04 MapReduce

第 1 章 MapReduce 概述

MapReduce解决的是海量数据的计算问题。

1.1 MapReduce 定义

MapReduce 是一个分布式运算程序的编程框架，是用户开发“基于 Hadoop 的数据分析应用”的核心框架。

MapReduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个 Hadoop 集群上。

1.2 MapReduce 优缺点

1.2.1 优点

1）MapReduce 易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。

2）良好的扩展性

当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。

3）高容错性

MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。

4）适合 PB 级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力。

1.2.2 缺点

1）不擅长实时计算

MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。

2）不擅长流式计算

流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

3）不擅长 DAG（有向无环图）计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

---

1.3 MapReduce 核心思想

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1vyPIFt2-1667872666472)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913297.png)]

（1）分布式的运算程序往往需要分成至少 2 个阶段。

（2）第一个阶段的 MapTask 并发实例，完全并行运行，互不相干。

（3）第二个阶段的 ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有 MapTask 并发实例的输出。

（4）MapReduce 编程模型只能包含一个 Map 阶段和一个 Reduce 阶段，如果用户的业务逻辑非常复杂，那就只能多个 MapReduce 程序，串行运行。

**总结：**分析 WordCount 数据流走向深入理解 MapReduce 核心思想。

每一个MapTask默认处理128MB的数据，那能不能改呢？可以，什么时候改大，什么时候改小后面会给大家说。

---

1.4 MapReduce 进程

也就是你未来在进行MapReduce程序的时候它会启动哪些进程来进行运行。

一个完整的 MapReduce 程序在分布式运行时有三类实例进程：

（1）MrAppMaster：负责整个程序的过程调度及状态协调。

我们之前在介绍Yarn的时候，提到过ApplicationMaster，MrAppMaster是ApplicationMaster的一个子类。也就是说MrAppMaster是一个子进程，那也是运行一个任务的"老大"。

我们说的任务：我们会叫做job，还会叫做一个MR，这些说的都是一个应用程序。比如：我们跑的一个worldcount程序我们会把它称做 这是一个job/MR/任务。

（2）MapTask：负责 Map 阶段的整个数据处理流程。

（3）ReduceTask：负责 Reduce 阶段的整个数据处理流程。

后面在查看这两个对应的进程的时候，你查不到对应的MapTask和ReduceTask，你查到的是YarnChild，是yarn的一个子进程。

---

接下来我们来看一下官当WorldCount原码，也就是在我们写代码之前，我们先看看官方是怎么写的。

1.5 官方 WordCount 源码

进入到hadoop根目录，cd hadoop3.1.3/share/hadoop/mapreduce/，hadoop-mapreduce-examples-3,1,3.jar这里面存储了相关的一些案例，我们把它下载到本地。

sz hadoop-mapreduce-examples-3,1,3.jar

采用反编译工具(jd-gui.exe)反编译源码，发现 WordCount 案例有 Map 类、Reduce 类和驱动类。且数据的类型是 Hadoop 自身封装的序列化类型。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aPKB8Fy8-1667872666473)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913730.png)]

驱动代码中也是有固定的套路，这里面正常情况下有7步，都是常见的套路，按照要求去配置就可以。

---

1.6 常用数据序列化类型

---

1.7 MapReduce 编程规范

用户编写的程序分成三个部分：Mapper、Reducer 和 Driver。固定写法，因为MapReduce是一个框架，所以就遵循框架的原则。

1．Mapper阶段

（1）用户自定义的Mapper要继承自己的父类

（2）Mapper的输入数据是KV对的形式（KV的类型可自定义）

key是这一行的偏移量，value是这一行的内容。

（3）Mapper中的业务逻辑写在map()方法中

（4）Mapper的输出数据是KV对的形式（KV的类型可自定义）

那具体这个KV是什么类型，跟我们的计算逻辑有关系。

（5）map()方法（MapTask进程）对每一个<K,V>调用一次

2．Reducer阶段

（1）用户自定义的Reducer要继承自己的父类

（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV

（3）Reducer的业务逻辑写在reduce()方法中

（4）ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

3．Driver阶段

相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

1.8 WordCount 案例实操

1.8.1 本地测试

1）需求

在给定的文本文件中统计输出每一个单词出现的总次数

（1）输入数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0T69tKNT-1667872666474)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913334.png)]

（2）期望输出数据

atguigu 2
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1

2）需求分析

按照 MapReduce 编程规范，分别编写 Mapper，Reducer，Driver。

Text 类型对字符串转换的API特别少，Java中的String对字符串操作的API多，所以先转换为String。

3）环境准备

（1）创建 maven 工程，MapReduceDemo

（2）在 pom.xml 文件中添加如下依赖

<dependencies><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId> // 因为我们是使用Hadoop客户端方式访问Hadoop集群<version>3.1.3</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-log4j12</artifactId><version>1.7.30</version></dependency>
</dependencies>

（2）在项目的 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（3）创建包名：com.atguigu.mapreduce.wordcount

4）编写程序

（1）编写 Mapper 类

package com.atguigu.mapreduce.wordcount;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/*** KEYIN, map阶段输入的key的类型：LongWritable，输入的是偏移量* VALUEIN,map阶段输入value类型：Text，* KEYOUT,map阶段输出的Key类型：Text* VALUEOUT,map阶段输出的value类型：IntWritable  // 当然使用IntWritable或者LongWritable都行*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {private Text outK = new Text(); // 提升到成员变量，因为如果是局部遍历的话每一次调用方法都会创建对象，对应的空间效率降低private IntWritable outV = new IntWritable(1); // 同理@Override// 这里面传入的是map输入的key和输入的value，context对应的上下文：进行map和reduce之间的联络protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1 获取一行// atguigu atguiguString line = value.toString(); //正常value是Text类型，没有我们想要的相关字符串操作，所以需要转换成String,String下面有更丰富的字符串处理// 2 对数据切割// atguigu// atguiguString[] words = line.split(" "); // 用什么切割，看你原始数据是什么// 拿到的String[]，每一行的单词都放到数组中// 3 循环写出，遍历wordsfor (String word : words) {// 封装outkoutK.set(word);// 写出context.write(outK, outV); // write对应的key和value就是map阶段输出的key value}}
}

在map阶段我们不进行聚合，只是将每一个单词切割出来计数

MapReduce2.x负责资源的调度以及计算，到了2.x及以上只负责计算，后续我们在导包的时候只需要导MapReduce包即可。

接下来我们看一下Mapper类中到底封装了什么？

• class Context { }：map 与 reduce未来要进行一个通讯，比如网络上的交互或者全局的一些配置信息等等都会通过Context进行连接，这里面存储了大量的通信信息。

• void run()：

  

• void setup()：程序一进来执行一次，那就相当于一个初始化的方法。在任务开始的时候调用一次。如果不进行初始化就是nothing，前期一般不使用这个方法，后期需要的话我们可以重写一下setup()。

• void cleanup()：在任务结束之后调用一次，通常是关闭一些资源。

• void map()：循环遍历每次执行map，每一对key value都会被调用一次，大多数应用程序都会去重写这个方法，往往是根据用户的业务逻辑来重写这里面的功能。

（2）编写 Reducer 类

map 的输出是reducer的输入

package com.atguigu.mapreduce.wordcount;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** KEYIN, reduce阶段输入的key的类型：Text* VALUEIN,reduce阶段输入value类型：IntWritable* KEYOUT,reduce阶段输出的Key类型：Text* VALUEOUT,reduce阶段输出的value类型：IntWritable*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {private IntWritable outV = new IntWritable();@Override// values是一个集合，不是迭代器，是集合类的祖先类。可以先获取它的迭代器再进行遍历protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int sum = 0;// atguigu, (1,1)// 遍历累加for (IntWritable value : values) {sum += value.get();}outV.set(sum);// 写出context.write(key,outV); // context是一个上下文对象，连接mapreducer和系统的信息交互}
}

看看Reducer类中封装了什么？ - class context{ }：它是连接map reducer以及跟系统代码进行交互的桥梁，通过context对象来传递一些消息。 - void run()： - void setup()：任务开始的时候进行初始化 - void cleanup()：程序结束后的一些收尾工作 - void reduce()：每一种key会被调用一次，大多数应用程序需要复写这个方法。后续可以对reduce中的数据进行累加或者加减乘除的操作。

​ 例如：数据在map中是：(atguigu,1)，(atguigu,1)。在reduce中是：atguigu(1,1)。

（3）编写 Driver 驱动类

package com.atguigu.mapreduce.wordcount;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;import java.io.IOException;public class WordCountDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置jar包路径job.setJarByClass(WordCountDriver.class);// 3 关联mapper和reducer// 使job、mapper、reduce之间建立联系job.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 4 设置map输出的kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5 设置最终输出的kV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6 设置输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputword"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output888"));// 7 提交job// true :监控并打印job相关的信息boolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1); // }
}

这里为什么不是reduce的输出呢？因为reduce不是最终输出，有的mapreduce程序没有reduce，只有map阶段。reduce输出之后还有一个outputFormat进行控制。

5）本地测试

（1）需要首先配置好 HADOOP_HOME 变量以及 Windows 运行依赖

（2）在 IDEA/Eclipse 上运行程序

运行完毕之后查看一下输出结果

四个文件，前两个都是crc校验，"_SUCCESS"代表执行成功了，没有其他什么含义。

"part-r-00000"才是我们真正想要的数据。

“part”：表示一部分数据。

“r”：表示reduce的输出结果，会在中间加一个"r"。如果连reduce都没有，就没有这个"r"。

“00000”：表示第一块分区数据。如果你的分区比较多的话，它会"00001"，"00002"往上加。

这就是输出的结果，和我们预期输出的结果是一样的。

可以看到这个数据排序了，但是我们在代码中没有认为的去让它排序，只不过Hadoop默认的对数据进行排序，我们在讲shuffle的时候会说，hadoop中有哪儿几种排序，什么时候会进行排序。

接下来我们对程序进行debug，让大家彻底的了解一下worldcount程序到底怎么走的，我们需要打断点。

加断点的位置：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-scGa1ckQ-1667872666482)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913638.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GDTpdGED-1667872666483)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913792.png)]

1.8.2 提交到集群测试

接下来来思考一个问题：这个worldcount程序到底是在哪运行的呢？是不是在我们的集群呢？

可以看到我们的集群并没有启动。那刚才这个程序是在哪儿执行的？

其实是在我们本地执行的，通过hadoop-client依赖进行执行，相当于是本地模式。从当前路径也能够看出，路径都是windows本地的输入路径和输出路径。

将来我们都是把程序运行在Linux虚拟机上，那如何把这个代码发送到Linux虚拟机运行呢？首先我们想到的就是打包，然后上传到Linux虚拟机上。打包的话需要打包插件。

如果不添加以下插件，使用Maven插件进行打包，可以发现打包完的jar包只有6KB，非常小。原因是项目中依赖的jar包没有打包进来，我们在项目中依赖的jar包如：hadoop-client、junit、slf4j没有打包进来。那没有打包进去能不能用呢？那就要分情况了：

如果说你把这个jar包上传到一个集群，集群上有你这些依赖相关的jar包，那你就可以直接运行。但是你集群上没有对应的jar包环境，那么你就需要把这些依赖打进来。这是区别

<plugin><artifactId>maven-assembly-plugin</artifactId><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>

我们集群中正常情况下是不需要对应的依赖的，我们的集群上就有Hadoop依赖。那如果我们想把项目中所依赖的jar包打包进来，我们就应该添加上面的插件。

1.8.2 提交到集群测试

集群上测试

（1）用 maven 打 jar 包，需要添加的打包插件依赖

<build><plugins><plugin><artifactId>maven-compiler-plugin</artifactId> // maven编译插件<version>3.6.1</version><configuration><source>1.8</source> // 使用jdk1.8对项目进行编译<target>1.8</target></configuration></plugin><plugin><artifactId>maven-assembly-plugin</artifactId><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>

注意：如果工程上显示红叉。在项目上右键->maven->Reimport 刷新即可。

（2）将程序打成 jar 包

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZzJFmM9J-1667872666485)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913513.png)]

（3）修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群的/opt/module/hadoop-3.1.3 路径。

（4）启动 Hadoop 集群

后期使用脚本启动

[atguigu@hadoop102 hadoop-3.1.3]sbin/start-dfs.sh
[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh

（5）执行 WordCount 程序

需要输入全类名

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop jar wc.jar
com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu/input
/user/atguigu/output

修改代码（main方法）

package com.atguigu.mapreduce.wordcount2;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;import java.io.IOException;public class WordCountDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置jar包路径job.setJarByClass(WordCountDriver.class);// 3 关联mapper和reducerjob.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 4 设置map输出的kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5 设置最终输出的kV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6 设置输入路径和输出路径FileInputFormat.setInputPaths(job, new Path(args[0]));FileOutputFormat.setOutputPath(job, new Path(args[1]));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

测试成功

通常情况下是在windows环境下搭建一个hadoop环境进行编写，编写完之后打包，上传到hdfs，然后执行hdfs命令。

第 2 章 Hadoop 序列化

把内存中的数据序列化到磁盘，变成字节码之后就允许传输了，传输到对方服务器之后进行加载，加载到hadoop的内存中。在内存往字节码中变化的过程就是序列化。将字节码文件加载到内存叫做反序列化。

那我们为什么要采用序列化方式，就是因为在一个系统内存中的对象传输到另一个服务器里面的时候呢没法传，那我们就通过序列化的方式，传过去之后再进行反序列化。

2.1 序列化概述

1）什么是序列化

序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输。

反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。

2）为什么要序列化

一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。

然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。

3）为什么不用 Java 的序列化

Java 的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，

Hadoop 自己开发了一套序列化机制（Writable）。对于Hadoop来说只需要一个简单校验就可以了，因为是在系统内部，不是在外部系统之间的传输，不需要添加那么多的信息，

4）Hadoop 序列化特点：

（1）紧凑 ：高效使用存储空间。

相当于传输的信息比你少，存储的空间就小了。

（2）快速：读写数据的额外开销小。

（3）互操作：支持多语言的交互

这个其实是所有序列化都有的特点，互操作性怎么理解呢？

假如说在hadoop102上是用java代码编写的，hadoop103上可以用c或者c++语言进行反序列化，支持多语言的使用。

---

2.2 自定义 bean 对象实现序列化接口（Writable）

查看hadoop源，查看Writable接口。这个接口中重写了write()以及readFiles()。

• write()：用于序列化的方法。
• readFiles()：反序列化文件

就是因为Hadoop中序列化非常轻，传输起来更高效。

在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在 Hadoop 框架内部传递一个 bean 对象，那么该对象就需要实现序列化接口。

具体实现 bean 对象序列化步骤如下 7 步。

（1）必须实现 Writable 接口

（2）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，这是系统框架的要求。

public FlowBean() {
super();
}

（3）重写序列化方法

@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}

（4）重写反序列化方法

@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}

（5）注意反序列化的顺序和序列化的顺序完全一致

（6）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。

（7）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 框架中的 Shuffle 过程要求对 key 必须能排序。详见后面排序案例

我们在Map阶段，它里面有一对key value，Hadoop框架默认对key 进行排序，你这里面的key必须能够支持排序否则抛异常。所以需要实现Comparable 接口，也就是说能够进行比较排序。那如果放在value中就不需要。

如图：Hadoop中的key如果以Text为类型，看一下它是否支持排序

Text实现了WritableComparable接口，WritableComparable实现了Writable接口以及Comparable接口。在Comparable接口中需要重写compareTo()进行一个比较。这个Comparable接口是Java中的API。所以说默认的基本类型都具备这种比较的方式，所以说它才能够放在key的存储位置上。

@Override
public int compareTo(FlowBean o) {// 倒序排列，从大到小return this.sumFlow > o.getSumFlow() ? -1 : 1;
}

2.3 序列化案例实操

1）需求

统计每一个手机号耗费的总上行流量、总下行流量、总流量

（1）输入数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CAns8BS8-1667872666486)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913610.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-srWqkbg9-1667872666487)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913996.png)]

（2）输入数据格式：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-n19K5Pyp-1667872666488)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913731.png)]

（3）期望输出数据格式

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SneHRFk3-1667872666489)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913886.png)]

map阶段输入的kv：

key是偏移量，value是该行文本内容

map阶段输出的kv和reduce阶段输入的kv是一样的

需求统计的是每一个手机号的耗费的总上行流量和下行流量，那如果说文本中出现了重复的手机号，就需要把重复数据的总上行流量和下行流量加起来。

所以map阶段输出的key就是手机号，得把相同的手机号聚合在一起；value最终输出的是上行流量和下行流量以及总流量，无论什么类型都无法表示三个字段的含义，所以我们需要把它封装成bean对象。

reduce阶段输入的kv和输出的kv是一样的。reduce阶段最终输出的key：手机号，value：bean对象。

输出结果中间有“\t”键，那我们重写它的toString()就可以了。

2）需求分析

mapTask有可能在Hadoop102，如果102资源不够的话会把Reduce放在Hadoop103上，它俩是两台服务器，两台服务器要想进行数据传输，那它必须得支持序列化。

Reduce阶段就是拉取过来相同的手机号，然后将值相加得到总流量。

3）编写 MapReduce 程序

（1）编写流量统计的 Bean 对象

package com.atguigu.mapreduce.writable;import org.apache.hadoop.io.Writable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;/*** 1、定义类实现writable接口* 2、重写序列化和反序列化方法* 3、重写空参构造* 4、toString方法*/
public class FlowBean implements Writable {private long upFlow; // 上行流量，定义成long类型，因为流量的数据量比较大private long downFlow; // 下行流量private long sumFlow; // 总流量// 重写空参构造，用于后续的反射用public FlowBean() {}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;}@Overridepublic void write(DataOutput out) throws IOException {out.writeLong(upFlow); // long类型就调用writeLong()out.writeLong(downFlow);out.writeLong(sumFlow);}@Override// 序列化的顺序必须和反序列化的顺序一致public void readFields(DataInput in) throws IOException {this.upFlow = in.readLong();this.downFlow = in.readLong();this.sumFlow = in.readLong();}@Overridepublic String toString() {return upFlow + "\t" + downFlow + "\t" + sumFlow;}
}

（2）编写 Mapper 类

package com.atguigu.mapreduce.writable;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean> {private Text outK = new Text();private FlowBean outV = new FlowBean();// 重写map()@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1 获取一行// 1  13736230513  192.196.100.1  www.atguigu.com  2481  24681  200String line = value.toString();// 2 切割// 1,13736230513,192.196.100.1,www.atguigu.com,2481,24681,200   7 - 3= 4// 2  13846544121  192.196.100.2      264  0  200  6 - 3 = 3String[] split = line.split("\t");// 3 抓取想要的数据// 手机号：13736230513// 上行流量和下行流量：2481,24681String phone = split[1];String up = split[split.length - 3];String down  = split[split.length - 2];// 4封装outK.set(phone);outV.setUpFlow(Long.parseLong(up));outV.setDownFlow(Long.parseLong(down));outV.setSumFlow();// 5 写出context.write(outK, outV);}
}

（3）编写 Reducer 类、

相同的key会进入到reduce方法中执行一次

Hadoop对输出结果默认是排序的

package com.atguigu.mapreduce.writable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class FlowReducer extends Reducer<Text, FlowBean,Text, FlowBean> {private FlowBean outV = new FlowBean();@Override// Iterable<FlowBean> values 中存储的是相同手机号对应的FlowBean protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {// 1 遍历集合累加值long totalUp = 0;long totaldown = 0;for (FlowBean value : values) {totalUp += value.getUpFlow();totaldown += value.getDownFlow();}// 2 封装outk, outvoutV.setUpFlow(totalUp);outV.setDownFlow(totaldown);outV.setSumFlow();// 3 写出context.write(key, outV);}
}

（4）编写 Driver 驱动类

Driver类的写法比较固定。

package com.atguigu.mapreduce.writable;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;public class FlowDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置jar包job.setJarByClass(FlowDriver.class);// 3 关联mapper 和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);// 4 设置mapper 输出的key和value类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(FlowBean.class);// 5 设置最终数据输出的key和value类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);// 6 设置数据的输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputflow"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output4"));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

测试：

运行结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vchglEkx-1667872666491)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913067.png)]

用Debug运行来观察程序的运行情况：发生问题，可以用debug快速定位。

断点加的位置

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eZQtpwS7-1667872666491)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913589.png)]

---

第 3 章 MapReduce 框架原理

3.1 InputFormat 数据输入

这一章是MapReduce最核心的一块了，MapReduce分两个阶段：Map、Reduce。

Map阶段处理什么事呢？主要处理的是根据你的数据源，可以选择用什么样的方式来读取你的数据（InputFormat)。我们默认的读取输入文件是按行读入。那是不是所有的读取方式只能按照 行读入呢？不是，这里面就有一个组件 — InputFormat，它可以对这个输入进行一个控制，它的实现类有非常多的处理方式可以来读取数据源。这个数据源读进来之后就把它交给Mapper进行后续业务逻辑的处理，这里面就是用户要写的业务逻辑。

进入到Reduce阶段：首先由Reduce来拉取Mapper阶段处理完的数据，中间需要经过Shuffle过程，在里面要进行排序、分区，还可以进行压缩、合并，是MapReduce最核心的阶段。

Reduce处理完之后想输出到哪儿，这一块通过OutputFormat。它也有很多种实现类，比如将数据写到：文件、Mysql、Hbse。只要有了OutputFormat，我们就可以对它自定义实现。包括InputFormat，我们也可以进行自定义，实现我们想要的功能。

我们按照数据流的方向学习。

---

3.1.1 切片与 MapTask 并行度决定机制

什么是 MapTask 并行度？

开启的MapTask越多，处理的速度，并发度就要高一些。MapTask的个数决定了并行度。4个MapTask之间并不进行信息的交互，各处理一部分数据。

那MapTask的个数是不是越多越好呢？

并不是。比如说：现在有1G的数据，有4个MapTask处理数据，那么效率会快一些。假如现在不是1G数据了，而是1KB数据，那就没有必要开4个MapTask了。也就是说MapTask并不是越多越好，因为你的数据量已经到了1KB级别了，开启每个MapTask的时间都比你计算任务的时间都长了，因为开启MapTask需要一些前置准备工作，还需要内存的初始化。

所以并不是MapTask越多越好或者越少越好。那到底多少合适呢？就需要引入MapTask并行度决定机制。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Jy0EVhhp-1667872666493)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913397.png)]

1）问题引出

MapTask 的并行度决定 Map 阶段的任务处理并发度，进而影响到整个 Job 的处理速度。

思考：1G 的数据，启动 8 个 MapTask，可以提高集群的并发处理能力。那么 1K 的数据，也启动 8 个 MapTask，会提高集群性能吗？MapTask 并行任务是否越多越好呢？哪些因素影响了 MapTask 并行度？

2）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。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。

数据切片与MapTask并行度决定机制

这个文件有300M数据，它在集群上块的存储如图。

那如何来分配这个任务，就是启动多少个MapTask来执行呢？

假设切片按照100MB来切，可以开启3个MapTask，希望让他们每个人都尽量均匀一些。

那么此时MapTask1处理100MB数据，没问题，此时都在本地。但是到了MapTask2的时候，它怎么处理数据？它处理的数据是DataNode1中的28MB数据，DataNode2中还要拿72MB数据，此时就传了跨服务器的通讯，还要将这两份数据拼在一起，效率就比较慢了。同理，MapTask3处理DataNode2中的56MB数据，以及MapTask中的44MB数据，仍然需要跨结点的数据通信，效率比较低下。

那有没有更加高效的处理办法呢？

按切片大小128MB切分，那么3个MapTask就可以在本地处理数据了。本地的计算速度是最快的，结点距离最近。

结论：MapTask按照切片大小处理数据最好。切片大小跟块大小保持一致，处理效率最高。

一个Job的Mapper阶段并行度由客户端在提交Job时的切片数决定，切了多少片就开启多少个MapTask。

3.1.2 Job 提交流程源码和切片源码详解

1）Job 提交流程源码详解

setUseNewAPU()：处理的是新旧API的兼容性问题，Hadoop中有Hadoop1.x、Hadoop2.x、Hadoop3.x的API，API和API之间是不一样的，不一样要想让他们两个都兼容，那么就在setUseNewAPU()中进行兼容性的解决。

我们提交Job的是客户端，要和集群进行交互，现在我们运行代码是本地模式。所以此时我们连接的是本地的客户端。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zFOXCb2Z-1667872666496)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913399.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-N83z2Q2T-1667872666497)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913903.png)]

这个ClientProtocolProdiver providerList 中有两个值，一个是YarnClient，另一个是LocalClient。很显然当前我们运行在本地，用到的是就是LocalClient。

客户端找到之后，我就要向集群提交job信息。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-d477lmiV-1667872666498)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913447.png)]

checkSpecs()：验证输出路径：

waitForCompletion()submit();// 1 建立连接connect();// 1）创建提交 Job 的代理new Cluster(getConfiguration());// （1）判断是本地运行环境还是 yarn 集群运行环境initialize(jobTrackAddr, conf); // 2 提交 jobsubmitter.submitJobInternal(Job.this, cluster)// 1）创建给集群提交数据的 Stag 路径Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);// 2）获取 jobid ，并创建 Job 路径JobID jobId = submitClient.getNewJobID();// 3）拷贝 jar 包到集群copyAndConfigureFiles(job, submitJobDir);rUploader.uploadFiles(job, jobSubmitDir);// 4）计算切片，生成切片规划文件writeSplits(job, submitJobDir);maps = writeNewSplits(job, jobSubmitDir);input.getSplits(job);// 5）向 Stag 路径写 XML 配置文件writeConf(conf, submitJobFile);conf.writeXml(out);// 6）提交 Job,返回提交状态status = submitClient.submitJob(jobId, submitJobDir.toString(),job.getCredentials());

提交每一个任务都有一个唯一的jobId。

整个job运行需要的参数设置的默认值，或者运行这个job它的提交参数是什么，job任务按照job.xml中的参数执行任务。

Job提交流程源码解析

---

2）FileInputFormat 切片源码解析（input.getSplits(job)）

接下来我们看一下切片是怎么切的？

了解FileInputFormat与InputFormat之间的继承关系 。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2XPjfsqM-1667872666499)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913854.png)]

按照每一个文件单独切片，这是FileInputFormat的切片规则，当然还有其他切片规则。

每一个切片都要开启一个MapTask进行任务

isSplitable() ，这个文件是否支持切割，举个例子：如果前面输入的文件内容是1T，那么切多少片？

如果这个文件不可切割，它是一个整体不让你去切。不管这个文件是1T还是2T，最终只能切一片，也就是说未来智能开启一个MapTask来处理，那什么场景会出现这种情况呢？后面我们会学一个压缩，把一个文件进行压缩，如果这种压缩算法不支持切片，那么它就只能输出一个MapTask。并不是所有的我呢间都支持切片。

本地集群的块大小是32MB，它认为你的资源不是那么丰富

3.1.3 FileInputFormat 切片机制

1、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

FileInputFormat 默认机制，后续可以根据我们的需求进行修改。就是说：我们不按照文件，因为如果是1KB就要开启1个MapTask，这个非常耗费资源。因为每开一个MapTask至少要占默认情况下是1G内存，1个CPU，这个资源消耗是非常庞大的。正常情况下，我们不会这样处理，我们会把多个文件合并到一起，统一进行处理，比如说：典型的Combine TaskInputFormat这种方式。

2、案例分析

（1）源码中计算切片大小的公式

Math.max(minSize, Math.min(maxSize, blockSize));

但在生产环境下，我们不会把它调小，调大的可能性是有的。因为这个块大小取决于传输速度，如果你磁盘传输速度非常快，比如说：固态硬盘我们就可以设置为256MB。当然切片也得配套设置为256MB。

mapreduce.input.fileinputformat.split.minsize=1 默认值为1

mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue

因此，默认情况下，切片大小=blocksize。

（2）切片大小设置

maxsize（切片最大值）：参数如果调得比blockSize小，则会让切片变小，而且就等于配置的这个参数的值。

minsize（切片最小值）：参数调的比blockSize大，则可以让切片变得比blockSize还大。

（3）获取切片信息API

// 获取切片的文件名称

String name = inputSplit.getPath().getName();

// 根据文件类型获取切片信息

FileSplit inputSplit = (FileSplit) context.getInputSplit();

后面如果我们要进行自定义或者跟切片相关的信息的时候 我们会用到。

3.1.4 TextInputFormat

TextInputFormat是默认的FileInputFormat 实现类。

1）FileInputFormat 实现类

思考：在运行 MapReduce 程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么，针对不同的数据类型，MapReduce 是如何读取这些数据的呢？

FileInputFormat 常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat 和自定义 InputFormat 等。

2）TextInputFormat

TextInputFormat 是默认的 FileInputFormat 实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable 类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text 类型。

以下是一个示例，比如，一个分片包含了如下 4 条文本记录。

Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise

每条记录表示为以下键/值对：

(0,Rich learning form)
(20,Intelligent learning engine)
(49,Learning more convenient)
(74,From the real demand for more close to the enterprise)

boolean isSplitable( ) ：判断文件是否可切割，如果是压缩文件的话有可能是不支持切片的。有专门能够同时进行压缩和切片的算法。

RecordReader creatRecordReader() { }：是FileInputFormat里的核心实现类，creatRecordReader()通过new LintRecorder()返回一个 RecordReader 实现类。

3.1.5 CombineTextInputFormat 切片机制

框架默认的 TextInputFormat 切片机制是对任务按文件规划切片，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。在大数据场景下，小文件问题是一个非常大的问题。

CombineFileInputFormat：它的处理方式是一次读取多个文件，把多个文件放到一起统一来整体进行处理，主要是用来解决小文件的场景。

1）应用场景：

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。

2）虚拟存储切片最大值设置

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m

注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。

这个参数其实是控制切片大小的，它中间有一个叫做虚拟存储的过程。

3）切片机制

生成切片过程包括：虚拟存储过程和切片过程二部分。

CombineTextInputFormat切片机制

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s4ZZZfQA-1667872666502)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080913120.png)]

假如刚刚的参数值我们设置为4M，那么它会怎么做呢？会分两步：

（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 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：

（a）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。

（b）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。

（c）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：

3.1.6 CombineTextInputFormat 案例实操

1）需求

将输入的大量小文件合并成一个切片统一处理。

（1）输入数据

准备 4 个小文件![](https://secure2.wostatic.cn/static/raSuhGEJ1opLuV6AJ9N65G/image.png?auth_key=1667826096-iXapX7T6WX42LiuNRSHMS8-0-6764919438a406b4627d11ec32b3d4ba)

（2）期望

期望一个切片处理 4 个文件

2）实现过程

（1）不做任何处理，运行 1.8 节的 WordCount 案例程序，观察切片个数为 4

number of splits:4

（2）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 3。

（a）驱动类中添加代码如下：

// 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 4m
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);
![](https://secure2.wostatic.cn/static/spN5XQM5eqVdmMtcu5QdZJ/image.png?auth_key=1667826096-bf2JZ7okuyLcQ9vQ3QMsKS-0-77a429f683bfcf79ada4c748e97c0b51)

（b）运行如果为 3 个切片。

number of splits:3

（3）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 1。

（a）驱动中添加代码如下：

// 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);

（b）运行如果为 1 个切片

number of splits:1

所以说这个CombineTextInputFormat ，后面在处理小文件的时候经常有用，尤其在生产环境下用CombineTextInputFormat 也是非常多的。

3.2 MapReduce 工作流程

先从整体上有一个概念性的了解，这里面一些细节后在后面详细的讲。大体知道MapReduce 工作流程有哪儿些功能。

MapReduce详细工作流程（一）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nNOjelFD-1667872666504)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914105.png)]

1. 准备待处理的输入文件ss.txt

2. 进行切片分析

3. 客户端准备jon.split、wc.jar、job.xml 对集群进行提交 。如果是本地模式则没有jar包。因为正常生产环境下用的都是Yarn集群模式。

4. 向Yarn提交完之后，Yarn会开启一个Mrappmaster。Mrappmaster是整个任务运行的老大，就会去读取客户端对应的信息，最主要读取的就是Job.split，读它有什么用的？它会根据你的切片个数对应的开启MapTask的个数。我们就一个MapTask进行详细的分析。

5. MapTask一启动之后它就开始工作了，它用谁来读取输入的文件呢？

   它有一个InputFormat，默认的是TextInputFormat，TextInputFormat里面有两个方法：一个是RecorderReader，另一个是isSplitable。TextInputFormat里面的RecorderReader是LineRecorderReader，也就是按行读取，读完之后：key是对应的偏移量，v就是这一行内容。读完之后返回给谁呢？直接给到Mapper，Mapper里面是根据你的需求，自己写的业务逻辑。

6. Mapper执行完成之后，输出到哪儿？

   outputCollector是一个输出收集器，我们也叫它环形缓冲区，所谓的环形缓冲区就是一块内存，这个内存是有特点的。内存的一半用来存数据，右侧存储数据，左侧存储索引。

   什么叫索引呢？

   就是描述数据的数据 — 元数据（Meta）

7. 首先数据进来的时候就把这个数据标记为哪儿一个分区的，为啥要标记为哪儿一个分区的呢？因为未来分区1会进入到Reduce1，分区2会进入到Reduce2，他们两个就不在一个文件里面，那就独立的进行处理。

8. 下面对分区内部的数据进行排序，当所有的数据到达80%，溢写前对数据进行排序，使用快速排序。那这里面对谁排序呢？记住它不是对实实在在的K V进行排序，这个K V放在Map集合中，要让他们进行排序，效率太低。所以我们对索引进行排序，使用所以排序效率是最高的。

9. 环形缓冲区

   默认是100MB，到达80%进行反向写。会另起一个线程进行往磁盘中写数据，考虑到可能写操作太慢，会导致写操作期间原有数据会覆盖，所以如果发生覆盖情况，写操作线程还没有完全写到磁盘中，那么则会等待该线程写操作完成之后再往圆形缓冲区中写数据。

   假如这个文件溢写的时候是两个分区，它两个分区溢写的时候仍然是一个文件，并不是两个文件。

   假设产生出多个溢写文件，产生了大量溢写文件，最分区1的文件放到一块，分区2的文件放到一块。我们此时希望他们总体是有序的，那对已经有序的文件进行排序，那用哪儿中排序算法最快呢？当然首选 归并排序，保证每一个分区内部的数据是有序的，分区之间无序，因为不同分区之间未来都是发送到不同的目的地，排了序也没有意义。归并完之后的内容就放在磁盘上了。

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0eJT9Nz5-1667872666504)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914116.png)]

10. 合并Combine

    Combine是可以提前进行预聚合的，比如说有两个切片分区，把这两个分区传到Reduce的时候需要传两次，那有没有可能只传一个，传到Reduce的时候只有一个但是包含了两个但是只传了一次，效率更高一些，这个算是一个优化的手段。但是它有前提条件，不是所有的场景它都能进行一个优化。后续会详细说。

    

---

MapReduce详细工作流程（二）

上面的流程是整个 MapReduce 最全工作流程，但是 Shuffle 过程只是从第 7 步开始到第

16 步结束，具体 Shuffle 过程详解，如下：

（1）MapTask 收集我们的 map()方法输出的 kv 对，放到内存缓冲区中

（2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

（3）多个溢出文件会被合并成大的溢出文件

（4）在溢出过程及合并的过程中，都要调用 Partitioner 进行分区和针对 key 进行排序

（5）ReduceTask 根据自己的分区号，去各个 MapTask 机器上取相应的结果分区数据

（6）ReduceTask 会抓取到同一个分区的来自不同 MapTask 的结果文件，ReduceTask 会将这些文件再进行合并（归并排序）

（7）合并成大文件后，Shuffle 的过程也就结束了，后面进入 ReduceTask 的逻辑运算过程（从文件中取出一个一个的键值对 Group，调用用户自定义的 reduce()方法）

注意：

1）Shuffle 中的缓冲区大小会影响到 MapReduce 程序的执行效率，原则上说，缓冲区越大，磁盘 io 的次数越少，执行速度就越快。

（2）缓冲区的大小可以通过参数调整，参数：mapreduce.task.io.sort.mb 默认 100M

3.3 Shuffle 机制

3.3.1 Shuffle 机制

Map 方法之后，Reduce 方法之前的数据处理过程称之为 Shuffle。

Map方法出来之后首先进入到圆形缓冲区，其实最准确来说，它其实是先进入到一个getPartition()，标记数据是哪儿一个分区，先让数据打上分区的编号，因为后续的数据都是按照分区去处理，因为未来分区1和分区2的数据会进入到不同的Reduce里面。

标记数据是哪儿一个分区之后，就进入到圆形缓冲区，默认100MB，圆形缓冲区是左侧存索引，右侧存数据。圆形缓冲区到达80%之后就进行反向溢写，留给溢写的时间不至于等待，让圆形缓冲区的利用率更高一些。

溢写之前，它要对数据进行排序，排序的手段叫做快排，对key的索引按照字典顺序排序。

排序之后进行溢写，溢写产生两个文件，一个是spill.index（索引文件），spill.out( 真正落地文件 )。

Combiner为可选流程，在聚合操作场景下是可以使用的，好处就是让你传输到Reduce的数据量小了，传输的数据量小，效率不就高了。

然后对这些数据进行归并排序，归并完之后的数据还可以进行Combiner。只要把Combiner设置好之后，第一次和第二次它会自动完成。

在Combiner之后它还可以设置相应的压缩，因为压缩完数据量变小，在网络上传输的效率就变高了，这是一个优化的手段。

之后数据会写到磁盘上，写到磁盘上之后，它会按照分区写的，然后等待Reduce端来拉取。

ReduceTask拉取自己指定分区的数据，拉取过来之后先尝试放到内存里面，如果这个内存不够的话，会溢写到磁盘上。不管是放在内存中还是磁盘上，最终都会进行一次归并排序。归并完之后还可以进行分组，key相同的进入到对应的Reduce方法。每一次执行Reduce方法处理的都是key相同的，它的存储形式是{ key, ( v1 , v2 , v3 ) }，对这个集合里的数据可以进行加减乘除。

---

3.3.2 Partition 分区

1、问题引出

要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按照手机归属地不同省份输出到不同文件中（分区）

2、默认Partitioner分区

public class HashPartitioner<K, V> extends Partitioner<K, V> {public int getPartition(K key, V value, int numReduceTasks) {return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; }
}

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。当然后面我们可以自定义重写getPartition()就可以了。

3、自定义Partitioner步骤

（1）自定义类继承Partitioner，重写getPartition()方法

public class CustomPartitioner extends Partitioner<Text, FlowBean> {@Overridepublic int getPartition(Text key, FlowBean value, int numPartitions) {// 控制分区代码逻辑… …return partition; }
}

Partitioner是一个抽象类

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ch3Q64YX-1667872666507)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914044.png)]

（2）在Job驱动中，设置自定义Partitioner

job.setPartitionerClass(CustomPartitioner.class);

（3）自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask

相应数量的ReduceTask的参数默认是1，默认是1的话走的是默认的内部类，所以需要重新设置该参数。（详情看原码）

设置多少个比较合适后面会有专门案例解释。

job.setNumReduceTasks(5);

---

3.3.3 Partition 分区案例实操

1）需求

将统计结果按照手机归属地不同省份输出到不同文件中（分区）

（1）输入数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VmIbSfHA-1667872666507)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914147.png)]

（2）期望输出数据

手机号 136、137、138、139 开头都分别放到一个独立的 4 个文件中，其他开头的放到一个文件中。

2）需求分析

要想控制最终文件输出个数，通常就是增加一个分区。

3）在案例 2.3 的基础上，增加一个分区类

自定义分区类的泛型是Mapper类的输出类型。

package com.atguigu.mapreduce.partitioner2;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;public class ProvincePartitioner extends Partitioner<Text, FlowBean> {@Overridepublic int getPartition(Text text, FlowBean flowBean, int numPartitions) {// text 是手机号String phone = text.toString();String prePhone = phone.substring(0, 3); // 包左不包右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;}return partition;}
}

4）在驱动函数中增加自定义数据分区设置和 ReduceTask 设置

package com.atguigu.mapreduce.partitioner2;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;public class FlowDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);//2 关联本 Driver 类job.setJarByClass(FlowDriver.class);// 3 关联mapper 和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);// 4 设置mapper 输出的key和value类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(FlowBean.class);// 5 设置最终数据输出的key和value类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);//8 指定自定义分区器job.setPartitionerClass(ProvincePartitioner.class);//9 同时指定相应数量的 ReduceTaskjob.setNumReduceTasks(5);// 6 设置数据的输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputflow"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output666"));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

4、分区总结

（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；

这种现象当然不好，空串的话ReduceTask资源会申请，因为开启ReduceTask默认是1个CPU还有1G内存，相当于是在浪费资源。

（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MapTask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）分区号必须是从0开始，逐一累加。

5、案例分析

例如：假设自定义分区数为5，则

（1）job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件

（2）job.setNumReduceTasks(2); 会报错

（3）job.setNumReduceTasks(6); 大于5，程序会正常运行，会产生空文件

例如：如果job.setNumReduceTasks(5) 不设置5，设置为4会有什么结果呢？会不会正常运行呢？

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-n89achWO-1667872666508)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914896.png)]

抛出一个IO异常

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Pii2g2Bu-1667872666509)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914315.png)]

因为前面的分区设置了5个分区，但是我们却启动了4个ReduceTask，那么就会多出一个分区数据不知道写到哪儿个ReduceTask中，所以报了一个IO异常。

如果设置为1，可以正常运行，但是不再走我们自定义的Partiton，而是走默认的自定义了一个Partition内部类，重写了getPartitions()，所有的数据都在一个输出文件中。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ndPGbcBa-1667872666509)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914285.png)]

输出了6个文件，最后一个是空文件。

3.3.4 WritableComparable 排序

在圆形缓冲区溢写之前，要对数据进行快排，它会产生多个溢写文件，多个溢写文件要再次进行归并。也就是说在整个MapReduce阶段当中MapTask阶段执行了两次排序，对key的索引按照字典顺序排序。

Map阶段结束之后，Reduce主动拉取对应分区的数据，拉取过来之后，需要对拉取的数据进行一次归并排序。排完序之后，如果说它想对key里面的内容再进行一个排序其实也是可以的，这块可以进行一次分组排序，但是由于我们MapReduce程序写的已经比较少了，所以复杂的分组排序功能视频中删除了，因为在开发中用的很少。

排序概述

排序是MapReduce框架中最重要的操作之一。

MapTask和ReduceTask均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要。也就是说：不管你是MapTask还是ReduceTask它的key必须可以支持排序，如果不能够支持排序的话，Hadoop框架是会报错的。

思考一下：为什么一定要经过排序？

如果前面的数据不排序的话，在Reduce阶段最终是把相同key的内容进入到Reduce里面，如果不排序，那么在将每一个相同的key进入到一个reduce()中的时候是需要一个个遍历去得到是否为相同key的，这样做就会很低效。

默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。（指的是MapTask阶段）

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（这个排序是在内存中完成的），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（在内存中计算速度快）。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。

排序分类

（1）部分排序

MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。

（2）全排序

最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。

（3）辅助排序：（GroupingComparator分组）

在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序。

（4）二次排序

在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。

自定义排序 WritableComparable 原理分析bean 对象做为 key 传输，需要实现 WritableComparable 接口重写 compareTo 方法，就可以实现排序。

例如：先按手机总流量 排序，如果总流量相同的话，我们得按照上行流量排序。

自定义排序 WritableComparable 原理分析

bean 对象做为 key 传输，需要实现 WritableComparable 接口重写 compareTo 方法，就可以实现排序。

public int compareTo(FlowBean bean) {int result;// 按照总流量大小，倒序排列if (this.sumFlow > bean.getSumFlow()) {result = -1;}else if (this.sumFlow < bean.getSumFlow()) {result = 1;}else {result = 0;}return result;
}

---

3.3.5 WritableComparable 排序案例实操（全排序）

1）需求

根据案例 2.3 序列化案例产生的结果再次对总流量进行倒序排序。

（1）输入数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0x3U5Lzi-1667872666510)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914085.png)]

（2）期望输出数据

2）需求分析

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8wq5aSl5-1667872666511)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914235.png)]

3）代码实现

（1）FlowBean 对象在在需求 1 基础上增加了比较功能

package com.atguigu.mapreduce.writableComparable;import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.WritableComparable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;/*** 1、定义类实现writable接口* 2、重写序列化和反序列化方法* 3、重写空参构造* 4、toString方法*/
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// 空参构造public FlowBean() {}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;}@Overridepublic void write(DataOutput out) throws IOException {out.writeLong(upFlow);out.writeLong(downFlow);out.writeLong(sumFlow);}@Overridepublic void readFields(DataInput in) throws IOException {this.upFlow = in.readLong();this.downFlow = in.readLong();this.sumFlow = in.readLong();}@Overridepublic String toString() {return upFlow + "\t" + downFlow + "\t" + sumFlow;}@Overridepublic int compareTo(FlowBean o) {// 总流量的倒序排序if (this.sumFlow > o.sumFlow) {return -1;} else if (this.sumFlow < o.sumFlow) {return 1;} else {// 按照上行流量的正序排if (this.upFlow > o.upFlow) {return 1;} else if (this.upFlow < o.upFlow) {return -1;} else {return 0;}}}
}

（2）编写 Mapper 类

package com.atguigu.mapreduce.writableComparable;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {private FlowBean outK = new FlowBean();private Text outV = new Text();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 获取一行String line = value.toString();// 切割String[] split = line.split("\t");// 封装outV.set(split[0]);outK.setUpFlow(Long.parseLong(split[1]));outK.setDownFlow(Long.parseLong(split[2]));outK.setSumFlow();// 写出context.write(outK, outV);}
}

（3）编写 Reducer 类

package com.atguigu.mapreduce.writableComparable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> {@Overrideprotected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for (Text value : values) {context.write(value,key);}}
}

（4）编写 Driver 类

package com.atguigu.mapreduce.writableComparable;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;public class FlowDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置jarjob.setJarByClass(FlowDriver.class);// 3 关联mapper 和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);// 4 设置mapper 输出的key和value类型job.setMapOutputKeyClass(FlowBean.class);job.setMapOutputValueClass(Text.class);// 5 设置最终数据输出的key和value类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);// 6 设置数据的输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\hadoop\\output4"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output6"));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

3.3.6 WritableComparable 排序案例实操（区内排序）

1）需求

要求每个省份手机号输出的文件中按照总流量内部排序。

2）需求分析

基于前一个需求，增加自定义分区类，分区按照省份手机号设置。

分区内排序案例分析

3）案例实操

（1）增加自定义分区类

package com.atguigu.mapreduce.partitionerandwritableComparable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;public class ProvincePartitioner2 extends Partitioner<FlowBean, Text> {@Overridepublic int getPartition(FlowBean flowBean, Text text, int numPartitions) {String phone = text.toString();String prePhone = phone.substring(0, 3);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;}return partition;}
}

（2）在驱动类中添加分区类

package com.atguigu.mapreduce.partitionerandwritableComparable;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;public class FlowDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置jarjob.setJarByClass(FlowDriver.class);// 3 关联mapper 和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);// 4 设置mapper 输出的key和value类型job.setMapOutputKeyClass(FlowBean.class);job.setMapOutputValueClass(Text.class);// 5 设置最终数据输出的key和value类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);job.setPartitionerClass(ProvincePartitioner2.class);job.setNumReduceTasks(5);// 6 设置数据的输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\hadoop\\output4"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output7"));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

FlowBean类

package com.atguigu.mapreduce.partitionerandwritableComparable;import org.apache.hadoop.io.WritableComparable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;/*** 1、定义类实现writable接口* 2、重写序列化和反序列化方法* 3、重写空参构造* 4、toString方法*/
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// 空参构造public FlowBean() {}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;}@Overridepublic void write(DataOutput out) throws IOException {out.writeLong(upFlow);out.writeLong(downFlow);out.writeLong(sumFlow);}@Overridepublic void readFields(DataInput in) throws IOException {this.upFlow = in.readLong();this.downFlow = in.readLong();this.sumFlow = in.readLong();}@Overridepublic String toString() {return upFlow + "\t" + downFlow + "\t" + sumFlow;}@Overridepublic int compareTo(FlowBean o) {// 总流量的倒序排序if (this.sumFlow > o.sumFlow) {return -1;} else if (this.sumFlow < o.sumFlow) {return 1;} else {// 按照上行流量的正序排if (this.upFlow > o.upFlow) {return 1;} else if (this.upFlow < o.upFlow) {return -1;} else {return 0;}}}
}

FlowMapper类

package com.atguigu.mapreduce.partitionerandwritableComparable;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;public class FlowMapper extends Mapper<LongWritable, Text, FlowBean, Text> {private FlowBean outK = new FlowBean();private Text outV = new Text();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 获取一行String line = value.toString();// 切割String[] split = line.split("\t");// 封装outV.set(split[0]);outK.setUpFlow(Long.parseLong(split[1]));outK.setDownFlow(Long.parseLong(split[2]));outK.setSumFlow();// 写出context.write(outK, outV);}
}

FlowReducer类

package com.atguigu.mapreduce.partitionerandwritableComparable;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class FlowReducer extends Reducer<FlowBean, Text, Text, FlowBean> {@Overrideprotected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {for (Text value : values) {context.write(value,key);}}
}

3.3.7 Combiner 合并

Combiner 是一个可选的操作，例如：排完序后的数据 是(a , 1)，(a , 1) ，合并完之后就是(a , 2)。实现这个效果有什么好处？

假如说我们在Mapper阶段：(a , 1)，(a , 1)这种数据有1万个，如果不进行这个Combiner处理，那么像Reduce端传输的数据就是1万个。那如果在传输之前进行一次combiner，那么最终只会传输一条数据。

其次在大数据场景下，Mapper的个数多一点，Reducer聚合的个数小一点；其次每一个MapTask只处理128MB数据，ReduceTask是要把你MapTask里的所有数据都汇总过来进行一个聚合，所以ReduceTask处理的数据量会大一些，会更繁忙一些，MapTask会更轻松一些，如果MapTask阶段能帮ReduceTask提前处理一部分，那整体效率就提高了。

那基于这种思想，它就会在前边可以有选择性的开启Combiner，为什么说是有选择性的开启呢？是不是所有的 MapReduce都能开启Combiner呢？

不是，是有前提条件，后面会带领大家看一下什么样的场景可以用Combiner，什么样的场景不能用Combiner。

归并排序完之后还可以进行一次Combiner，再进行一次Combiner的前提条件是：

前面的溢写文件有很多，我第一次进行归并的时候没有一次性归并完，默认情况下假如说一次性归并10个溢写文件，假如说此时溢写文件有30个，那将这30个溢写文件归并完之后还有3个，对这3个溢写文件还得再来一次归并，再归并的时候就又用到Combiner。

总之写到磁盘上的内容之前都已经Combiner完了。

---

（1）Combiner是MR程序中Mapper和Reducer之外的一种组件。

并不是MR程序默认的组件，可以有也可以没有。有的话相当于这种额外的插件。

（2）Combiner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（不是所有的场景都一定能用），而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WQBq7WoQ-1667872666513)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914195.png)]

（6）自定义 Combiner 实现步骤

（a）自定义一个 Combiner 继承 Reducer，重写 Reduce 方法

public class WordCountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {private IntWritable outV = new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int sum = 0;for (IntWritable value : values) {sum += value.get();}outV.set(sum);context.write(key,outV);}
}

（b）在 Job 驱动类中设置：

job.setCombinerClass(WordCountCombiner.class);

3.3.8 Combiner 合并案例实操

1）需求

这个案例是在WorldCount基础上，要求在Map阶段提前能够进行预聚合，减少网络上的传输。

统计过程中对每一个 MapTask 的输出进行局部汇总，以减小网络传输量即采用Combiner 功能。

（1）数据输入

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hJcTgyI9-1667872666514)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914946.png)]

（2）期望输出数据

期望：Combine 输入数据多，输出时经过合并，输出数据降低。

2）需求分析

需求：对每一个MapTask的输出局部汇总（Combiner）

3）案例实操-方案一

（1）增加一个 WordCountCombiner 类继承 Reducer

Combiner在Map阶段，Map阶段输出的K V 就是Combiner的K V

重写reduce方法

package com.atguigu.mapreduce.combiner;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class WordCountCombiner extends Reducer<Text, IntWritable,Text, IntWritable> {private IntWritable outV = new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int sum =0;for (IntWritable value : values) {sum += value.get();}outV.set(sum);context.write(key,outV);}
}

（2）在 WordcountDriver 驱动类中指定 Combiner

job.setCombinerClass(WordCountCombiner.class);

把整个Reduce阶段去掉，那么Shuffle操作就都没有了，就不会有Shuffle阶段，因为这个Shuffle是横跨的Map方法输出、Reduce方法之前之间的过程，如果没有Reduce阶段就没有Shuffle阶段，直接从Map方法就出去了，那Combiner方法就没有用。所以说没有Reduce方法就不要设置combiner了。

4）案例实操-方案二

（1）将 WordcountReducer 作为 Combiner 在 WordcountDriver 驱动类中指定

job.setCombinerClass(WordCountReducer.class);

运行程序，如下图所示

这个定位到视频104集，视频中的意思是Combiner 和 Reducer的代码一样，所以设置为WordCountReducer.class，也可以实现Combiner的过程。这个具体也没理解，怎么可以代码一样就可以这样做呢？如果需求不一样的话，就不能这样设置了呀，Reducer阶段是最终任务（业务逻辑）执行，Combiner阶段只是在做合并。

3.4 OutputFormat 数据输出

3.4.1 OutputFormat 接口实现类

OutputFormat接口实现类

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。下面我们介绍几种常见的OutputFormat实现类。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NX3GjQAQ-1667872666515)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914088.png)]

Reduce方法输出来之后并没有直接写出到文件当中，而是中间经过了OutPutFormat，在这个类中有一个核心方法RecordWriter()，由他来往外写，是写成一行，写到一个文件，还是写到数据库，由RecorderWriter()来决定。默认用的是TextOutPutFormat，它是按行去写，写到一个txt文件里面。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tinmIvay-1667872666516)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914842.png)]

我们先来看一下FileOutputFormat，可以看到它是一个抽象类。

它有一个最核心的方法RecorderWriter( )，就由它来决定。

但是提供的OutPutFormat实现类并不能满足所有的需求，我们可以通过自定义的方式来实现

---

3.4.2 自定义 OutputFormat 案例实操

1）需求

过滤输入的 log 日志，包含 atguigu 的网站输出到 e:/atguigu.log，不包含 atguigu 的网站输出到 e:/other.log。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3u1GASZA-1667872666518)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914931.png)]

2）需求分析

自定义OutputFormat案例分析

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Z2cWb1Xw-1667872666518)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914501.png)]

3）案例实操

（1）编写 LogMapper 类

package com.atguigu.mapreduce.outputformat;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.IOException;public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// http://www.baidu.com//http://www.google.com// (http://www.google.com, NullWritable)// 不做任何处理context.write(value, NullWritable.get());}
}

（2）编写 LogReducer 类

package com.atguigu.mapreduce.outputformat;import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public class LogReducer extends Reducer<Text, NullWritable, Text, NullWritable> {@Overrideprotected void reduce(Text key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {// http://www.baidu.com// http://www.baidu.com// 防止有相同数据，丢数据for (NullWritable value : values) {context.write(key, NullWritable.get());}}
}

（3）自定义一个 LogOutputFormat 类

package com.atguigu.mapreduce.outputformat;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;public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> {@Overridepublic RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {LogRecordWriter lrw = new LogRecordWriter(job);return lrw;}
}

（4）编写 LogRecordWriter 类

package com.atguigu.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 java.io.IOException;public class LogRecordWriter extends RecordWriter<Text, NullWritable> {private  FSDataOutputStream atguiguOut;private  FSDataOutputStream otherOut;public LogRecordWriter(TaskAttemptContext job) {// 创建两条流try {// 使用FileSystem创建流// 配置文件Configuration对象不能创建，需要从job获取，以相同的job对象进行处理FileSystem fs = FileSystem.get(job.getConfiguration());atguiguOut = fs.create(new Path("D:\\hadoop\\atguigu.log"));otherOut = fs.create(new Path("D:\\hadoop\\other.log"));} catch (IOException e) {e.printStackTrace();}}@Overridepublic void write(Text key, NullWritable value) throws IOException, InterruptedException {String log = key.toString();// 具体写if (log.contains("atguigu")){atguiguOut.writeBytes(log+"\n");}else {otherOut.writeBytes(log+"\n");}}@Overridepublic void close(TaskAttemptContext context) throws IOException, InterruptedException {// 关流IOUtils.closeStream(atguiguOut); // 工具类IOUtilsIOUtils.closeStream(otherOut);}
}

（5）编写 LogDriver 类

package com.atguigu.mapreduce.outputformat;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.IOException;public class LogDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {Configuration conf = new Configuration();Job job = Job.getInstance(conf);job.setJarByClass(LogDriver.class);job.setMapperClass(LogMapper.class);job.setReducerClass(LogReducer.class);job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(NullWritable.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);//设置自定义的outputformatjob.setOutputFormatClass(LogOutputFormat.class);FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputoutputformat"));//虽然我们自定义了outputformat，但是因为我们的outputformat继承自fileoutputformat//而fileoutputformat要输出一个_SUCCESS文件，所以在这还得指定一个输出目录// FileOutputFormat就是要输出一个_SUCCESS文件FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output1111"));boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}
}

查看结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c484gCiP-1667872666519)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914072.png)]

3.5 MapReduce 内核源码解析

3.5.1 MapTask 工作机制

MapTask 一共分为5个阶段如图。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IJbb7mEa-1667872666520)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914626.png)]

待读取源数据 ss.txt

客户端对任务进行切片划分

划分完之后，提交给Yarn，提交3样东西

Yarn会开启一个MrAPPMaster。到现在为止还没有进入MapTask。以上只是Job的提交流程

MRAPPMaster启动之后，开启对应的MapTask，这才真正进入到MapTask阶段。

假如说开启两个MapTask，由谁去读取数据呢？由InPutFormat读取数据，默认是TextInPutFormat，它会调用RecorderReader里的reader()读取数据，默认传参K是偏移量，V是文本内容。如果用的是其他实现类，那么它的读取方式不一样。以上是读阶段，到Read阶段

读完之后要返回给Mapper，进入到用户自己写的Mapper逻辑，进到这里也就进入到了Map阶段。

接下来这个数据会输出到对应的圆形缓冲区，这里面所有的数据都是按照分区方式存储，存储完到达一定阈值之后会进行溢写，溢写之前要进行排序。那也就是说：在圆形缓冲区里面进行的分区排序都属于Collect阶段。

（1）Read 阶段：MapTask 通过 InputFormat 获得的 RecordReader，从输入 InputSplit 中解析出一个个 key/value。

（2）Map 阶段：该节点主要是将解析出的 key/value 交给用户编写 map()函数处理，并产生一系列新的 key/value。

（3）Collect 收集阶段：在用户编写 map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的 key/value 分区（调用Partitioner），并写入一个环形内存缓冲区中。

（4）Spill 阶段：即“溢写”，当环形缓冲区满后，MapReduce 会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。

溢写阶段详情：

步骤 1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition 进行排序，然后按照 key 进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照 key 有序。

步骤 2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件 output/spillN.out（N 表示当前溢写次数）中。如果用户设置了 Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。

步骤 3：将分区数据的元信息写到内存索引数据结构 SpillRecord 中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过 1MB，则将内存索引写到文件 output/spillN.out.index 中。

（5）Merge 阶段：当所有数据处理完成后，MapTask 对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。当所有数据处理完后，MapTask 会将所有临时文件合并成一个大文件，并保存到文件output/file.out 中，同时生成相应的索引文件 output/file.out.index。

在进行文件合并过程中，MapTask 以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并 mapreduce.task.io.sort.factor（默认 10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。让每个 MapTask 最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

3.5.2 ReduceTask 工作机制

（1）Copy 阶段：ReduceTask 从各个 MapTask 上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

（2）Sort 阶段：在远程拷贝数据的同时，ReduceTask 启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。按照 MapReduce 语义，用户编写 reduce()函数输入数据是按 key 进行聚集的一组数据。为了将 key 相同的数据聚在一起，Hadoop 采用了基于排序的策略。由于各个 MapTask 已经实现对自己的处理结果进行了局部排序，因此，ReduceTask 只需对所有数据进行一次归并排序即可。

（3）Reduce 阶段：reduce()函数将计算结果写到 HDFS 上。

---

3.5.3 ReduceTask 并行度决定机制

回顾：MapTask 并行度由切片个数决定（切片的个数就决定了未来开启多少个MapTask），切片个数由输入文件和切片规则决定。(默认是按照块大小进行切片)

切片规则：

因为FileInputFormat里面有TextInputFormat、CombineInputFormat，CombineInputFormat是按文件去读，TextInputFormat是按行去读，读的方式不一样，最终也会影响切片的个数。

思考：ReduceTask 并行度由谁决定？

1）设置 ReduceTask 并行度（个数）

ReduceTask 的并行度同样影响整个 Job 的执行并发度和执行效率，但与 MapTask 的并发数由切片数决定不同，ReduceTask 数量的决定是可以直接手动设置有的同学可能会说越多越好，那如果1KB的文件设置了100个ReduceTask你觉得效率会高吗？光开启ReduceTask的时间都比你处理数据的时间长，得不偿失。

// 默认值是 1，手动设置为 4
job.setNumReduceTasks(4);

那到底设置多少合适呢？一般在企业中需要你做试验进行测试。

2）实验：测试 ReduceTask 多少合适

（1）实验环境：1 个 Master 节点，16 个 Slave 节点（DataNode节点）：CPU:8GHZ，内存: 2G

（2）实验结论：

它跟你的服务器环境以及网络状态以及任务数据量大小都有关系，影响因素比较多。

3）注意事项

（1）ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致。

（2）ReduceTask默认值就是1，所以输出文件个数为一个。

（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜

（4）ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask。

（5）具体多少个ReduceTask，需要根据集群性能而定。

​ 必须经过生产环境测试，让它达到最佳状态

（6）如果分区数不是1，但是ReduceTask为1，是否执行分区过程。答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

3.5.4 MapTask & ReduceTask 源码解析

对于理解MapReduce底层工作原理直观重要。

1）MapTask 源码解析流程

collector.collect() 就是圆形缓冲区

在圆形缓冲区中，一部分存储的是元数据，另一部分是实实在在的数据

排序的时候是按照索引顺序排，并没有移动原始的存储数据的位置。

那Reduce拉取数据的时候，怎么知道拉取的数据是从哪儿开始，从哪儿结束？就是file.out.index文件告诉。

![](https://secure2.wostatic.cn/static/vTqrMFLe7QB7dv2gxLBGRQ/image.png?auth_key=1667826475-7jZRFFm1wbuxvP7afzog8z-0-afc7cf0e03ea29fddc4878480bf2084e)

2）ReduceTask 源码解析流程

3.6 Join 应用

3.6.1 Reduce Join

在企业开发里面，Join是非常重要的一项技能。像Hadoop中有Join，后面我们要学习的Hive、Spark、Flink里面也有对应的Join相关操作。

Map 端的主要工作：为来自不同表或文件的 key/value 对，打标签以区别不同来源的记录。然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。

Reduce 端的主要工作：在 Reduce 端以连接字段作为 key 的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在 Map 阶段已经打标志）分开，最后进行合并就 ok 了。

---

3.6.2 Reduce Join 案例实操

1）需求

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PN1RZ5sp-1667872666523)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914409.png)]

2）需求分析

通过将关联条件作为 Map 输出的 key，将两表满足 Join 条件的数据并携带数据所来源的文件信息，发往同一个 ReduceTask，在 Reduce 中进行数据的串联。

Reduce端表合并（数据倾斜）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Xs0HDObX-1667872666524)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914085.png)]

通过切片就可以获取到对应的文件名称。

3）代码实现

（1）创建商品和订单合并后的 TableBean 类

包含两张表所有的Value值

package com.atguigu.mapreduce.reduceJoin;import org.apache.hadoop.io.Writable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;public class TableBean implements Writable {private String id; // 订单idprivate String pid; // 商品idprivate int amount; // 商品数量private String pname;// 商品名称private String flag; // 标记是什么表 order pd// 空参构造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;}@Overridepublic void write(DataOutput out) throws IOException {out.writeUTF(id);out.writeUTF(pid);out.writeInt(amount);out.writeUTF(pname);out.writeUTF(flag);}@Overridepublic 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();}@Overridepublic String toString() {// id  pname  amountreturn  id + "\t" +  pname + "\t" + amount ;}
}

（2）编写 TableMapper 类

初始化的时候就希望获取到对应的文件名名称否后进行后续的操作效率会高一些

InputSplit 是一个抽象类，需要用它的子类

按照文件切的时候,pd.txt进来会执行一次MapTask，每一个MapTask；里面会有一个setup()还有对应的map()；那下一个文件的时候还有setup()以及对应的map()，一个文件只需要执行一次setup()。如果把获取文件名称放到map()中，那就是每读取一行文件都要获取当前的文件名称。显然是放到setup()中效率高。

这是一个优化的手段，因为每一个MapTask都会只调用一次setup()。

默认的切片规则是一个文件一个切片

package com.atguigu.mapreduce.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;public class TableMapper extends Mapper<LongWritable, Text, Text, TableBean> {private String fileName;private Text outK  = new Text();private TableBean outV = new TableBean();@Overrideprotected void setup(Context context) throws IOException, InterruptedException {// 初始化  order  pd// 得到一个切片信息FileSplit split = (FileSplit) context.getInputSplit();fileName = split.getPath().getName();}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1 获取一行String line = value.toString();// 2 判断是哪个文件的if (fileName.contains("order")){// 处理的是订单表String[] split = line.split("\t");// 封装k  voutK.set(split[1]);outV.setId(split[0]);outV.setPid(split[1]);outV.setAmount(Integer.parseInt(split[2]));outV.setPname(""); // 不赋值的话会报序列化错误outV.setFlag("order");}else {// 处理的是商品表String[] split = line.split("\t");outK.set(split[0]);outV.setId("");outV.setPid(split[0]);outV.setAmount(0);outV.setPname(split[1]);outV.setFlag("pd");}// 写出context.write(outK, outV);}
}

（3）编写 TableReducer 类

orderBeans.add() ,如果说这是正常的Java集合迭代器，那没有任何问题，你遍历出来一个往里面添。但是在大数据Hadoop场景下，values会存储多个对象，Hadoop就对它进行了一个优化，往orderBeans里面存的时候，迭代出来的对象只是地址

解决方法：我们就需要先把迭代出来的值赋给一个临时对象，每次创建的对象都是新地址。

详见：https://blog.csdn.net/qq_42506914/article/details/86168718?ops_request_misc=&request_id=&biz_id=102&utm_term=reduce遍历出来的值是地址吗？&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduweb~default-1-86168718.142^v51pc_rank_34_2,201^v3control_1&spm=1018.2226.3001.4187

package com.atguigu.mapreduce.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;public class TableReducer extends Reducer<Text, TableBean,TableBean, NullWritable> {@Overrideprotected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
//        01   1001  1   order
//        01   1004  4   order
//        01  小米          pd// 准备初始化集合ArrayList<TableBean> orderBeans = new ArrayList<>();TableBean pdBean = new TableBean();// 循环遍历for (TableBean value : values) {if ("order".equals(value.getFlag())){// 订单表TableBean tmptableBean = new TableBean();try {BeanUtils.copyProperties(tmptableBean,value);} catch (IllegalAccessException e) {e.printStackTrace();} catch (InvocationTargetException e) {e.printStackTrace();}orderBeans.add(tmptableBean);}else {// 商品表try {BeanUtils.copyProperties(pdBean,value);} catch (IllegalAccessException e) {e.printStackTrace();} catch (InvocationTargetException e) {e.printStackTrace();}}}// 循环遍历orderBeans，赋值 pdnamefor (TableBean orderBean : orderBeans) {orderBean.setPname(pdBean.getPname());context.write(orderBean,NullWritable.get());}}
}

（4）编写 TableDriver 类

package com.atguigu.mapreduce.reduceJoin;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.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);FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputtable"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output2"));boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}}

4）测试

运行程序查看结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7lvntJAq-1667872666526)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914419.png)]

5）总结

缺点：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。就是因为大量数据都在Reduce端进行汇总，这样效率会比较低，通常解决办法是：如果能在map阶段完成 的操作，尽量在Map阶段把它实现。

解决方案：Map 端实现数据合并。

在Reduce端数据量非常庞大，如果只让一个Reduce进行处理，那么运行时间非常久。但是我们MapTask个数多，而且一个MapTask只处理128MB的数据，相对来说压力不是特别大，那我们就可以将两张表的合并操作放到Map阶段来完成。

思考：如何将这两张表传入到Map阶段进行操作Join操作，每张表都是在切片的时候单独切片，单独切片就决定了他俩就不会进入到一个MapTask里面，那如何Join呢？

将其中一张表缓存到内存，然后把order表正常加载到MapTask1，然后执行MapTask的时候把pd.txt通过内存传进来进行join操作。

3.6.3 Map Join

1）使用场景

Map Join 适用于一张表十分小、一张表很大的场景。

2）优点

思考：在 Reduce 端处理过多的表，非常容易产生数据倾斜。怎么办？

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。

3）具体办法：采用 DistributedCache

（1）在 Mapper 的 setup 阶段，将文件读取到缓存集合中。

读取的时候是先要有一张缓存的表，可以在驱动中进行设置

（2）在 Driver 驱动类中加载缓存。

//缓存普通文件到 Task 运行节点。
job.addCacheFile(new URI("file:///e:/cache/pd.txt"));
//如果是集群运行,需要设置 HDFS 路径
job.addCacheFile(new URI("hdfs://hadoop102:8020/cache/pd.txt"));

3.6.4 Map Join 案例实操

1）需求

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-09lETI28-1667872666527)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914077.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VOCIaNJP-1667872666527)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914957.png)]

2）需求分析

MapJoin 适用于关联表中有小表的情形。

Map端表合并案例分析（Distributedcache）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oKpXuyBt-1667872666528)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914172.png)]

3）实现代码

（1）先在 MapJoinDriver 驱动类中添加缓存文件

package com.atguigu.mapreduce.mapjoin;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.IOException;
import java.net.URI;
import java.net.URISyntaxException;public class MapJoinDriver {public static void main(String[] args) throws IOException, URISyntaxException, ClassNotFoundException, InterruptedException {// 1 获取job信息Configuration conf = new Configuration();Job job = Job.getInstance(conf);// 2 设置加载jar包路径job.setJarByClass(MapJoinDriver.class);// 3 关联mapperjob.setMapperClass(MapJoinMapper.class);// 4 设置Map输出KV类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(NullWritable.class);// 5 设置最终输出KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);// 加载缓存数据job.addCacheFile(new URI("file:///D:/input/tablecache/pd.txt"));// Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0job.setNumReduceTasks(0);// 6 设置输入输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputtable2"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output8888"));// 7 提交boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}}

（2）在 MapJoinMapper 类中的 setup 方法中读取缓存文件

package com.atguigu.mapreduce.mapjoin;import org.apache.commons.lang.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;public class MapJoinMapper extends Mapper<LongWritable, Text, Text, NullWritable> {private HashMap<String, String> pdMap = new HashMap<>();private Text outK = new Text();@Overrideprotected void setup(Context context) throws IOException, InterruptedException {// 获取缓存的文件，并把文件内容封装到集合 pd.txt// 返回的是一个URL数组，也就是现在缓冲的是多个文件的地址URI[] cacheFiles = context.getCacheFiles();// 通过流读取该URL下的数据FileSystem fs = FileSystem.get(context.getConfiguration());FSDataInputStream fis = fs.open(new Path(cacheFiles[0]));// 从流中读取数据BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));String line;while (StringUtils.isNotEmpty(line = reader.readLine())) {// 切割String[] fields = line.split("\t");// 赋值pdMap.put(fields[0], fields[1]);}// 关流IOUtils.closeStream(reader);}@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 处理 order.txtString line = value.toString();String[] fields = line.split("\t");// 获取pidString pname = pdMap.get(fields[1]);// 获取订单id 和订单数量// 封装outK.set(fields[0] + "\t" + pname + "\t" + fields[2]);context.write(outK, NullWritable.get());}
}

3.7 数据清洗（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。

1）需求

去除日志中字段个数小于等于 11 的日志。

（1）输入数据

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HtGPVfsd-1667872666528)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914445.png)]

（2）期望输出数据

​ 每行字段长度都大于 11。

2）需求分析

需要在 Map 阶段对输入的数据根据规则进行过滤清洗。

3）实现代码

（1）编写 WebLogMapper 类

package com.atguigu.mapreduce.etl;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.IOException;public class  WebLogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1 获取一行String line = value.toString();// 2 ETLboolean result = parseLog(line, context);if (!result){return;}// 3 写出context.write(value, NullWritable.get());}private boolean parseLog(String line, Context context) {// 切割// 1.206.126.5 - - [19/Sep/2013:05:41:41 +0000] "-" 400 0 "-" "-"String[] fields = line.split(" ");// 2 判断一下日志的长度是否大于11if (fields.length > 11){return true;}else {return false;}}
}

（2）编写 WebLogDriver 类

package com.atguigu.mapreduce.etl;import com.atguigu.mapreduce.outputformat.LogDriver;
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;public class WebLogDriver {public static void main(String[] args) throws Exception {// 输入输出路径需要根据自己电脑上实际的输入输出路径设置args = new String[]{"D:/input/inputlog", "D:/hadoop/output11111"};// 1 获取job信息Configuration conf = new Configuration();Job job = Job.getInstance(conf);// 2 加载jar包job.setJarByClass(LogDriver.class);// 3 关联mapjob.setMapperClass(WebLogMapper.class);// 4 设置最终输出类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(NullWritable.class);// 设置reducetask个数为0job.setNumReduceTasks(0);// 5 设置输入和输出路径FileInputFormat.setInputPaths(job, new Path(args[0]));FileOutputFormat.setOutputPath(job, new Path(args[1]));// 6 提交boolean b = job.waitForCompletion(true);System.exit(b ? 0 : 1);}}

3.8 MapReduce 开发总结

1）输入数据接口：InputFormat

（1）默认使用的实现类是：TextInputFormat

（2）TextInputFormat 的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为 value 返回。

（3）CombineTextInputFormat 可以把多个小文件合并成一个切片处理，提高处理效率。

2）逻辑处理接口：Mapper

用户根据业务需求实现其中三个方法：setup() map() cleanup ()

3）Partitioner 分区

（1）有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces

（2）如果业务上有特别的需求，可以自定义分区。

4）Comparable 排序

（1）当我们用自定义的对象作为 key 来输出时，就必须要实现 WritableComparable 接口，重写其中的 compareTo()方法。

（2）部分排序：对最终输出的每一个文件进行内部排序。

（3）全排序：对所有数据进行排序，通常只有一个 Reduce。

（4）二次排序：排序的条件有两个。

5）Combiner 合并

Combiner 合并可以提高程序执行效率，减少 IO 传输。但是使用时必须不能影响原有的业务处理结果。

6）逻辑处理接口：Reducer

用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()

7）输出数据接口：OutputFormat

（1）默认实现类是 TextOutputFormat，功能逻辑是：将每一个 KV 对，向目标文本文件输出一行。

（2）用户还可以自定义 OutputFormat。

第 4 章 Hadoop 数据压缩

4.1 概述

1）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。

2）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

---

4.2 MR 支持的压缩编码

1）压缩算法对比介绍

是否支持切片：

在大数据场景下还有一个切片概念，比如说：有1T的数据，如果用Hadoop框架来读的话会出现什么问题？是不是就涉及到对这个数据是否支持切片？默认text格式可以直接读，但是现在经过压缩，此时读的时候怎么读？支持切片的压缩算法如图：

如果Map输入端对应的数据非常庞大，重点考虑bzip2和LZO算法对数据进行压缩，然后后续我们读的时候就能够支持切片的方式读。

2）压缩性能的比较

http://google.github.io/snappy/

Snappy is a compression/decompression library. It does not aim for maximum compression, or

compatibility with any other compression library; instead, it aims for very high speeds and

reasonable compression. For instance, compared to the fastest mode of zlib, Snappy is an order of

magnitude faster for most inputs, but the resulting compressed files are anywhere from 20% to 100%

bigger.On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250

MB/sec or more and decompresses at about 500 MB/sec or more.

4.3 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。

4.3.1 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；

4.3.2 Bzip2 压缩

优点：压缩率高；支持 Split；

缺点：压缩/解压速度慢。

4.3.3 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。

4.3.4 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；

4.3.5 压缩位置选择

压缩可以在 MapReduce 作用的任意阶段启用。

MapReduce数据压缩

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uZK65DXQ-1667872666530)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914682.png)]

MapReduce一共有三个地方可以设置压缩和解压缩，这三个位置考虑的因素也不一样

4.4 压缩参数配置

1）为了支持多种压缩/解压缩算法，Hadoop 引入了编码/解码器

这个类的全类名，在这个类中能够进行压缩和解压缩的处理。

2）要在 Hadoop 中启用压缩，可以配置如下参数

Map输入端压缩

输入端怎么配置？输入端有一个参数是：io.compression.codecs，这个默认参数值是空：

如果后续需要增加额外的编码方式的时候，那就需要修改参数：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FJcnBuns-1667872666531)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914955.png)]

默认有一些压缩方式并没有写在这，可以后续增加要支持的这个codecs(编解码器)，默认支持哪儿些？可以通过hadoop checknative查看。

snappy是根据Centos7.5配合Hadoop3.0使用是支持压缩的，本地没有Linux环境，所以snappy是不支持的。

Map输出端压缩

由两个参数来决定：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-iPf06KlM-1667872666532)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914222.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wUfbRYxX-1667872666533)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914929.png)]

Reduce输出端

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aBZk7ST7-1667872666534)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914776.png)]

4.5 压缩实操案例

4.5.1 Map 输出端采用压缩

即使你的 MapReduce 的输入输出文件都是未压缩的文件，你仍然可以对 Map 任务的中

间结果输出做压缩，因为它要写在硬盘并且通过网络传输到 Reduce 节点，对其压缩可以提

高很多性能，这些工作只要设置两个属性即可，我们来看下代码怎么设置。

1）给大家提供的 Hadoop 源码支持的压缩格式有：BZip2Codec、DefaultCodec

package com.atguigu.mapreduce.yasuo;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.*;
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;public class WordCountDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration 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", SnappyCodec.class, CompressionCodec.class);Job job = Job.getInstance(conf);// 2 设置jar包路径job.setJarByClass(WordCountDriver.class);// 3 关联mapper和reducerjob.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 4 设置map输出的kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5 设置最终输出的kV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6 设置输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputword"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output888"));// 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);// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

2）Mapper 保持不变

package com.atguigu.mapreduce.yasuo;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/*** KEYIN, map阶段输入的key的类型：LongWritable* VALUEIN,map阶段输入value类型：Text* KEYOUT,map阶段输出的Key类型：Text* VALUEOUT,map阶段输出的value类型：IntWritable*/
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {private Text outK = new Text();private IntWritable outV = new IntWritable(1);@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 1 获取一行// atguigu atguiguString line = value.toString();// 2 切割// atguigu// atguiguString[] words = line.split(" ");// 3 循环写出for (String word : words) {// 封装outkoutK.set(word);// 写出context.write(outK, outV);}}
}

3）Reducer 保持不变

package com.atguigu.mapreduce.yasuo;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** KEYIN, reduce阶段输入的key的类型：Text* VALUEIN,reduce阶段输入value类型：IntWritable* KEYOUT,reduce阶段输出的Key类型：Text* VALUEOUT,reduce阶段输出的value类型：IntWritable*/
public class WordCountReducer extends Reducer<Text, IntWritable,Text,IntWritable> {private IntWritable outV = new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int sum = 0;// atguigu, (1,1)// 累加for (IntWritable value : values) {sum += value.get();}outV.set(sum);// 写出context.write(key,outV);}
}

在Map输出端这块设置bzip2的压缩方式

---

4.5.2 Reduce 输出端采用压缩

基于 WordCount 案例处理。

1）修改驱动

package com.atguigu.mapreduce.yasuo;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.*;
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;public class WordCountDriver {public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {// 1 获取jobConfiguration 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", SnappyCodec.class, CompressionCodec.class);Job job = Job.getInstance(conf);// 2 设置jar包路径job.setJarByClass(WordCountDriver.class);// 3 关联mapper和reducerjob.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 4 设置map输出的kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5 设置最终输出的kV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6 设置输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputword"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output888"));// 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);// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}
}

2）Mapper 和 Reducer 保持不变（详见 4.5.1）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FKP6WTeU-1667872666535)(https://typora0905.oss-cn-beijing.aliyuncs.com/img/202211080914744.png)]

Hadoop3.x以上支持snappy是需要跟Linux7.0以上的系统配合的，如果没有环境会报错。因为Linux系统中提供了相应的动态native库支持snappy，所以正常放到集群上是可以用snappy。

---

第 5 章 常见错误及解决方案

1）导包容易出错。尤其 Text 和 CombineTextInputFormat。

2）Mapper 中第一个输入的参数必须是 LongWritable 或者 NullWritable，不可以是 IntWritable.报的错误是类型转换异常。

3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明 Partition和 ReduceTask 个数没对上，调整 ReduceTask 个数。

4）如果分区数不是 1，但是 reducetask 为 1，是否执行分区过程。答案是：不执行分区过程。因为在 MapTask 的源码中，执行分区的前提是先判断 ReduceNum 个数是否大于 1。不大于1 肯定不执行。

5）在 Windows 环境编译的 jar 包导入到 Linux 环境中运行，

hadoop jar wc.jar com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu//user/atguigu/output

报如下错误：

Exception in thread "main" java.lang.UnsupportedClassVersionError:com/atguigu/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0

原因是 Windows 环境用的 jdk1.7，Linux 环境用的 jdk1.8。

解决方案：统一 jdk 版本。

6）缓存 pd.txt 小文件案例中，报找不到 pd.txt 文件

原因：大部分为路径书写错误。还有就是要检查 pd.txt.txt 的问题。还有个别电脑写相对路径找不到 pd.txt，可以修改为绝对路径。

7）报类型转换异常。

通常都是在驱动函数中设置 Map 输出和最终输出时编写错误。Map 输出的 key 如果没有排序，也会报类型转换异常。

8）集群中运行 wc.jar 时出现了无法获得输入文件。

原因：WordCount 案例的输入文件不能放用 HDFS 集群的根目录。

9）出现了如下相关异常

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Zat org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Native Method)at org.apache.hadoop.io.nativeio.NativeIO$Windows.access(NativeIO.java:609)at org.apache.hadoop.fs.FileUtil.canRead(FileUtil.java:977)java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:356)at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:371)at org.apache.hadoop.util.Shell.<clinit>(Shell.java:364)

解决方案：拷贝 hadoop.dll 文件到 Windows 目录 C:\Windows\System32。个别同学电脑还需要修改 Hadoop 源码。

方案二：创建如下包名，并将 NativeIO.java 拷贝到该包名下

10）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。

@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {if (atguigufos != null) {atguigufos.close();}if (otherfos != null) {otherfos.close();}
}

   // 设置map端输出压缩方式conf.setClass("mapreduce.map.output.compress.codec", SnappyCodec.class, CompressionCodec.class);Job job = Job.getInstance(conf);// 2 设置jar包路径job.setJarByClass(WordCountDriver.class);// 3 关联mapper和reducerjob.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 4 设置map输出的kv类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 5 设置最终输出的kV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 6 设置输入路径和输出路径FileInputFormat.setInputPaths(job, new Path("D:\\input\\inputword"));FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output888"));// 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);

    // 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);
}

}

2）Mapper 和 Reducer 保持不变（详见 4.5.1）[外链图片转存中...(img-uCHUjONG-1667872666535)][外链图片转存中...(img-FKP6WTeU-1667872666535)][外链图片转存中...(img-nu454k4z-1667872666536)][外链图片转存中...(img-HaRbbXhf-1667872666536)]Hadoop3.x以上支持snappy是需要跟Linux7.0以上的系统配合的，如果没有环境会报错。因为Linux系统中提供了相应的动态native库支持snappy，所以正常放到集群上是可以用snappy。---#### 第 5 章 常见错误及解决方案1）导包容易出错。尤其 Text 和 CombineTextInputFormat。2）Mapper 中第一个输入的参数必须是 LongWritable 或者 NullWritable，不可以是 IntWritable.报的错误是类型转换异常。3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明 Partition和 ReduceTask 个数没对上，调整 ReduceTask 个数。4）如果分区数不是 1，但是 reducetask 为 1，是否执行分区过程。答案是：不执行分区过程。因为在 MapTask 的源码中，执行分区的前提是先判断 ReduceNum 个数是否大于 1。不大于1 肯定不执行。5）在 Windows 环境编译的 jar 包导入到 Linux 环境中运行，hadoop jar wc.jar com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu//user/atguigu/output报如下错误：```java
Exception in thread "main" java.lang.UnsupportedClassVersionError:com/atguigu/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0

原因是 Windows 环境用的 jdk1.7，Linux 环境用的 jdk1.8。

解决方案：统一 jdk 版本。

6）缓存 pd.txt 小文件案例中，报找不到 pd.txt 文件

原因：大部分为路径书写错误。还有就是要检查 pd.txt.txt 的问题。还有个别电脑写相对路径找不到 pd.txt，可以修改为绝对路径。

7）报类型转换异常。

通常都是在驱动函数中设置 Map 输出和最终输出时编写错误。Map 输出的 key 如果没有排序，也会报类型转换异常。

8）集群中运行 wc.jar 时出现了无法获得输入文件。

原因：WordCount 案例的输入文件不能放用 HDFS 集群的根目录。

9）出现了如下相关异常

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Zat org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Native Method)at org.apache.hadoop.io.nativeio.NativeIO$Windows.access(NativeIO.java:609)at org.apache.hadoop.fs.FileUtil.canRead(FileUtil.java:977)java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:356)at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:371)at org.apache.hadoop.util.Shell.<clinit>(Shell.java:364)

解决方案：拷贝 hadoop.dll 文件到 Windows 目录 C:\Windows\System32。个别同学电脑还需要修改 Hadoop 源码。

方案二：创建如下包名，并将 NativeIO.java 拷贝到该包名下

[外链图片转存中…(img-RGqRhSby-1667872666537)]

10）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。

@Override
public void close(TaskAttemptContext context) throws IOException, InterruptedException {if (atguigufos != null) {atguigufos.close();}if (otherfos != null) {otherfos.close();}
}

04 MapReduce相关推荐

1. Oozie 工作流定义详解【转】

   转自:http://shiyanjun.cn/archives/664.html Oozie工作流程定义详解 Oozie工作流程定义是一个DAG(Directed Acyclical Graphs)图 ...

2. 大数据课程基础与商城,共享单车,互联网广告实战视频

   ├─01-JavaSE基础-15天 │  ├─javaSE-day01 │  │      01.什么是计算机软件--计算机能看懂的描述特定功能的剧本.mp4 │  │      02.什么数据软件开 ...

3. html图标页面横向居中,结构-行为-样式-csshtml横纵居中最佳实践

   最近在做手机端的H5项目,有个标题是在一根横线中的,就是水平居中加垂直居中(如图一).这应该是前端开发中经常遇到的一个场景了,做的次数多了就有一些体会,我今天就总结了下这种结构的实现思路:首先,用元素 ...

4. 04 分布式文件系统以及MapReduce入门程序

   文章目录 04 分布式文件系统以及MapReduce入门程序 分布式文件系统HDFS 1.分布式文件系统hdfs详细介绍 2.HDFS分布式文件系统设计目标 3.HDFS的来源 4.hdfs的架构图 ...

5. ubuntu14.04安装hadoop2.6.0（伪分布模式）

   版本:虚拟机下安装的ubuntu14.04(64位),hadoop-2.6.0 下面是hadoop2.6.0的官方英文教程: http://hadoop.apache.org/docs/r2.6.0/ ...

6. 在Ubuntu 14.04 64bit上安装MongoDB并测试

   临时需要使用python来操作mongoDB, 网上搜索发现很多文档都已经非常陈旧了, 并不符合目前3.0版本的安装配置, 特此自己整理一下, 以作备忘. MongoDB简介 MongoDB(http ...

7. MapReduce编程初体验

   需求:在给定的文本文件中统计输出每一个单词出现的总次数 第一步: 准备一个aaa.txt文本文档 第二步: 在文本文档中随便写入一些测试数据,这里我写入的是 hello,world,hadoop he ...

8. 大数据【四】MapReduce（单词计数；二次排序；计数器；join；分布式缓存）

      前言: 根据前面的几篇博客学习,现在可以进行MapReduce学习了.本篇博客首先阐述了MapReduce的概念及使用原理,其次直接从五个实验中实践学习(单词计数,二次排序,计数器,join,分 ...

9. MapReduce的统计和排序功能

   实验材料及说明 现有某电商网站用户对商品的收藏数据,记录了用户收藏的商品id以及收藏日期,文件名为buyer_favorite.buyer_favorite包含:买家id,商品id,收藏日期这三个字段 ...

最新文章

1. 算法练习----java字符全排列
2. Rsync数据同步服务
3. C#.NET 大型企业信息化系统 - 防黑客攻击 - SSO系统加固优化经验分享
4. 广州交通大学二年级算法实验题目（第一弹）
5. 【图论】【模板】静态仙人掌（luogu 5236）
6. html的页面宽高变形问题,CSS＋div 设计的网页在不同浏览器中变形的问题
7. 【CodeForces - 864C】Bus （模拟，有坑）
8. java 调用python_Java平台如何调用Python平台？
9. java cpu 内存使用情况_java高cpu占用和高内存占用问题排查　（转）
10. 1016.外网资源下载神器
11. C#获取周一、周日的日期 函数类
12. 关于vmkd加速内核调试
13. window xp系统安装php环境_在Windows XP下安装Apache+MySQL+PHP环境
14. C语言汇编-函数调用栈
15. Bat 无限弹窗（慎用）
16. MQTT客户端程序的编写
17. ElasticSearch使用入门及拼音搜索介绍
18. SSM系类代码：org.springframework.web.servlet.support.AbstractAnnotationConfigDispatcherServletInitializer
19. 2022-2028年中国智慧教育行业发展策略分析及投资前景研究报告
20. oracle9i命令(一):手工创建数据库

热门文章

1. DeepLearning: 归纳几种常用的激活函数(activation)
2. centos7软件安装更新
3. 豆瓣时间“黑镜人生”的推荐书单
4. mb计算机单位,mb是什么单位
5. js for循环 遍历数组 遍历对象属性
6. python 海康威视ipc抓图
7. VBA-EXCEL统计数据
8. 2022年全球市场高纯度橙皮苷粉末总体规模、主要生产商、主要地区、产品和应用细分研究报告
9. 中国土地市场网landchina.com数据采集心得
10. 赛博朋克式炼狱：电子垃圾在印度