MapReduce-过程介绍（求温度最大值）

Hadoop的内部工作机制: 分布式系统理论, 实际工程和常识于一体的系统.但是,Hadoop提供的用于构建分布式系统的工具–数据存储, 数据分析,和协调处理–都非常简单.每个阶段都以key/value对作为输入和输出, 类型由程序员选择.程序员需要定义两个函数: map函数和reduce函数.对于map阶段, 输入的是原始的NCDC(国家气候数据中心)数据, 键: 该行起始位置相对于文件起始位置的偏移量(因为数据实际上是一行, 没有分隔符的).设计map函数: 我们只对年份和气温这两个属性感兴趣, 只取出这两个. 在本例中, map函数只是一个数据准备阶段, 使reduce函数能在准备数据上继续处理.map函数还是一个比较适合去除已损记录的地方(筛选掉缺失的, 可疑的).map函数的输出发送到reduce函数, 处理过程是根据键对键/值对进行排序和分组.其逻辑过程可用如下图表示：代码如下：

package temperature;

import java.io.IOException;

import java.io.IOException;
//是hadoop针对流处理优化的类型  
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
//会继承这个基类
import org.apache.hadoop.mapred.MapReduceBase;
//会实现这个接口
import org.apache.hadoop.mapred.Mapper;
//处理后数据由它来收集
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reporter;

public class MaxTemperatureMapper extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {

	private static final int MISSING=999;
	@Override
	public void map(LongWritable key, Text value,
			OutputCollector<Text, IntWritable> output, Reporter reporter)
			throws IOException {
		// TODO Auto-generated method stub
		 String line = value.toString();
		    String year = line.substring(15, 19);
		    int airTemperature;
		    if( line.charAt(87) == '+') {// parseInt doesn't like leading plus signs
		      airTemperature = Integer.parseInt(line.substring(89,92));
		    } else {
		      airTemperature = Integer.parseInt("-"+ line.substring(89,92));
		    }
		  //  output.collect(new Text(year), new IntWritable(airTemperature));
		   // String quality = line.substring(92, 93);
		    if(airTemperature != MISSING) {
		      output.collect(new Text(year), new IntWritable(airTemperature));
		    }
		  }
	}

Mapper是一个泛型接口:

Mapper<LongWritable, Text, Text, IntWritable>

它有4个形参类型, 分别是map函数的输入键, 输入值, 输出键和输出值的类型.就目前来说, 输入键是长整数偏移量, 输入值是一行文本, 输出键是年份, 输出值是气温(整数).Hadoop提供了一套可优化网络序列化传输的基本类型, 不直接使用java内嵌的类型. 在这里,

LongWritable

相当于

Long

,

IntWritable

相当于

Int

,

Text

相当于

String

.

map()

方法的输入是一个键和一个值.

map()

还提供了

OutputCollector

实例用于输出内容的写入.

package temperature;

import java.io.IOException;
import java.util.Iterator;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;

public class MaxTemperatureReducer extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {

	@Override
    public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {

        int maxValue = Integer.MIN_VALUE;

        while (values.hasNext()) {

            maxValue = Math.max(maxValue, values.next().get());

        }

        output.collect(key, new IntWritable(maxValue));

    }
	

}

<p style="line-height: 19px; margin: 10px auto; color: rgb(75, 75, 75); font-family: Verdana, Geneva, Arial, Helvetica, sans-serif; font-size: 13px;">reduce函数的输入键值对必须与map函数的输出键值对匹配.</p><p style="line-height: 19px; margin: 10px auto; color: rgb(75, 75, 75); font-family: Verdana, Geneva, Arial, Helvetica, sans-serif; font-size: 13px;">reduce函数的输出键值对类型为Text/IntWritable, 分别表示年份和最高气温.</p>

package temperature;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapred.FileInputFormat;import org.apache.hadoop.mapred.FileOutputFormat;import org.apache.hadoop.mapred.JobClient;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapred.MapReduceBase;public class TemperatureClass  {		public static void main(String[] args) throws Exception {		 if (args.length != 2) {	            System.err.println("Usage: MaxTemperature <input path> <output path>");	            System.exit(-1);	        }	        JobConf conf = new JobConf(TemperatureClass.class);	        conf.setJobName("Max temperature");	        FileInputFormat.addInputPath(conf, new Path(args[0]));	        FileOutputFormat.setOutputPath(conf, new Path(args[1]));	        conf.setMapperClass(MaxTemperatureMapper.class);	        conf.setReducerClass(MaxTemperatureReducer.class);	        conf.setOutputKeyClass(Text.class);	        conf.setOutputValueClass(IntWritable.class);	        JobClient.runJob(conf);	    }	}

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TextsetNumMapTasks：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input split的个数setMapperClass：设置Mapper，默认为IdentityMappersetMapRunnerClass：设置MapRunner, map task是由MapRunner运行的，默认为MapRunnable，其功能为读取input split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reduce task处理，所以partition的个数等于reduce task的个数setReducerClass：设置Reducer，默认为IdentityReducersetOutputFormat：设置任务的输出格式，默认为TextOutputFormatFileInputFormat.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JobConf 对象制定了作业的执行规范. 构造函数的参数为作业所在的类, Hadoop会通过该类来查找包含给类的JAR文件.构造

JobConf

对象后, 制定输入和输出数据的路径. 这里是通过

FileInputFormat

的静态方法

addInputPath()

来定义输入数据的路径, 路径可以是单个文件, 也可以是目录(即目录下的所有文件)或符合特定模式的一组文件. 可以多次调用(从名称可以看出,

addInputPath()

).同理,

FileOutputFormat.setOutputPath()

指定输出路径. 即写入目录. 运行作业前, 写入目录不应该存在, Hadoop会拒绝并报错. 这样设计, 主要是防止数据被覆盖, 数据丢失. 毕竟Hadoop运行的时间是很长的, 丢失了非常恼人.

FileOutputFormat.setOutputPath()

和

conf.setMapperClass()

指定map和reduce类型.接着,

setOutputKeyClass

和

setOutputValueClass

指定map和reduce函数的 输出 类型, 这两个函数的输出类型往往相同. 如果不同, map的输出函数类型通过

setMapOutputKeyClass

和

setMapOutputValueClass

指定.输入的类型用

InputFormat

设置, 本例中没有指定, 使用的是默认的

TextInputFormat

(文本输入格式);最后,

JobClient.runJob()

会提交作业并等待完成, 将结果写到控制台.程序运行时使用的配置信息：运行得到的结果如下（由于个人搭建的云计算平台过于简陋只是使用了两年的数据结果）下图大概描述了Map-Reduce的Job运行的基本原理：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jobJobTracker：协调整个job的运行，其为一个Java进程，其main class为JobTrackerTaskTracker：运行此job的task，处理input split，其为一个Java进程，其main class为TaskTrackerHDFS：hadoop分布式文件系统，用于在各个进程间共享Job相关的文件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job ID检测此job的output配置计算此job的input splits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job jar文件，job.xml配置文件，input splits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。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input splits。其为每个input split创建一个map task。每个task被分配一个ID。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map task或者reduce task。默认的调度器对待map task优先于reduce task当选择reduce task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reduce task没有数据本地化的概念。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distributed cache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child JVM和TaskTracker通信来报告运行进度。

Map的过程

MapRunnable从input split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memory buffer。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。

Reduce的过程

当map task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。reduce task需要其对应的partition的所有的map输出。reduce task中的copy过程即当每个map task结束的时候就开始拷贝输出，因为不同的map task完成时间不同。reduce task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reduce task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reduce task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。

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。