key-value对如下:
(0,0067011990999991950051507+0000+)
(33,0043011990999991950051512+0022+)
(66,0043011990999991950051518-0011+)
(99,0043012650999991949032412+0111+)
(132,0043012650999991949032418+0078+)
(165,0067011990999991937051507+0001+)
(198,0043011990999991937051512-0002+)
(231,0043011990999991945051518+0001+)
(264,0043012650999991945032412+0002+)
(297,0043012650999991945032418+0078+)
在map过程中,通过对每一行字符串的解析,得到年-温度的key-value对作为输出:
(1950,0)
(1950,22)
(1950,-11)
(1949,111)
(1949,78)
(1937,1)
(1937,-2)
(1945,1)
(1945,2)
(1945,78)
在reduce过程,将map过程中的输出,按照相同的key将value放到同一个列表中作为reduce的输入
(1950,[0,22,–11])
(1949,[111,78])
(1937,[1,-2])
(1945,[1,2,78])
在reduce过程中,在列表中选择出最大的温度,将年-最大温度的key-value作为输出:
(1950,22)
(1949,111)
(1937,1)
(1945,78)
其逻辑过程可用如下图表示:
2、编写Map-Reduce程序
编写Map-Reduce程序,一般需要实现两个函数:
mapper中的map函数和reducer中的reduce函数。
一般遵循以下格式:
∙map:
(K1,V1) -> list(K2,V2)
publicinterfaceMapper extendsJobConfigurable,Closeable{
voidmap(K1key,V1value,OutputCollector output,Reporterreporter)
throwsIOException;
}
∙reduce:
(K2,list(V)) -> list(K3,V3)
publicinterfaceReducer extendsJobConfigurable,Closeable{
voidreduce(K2key,Iterator values,
OutputCollector output,Reporterreporter)
throwsIOException;
}
对于上面的例子,则实现的mapper如下:
publicclassMaxTemperatureMapperextendsMapReduceBaseimplementsMapper {
@Override
publicvoidmap(LongWritablekey,Textvalue,OutputCollector output,Reporterreporter)throwsIOException{
Stringline=value.toString();
Stringyear=line.substring(15,19);
intairTemperature;
if(line.charAt(25)=='+'){
airTemperature=Integer.parseInt(line.substring(26,30));
}else{
airTemperature=Integer.parseInt(line.substring(25,30));
}
output.collect(newText(year),newIntWritable(airTemperature));
}
}
实现的reducer如下:
publicclassMaxTemperatureReducerextendsMapReduceBaseimplementsReducer {
publicvoidreduce(Textkey,Iterator values,OutputCollector output,Reporterreporter)throwsIOException{
intmaxValue=Integer.MIN_VALUE;
while(values.hasNext()){
maxValue=Math.max(maxValue,values.next().get());
}
output.collect(key,newIntWritable(maxValue));
}
}
欲运行上面实现的Mapper和Reduce,则需要生成一个Map-Reduce得任务(Job),其基本包括以下三部分:
∙输入的数据,也即需要处理的数据
∙Map-Reduce程序,也即上面实现的Mapper和Reducer
∙此任务的配置项JobConf
欲配置JobConf,需要大致了解Hadoop运行job的基本原理:
∙Hadoop将Job分成task进行处理,共两种task:
maptask和reducetask
∙Hadoop有两类的节点控制job的运行:
JobTracker和TaskTracker
oJobTracker协调整个job的运行,将task分配到不同的TaskTracker上
oTaskTracker负责运行task,并将结果返回给JobTracker
∙Hadoop将输入数据分成固定大小的块,我们称之inputsplit
∙Hadoop为每一个inputsplit创建一个task,在此task中依次处理此split中的一个个记录(record)
∙Hadoop会尽量让输入数据块所在的DataNode和task所执行的DataNode(每个DataNode上都有一个TaskTracker)为同一个,可以提高运行效率,所以inputsplit的大小也一般是HDFS的block的大小。
∙Reducetask的输入一般为MapTask的输出,ReduceTask的输出为整个job的输出,保存在HDFS上。
∙在reduce中,相同key的所有的记录一定会到同一个TaskTracker上面运行,然而不同的key可以在不同的TaskTracker上面运行,我们称之为partition
opartition的规则为:
(K2,V2)–>Integer,也即根据K2,生成一个partition的id,具有相同id的K2则进入同一个partition,被同一个TaskTracker上被同一个Reducer进行处理。
publicinterfacePartitioner extendsJobConfigurable{
intgetPartition(K2key,V2value,intnumPartitions);
}
下图大概描述了Map-Reduce的Job运行的基本原理:
下面我们讨论JobConf,其有很多的项可以进行配置:
∙setInputFormat:
设置map的输入格式,默认为TextInputFormat,key为LongWritable,value为Text
∙setNumMapTasks:
设置map任务的个数,此设置通常不起作用,map任务的个数取决于输入的数据所能分成的inputsplit的个数
∙setMapperClass:
设置Mapper,默认为IdentityMapper
∙setMapRunnerClass:
设置MapRunner,maptask是由MapRunner运行的,默认为MapRunnable,其功能为读取inputsplit的一个个record,依次调用Mapper的map函数
∙setMapOutputKeyClass和setMapOutputValueClass:
设置Mapper的输出的key-value对的格式
∙setOutputKeyClass和setOutputValueClass:
设置Reducer的输出的key-value对的格式
∙setPartitionerClass和setNumReduceTasks:
设置Partitioner,默认为HashPartitioner,其根据key的hash值来决定进入哪个partition,每个partition被一个reducetask处理,所以partition的个数等于reducetask的个数
∙setReducerClass:
设置Reducer,默认为IdentityReducer
∙setOutputFormat:
设置任务的输出格式,默认为TextOutputFormat
∙FileInputFormat.addInputPath:
设置输入文件的路径,可以使一个文件,一个路径,一个通配符。
可以被调用多次添加多个路径
∙FileOutputFormat.setOutputPath:
设置输出文件的路径,在job运行前此路径不应该存在
当然不用所有的都设置,由上面的例子,可以编写Map-Reduce程序如下:
publicclassMaxTemperature{
publicstaticvoidmain(String[]args)throwsIOException{
if(args.length!
=2){
System.err.println("Usage:
MaxTemperature
");
System.exit(-1);
}
JobConfconf=newJobConf(MaxTemperature.class);
conf.setJobName("Maxtemperature");
FileInputFormat.addInputPath(conf,newPath(args[0]));
FileOutputFormat.setOutputPath(conf,newPath(args[1]));
conf.setMapperClass(MaxTemperatureMapper.class);
conf.setReducerClass(MaxTemperatureReducer.class);
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
JobClient.runJob(conf);
}
}
3、Map-Reduce数据流(dataflow)
Map-Reduce的处理过程主要涉及以下四个部分:
∙客户端Client:
用于提交Map-reduce任务job
∙JobTracker:
协调整个job的运行,其为一个Java进程,其mainclass为JobTracker
∙TaskTracker:
运行此job的task,处理inputsplit,其为一个Java进程,其mainclass为TaskTracker
∙HDFS:
hadoop分布式文件系统,用于在各个进程间共享Job相关的文件
3.1、任务提交
JobClient.runJob()创建一个新的JobClient实例,调用其submitJob()函数。
∙向JobTracker请求一个新的jobID
∙检测此job的output配置
∙计算此job的inputsplits
∙将Job运行所需的资源拷贝到JobTracker的文件系统中的文件夹中,包括jobjar文件,job.xml配置文件,inputsplits
∙通知JobTracker此Job已经可以运行了
提交任务后,runJob每隔一秒钟轮询一次job的进度,将进度返回到命令行,直到任务运行完毕。
3.2、任务初始化
当JobTracker收到submitJob调用的时候,将此任务放到一个队列中,job调度器将从队列中获取任务并初始化任务。
初始化首先创建一个对象来封装job运行的tasks,status以及progress。
在创建task之前,job调度器首先从共享文件系统中获得JobClient计算出的inputsplits。
其为每个inputsplit创建一个maptask。
每个task被分配一个ID。
3.3、任务分配
TaskTracker周期性的向JobTracker发送heartbeat。
在heartbeat中,TaskTracker告知JobTracker其已经准备运行一个新的task,JobTracker将分配给其一个task。
在JobTracker为TaskTracker选择一个task之前,JobTracker必须首先按照优先级选择一个Job,在最高优先级的Job中选择一个task。
TaskTracker有固定数量的位置来运行maptask或者reducetask。
默认的调度器对待maptask优先于reducetask
当选择reducetask的时候,JobTracker并不在多个task之间进行选择,而是直接取下一个,因为reducetask没有数据本地化的概念。
3.4、任务执行
TaskTracker被分配了一个task,下面便要运行此task。
首先,TaskTracker将此job的jar从共享文件系统中拷贝到TaskTracker的文件系统中。
TaskTracker从distributedcache中将job运行所需要的文件拷贝到本地磁盘。
其次,其为每个task创建一个本地的工作目录,将jar解压缩到文件目录中。
其三,其创建一个TaskRunner来运行task。
TaskRunner创建一个新的JVM来运行task。
被创建的childJVM和TaskTracker通信来报告运行进度。
3.4.1、Map的过程
MapRunnable从inputsplit中读取一个个的record,然后依次调用Mapper的map函数,将结果输出。
map的输出并不是直接写入硬盘,而是将其写入缓存memorybuffer。
当buffer中数据的到达一定的大小,一个背景线程将数据开始写入硬盘。
在写入硬盘之前,内存中的数据通过partitioner分成多个partition。
在同一个partition中,背景线程会将数据按照key在内存中排序。
每次从内存向硬盘flush数据,都生成一个新的spill文件。
当此task结束之前,所有的spill文件被合并为一个整的被partition的而且排好序的文件。
reducer可以通过http协议请求map的输出文件,tracker.http.threads可以设置http服务线程数。
3.4.2、Reduce的过程
当maptask结束后,其通知TaskTracker,TaskTracker通知JobTracker。
对于一个job,JobTracker知道TaskTracer和map输出的对应关系。
reducer中一个线程周期性的向JobTracker请求map输出的位置,直到其取得了所有的map输出。
reducetask需要其对应的partition的所有的map输出。
reducetask中的copy过程即当每个maptask结束的时候就开始拷贝输出,因为不同的maptask完成时间不同。
reducetask中有多个copy线程,可以并行拷贝map输出。
当很多map输出拷贝到reducetask后,一个背景线程将其合并为一个大的排好序的文件。
当所有的map输出都拷贝到reducetask后,进入sort过程,将所有的map输出合并为大的排好序的文件。
最后进入reduce过程,调用reducer的reduce函数,处理排好序的输出的每个key,最后的结果写入HDFS。
3.5、任务结束
当JobTracker获得最后一个task的运行成功的报告后,将job得状态改为成功。
当JobClient从JobTracker轮询的时候,发现此job已经成功结束,则向用户打印消息,从runJob函数中返回。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- MapReduce 入门 过程 解释 温度 示例