通过简单的Word Count讲解MapReduce原理以及Java实现

MapReduce原理：

MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单地说，MapReduce就是"任务的分解与结果的汇总"。



　　在Hadoop中，用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker。



　　在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。



需要注意的是，用MapReduce来处理的数据集（或任务）必须具备这样的特点：待处理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。

在Hadoop中，每个MapReduce任务都被初始化为一个Job，每个Job又可以分为两种阶段：map阶段和reduce阶段。这两个阶段分别用两个函数表示，即map函数和reduce函数。map函数接收一个形式的输入，然后同样产生一个形式的中间输出，Hadoop函数接收一个如形式的输入，然后对这个value集合进行处理，每个reduce产生0或1个输出，reduce的输出也是形式的。

下面以一个最简单的例子说明：

单词计数是最简单也是最能体现MapReduce思想的程序之一，可以称为MapReduce版"Hello
World"，该程序的完整代码可以在Hadoop安装包的"src/examples"目录下找到。单词计数主要完成功能是：统计一系列文本文件中每个单词出现的次数，如下图所示。



package org.apache.hadoop.examples;



import java.io.IOException;



import java.util.StringTokenizer;



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.Mapper;



import org.apache.hadoop.mapreduce.Reducer;



import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;



import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;



import org.apache.hadoop.util.GenericOptionsParser;



public class WordCount {



　　public static class TokenizerMapper



　　　　　　extends Mapper {



　　　　　　private final static IntWritable
one = new IntWritable(1);



　　　　　　private Text word = new
Text();







　　　　　　public void map(Object
key, Text value, Context context)



　　　　　　　　throws IOException, InterruptedException
{



　　　　　　　　StringTokenizer itr =
new StringTokenizer(value.toString());



　　　　　　　　while (itr.hasMoreTokens())
{



　　　　　　　　word.set(itr.nextToken());



　　　　　　　　context.write(word, one);



　　　　　　}



　　　　}



　　}



　　public static class IntSumReducer



　　　　　　extends Reducer {



　　　　　　private IntWritable result
= new IntWritable();



　　　　　　public void reduce(Text
key, Iterable values,Context context)



　　　　　　　　　　 throws IOException,
InterruptedException {



　　　　　　　　int sum = 0;



　　　　　　　　for (IntWritable val
: values) {



　　　　　　　　　　　sum += val.get();



　　　　　　　　}



　　　　　　result.set(sum);



　　　　　　context.write(key, result);



　　　　}



　　}







　　public static void main(String[]
args) throws Exception {



　　　　Configuration conf = new
Configuration();



　　　　String[] otherArgs = new
GenericOptionsParser(conf, args).getRemainingArgs();



　　　　if (otherArgs.length != 2)
{



　　　　　　System.err.println("Usage:
wordcount ");



　　　　　　System.exit(2);



　　　　}



　　　　Job job = new Job(conf, "word
count");



　　　　job.setJarByClass(WordCount.class);



　　　　job.setMapperClass(TokenizerMapper.class);



　　　　job.setCombinerClass(IntSumReducer.class);



　　　　job.setReducerClass(IntSumReducer.class);



　　　　job.setOutputKeyClass(Text.class);



　　　　job.setOutputValueClass(IntWritable.class);



　　　　FileInputFormat.addInputPath(job,
new Path(otherArgs[0]));



　　　　FileOutputFormat.setOutputPath(job,
new Path(otherArgs[1]));



　　　　System.exit(job.waitForCompletion(true)
? 0 : 1);



}



}



Map过程需要继承org.apache.hadoop.mapreduce包中Mapper类，并重写其map方法。通过在map方法中添加两句把key值和value值输出到控制台的代码，可以发现map方法中value值存储的是文本文件中的一行（以回车符为行结束标记），而key值为该行的首字母相对于文本文件的首地址的偏移量。然后StringTokenizer类将每一行拆分成为一个个的单词，并将作为map方法的结果输出，其余的工作都交有MapReduce框架处理。

Reduce过程需要继承org.apache.hadoop.mapreduce包中Reducer类，并重写其reduce方法。Map过程输出中key为单个单词，而values是对应单词的计数值所组成的列表，Map的输出就是Reduce的输入，所以reduce方法只要遍历values并求和，即可得到某个单词的总次数。

在MapReduce中，由Job对象负责管理和运行一个计算任务，并通过Job的一些方法对任务的参数进行相关的设置。此处设置了使用TokenizerMapper完成Map过程中的处理和使用IntSumReducer完成Combine和Reduce过程中的处理。还设置了Map过程和Reduce过程的输出类型：key的类型为Text，value的类型为IntWritable。任务的输出和输入路径则由命令行参数指定，并由FileInputFormat和FileOutputFormat分别设定。完成相应任务的参数设定后，即可调用job.waitForCompletion()方法执行任务。



Hadoop提供了如下内容的数据类型，这些数据类型都实现了WritableComparable接口，以便用这些类型定义的数据可以被序列化进行网络传输和文件存储，以及进行大小比较。







BooleanWritable：标准布尔型数值



ByteWritable：单字节数值



DoubleWritable：双字节数



FloatWritable：浮点数



IntWritable：整型数



LongWritable：长整型数



Text：使用UTF8格式存储的文本



NullWritable：当中的key或value为空时使用