MapReduce原理及实例分析

前言

由于最近开始涉及MR程序的编写，之前会一点HIVE，对MR接触不多，不论从原理还是实际操作上，都有些障碍，终于在今天柳暗花明，将这一过程记录下，与大家分享~

环境准备

在VM上搭建好LINUX虚拟机，并安装配置好HADOOP2.2.0，我这里是单节点的伪分布式 在eclipse中安装hadoop插件 对我们这种MR的新手而言，最好在本地有一个HADOOP运行环境，这样有许多好处： 如果我们每次写完MR程序，都打成JAR包上传至线上服务器上运行，那么每次MR运行的时间非常长，也许等待了许久，运行结果和我们预期不一致，又得改程序重新来一边，这会有一点痛苦！ 在我们本地的HADOOP上运行MR程序非常快，就那么几秒，更加重要的是，我们可以再 本地准备输入文件去测试MR的逻辑，这对调试/开发程序非常方便！

实例及原理分析

假设，我们有这样的输入文件： cate-a spu-1 1 cate-a spu-1 2 cate-a spu-2 3 cate-a spu-2 4 cate-a spu-3 5 cate-a spu-3 6 cate-a spu-1 7 cate-a spu-4 8 cate-a spu-4 9 cate-a spu-1 8 ... 我们希望得到分cate,分spu的总和，并且取分cate分spu的TOP3 如上图示，大致描述了MAP/REDUCE的运行流程： 输入文件+InputFormat  提供给MAP 需要清楚提供给MAP的KEY1/VALUE1是什么？MAP准备输出的KEY2/VALUE2是什么？ MAP输出后，会进行分区操作，也就是决定KEY2/VALUE2发到哪些reduce上 分区由job.setPartitionerClass决定 在同一个分区内，会对KEY2进行排序，依据是job.setSortComparatorClass， 如果没有设置则根据KEY的compareTo方法 接下来进入分组阶段，会构造KEY3和VALUE迭代器 分组的依据是job.setGroupingComparatorClass，只要比较器比较的相同就在同一组 KEY3/VALUE迭代器交给reduce方法处理 步骤： 自定义KEY KEY应该是可序列化，可比较的，只需要注意实现WritableComparable即可。 重点关注compareTo方法。 @Override public int compareTo(Cate2SpuKey that) { System.out.println("开始对KEY进行排序..."); if(cate2.equals(that.getCate2())){ return spu.compareTo(that.getSpu()); } return cate2.compareTo(that.getCate2()); } 分区 分区，是KEY的第一次比较，extends Partitioner 并提供getPartition即可。 这里根据cate分区。 分组 需要注意的是，分组类必须提供构造方法，并且重载  public int compare(WritableComparable w1, WritableComparable w2) 。这里根据cate,spu分组。 通过上述的，就可以取得分cate分spu的SUM（counts）值了。 通过eclipse hadoop插件，可以方便我们上传测试文件到HDFS，可以浏览，删除HDFS文件，更加方便的是，就像运行普通JAVA程序一样的运行/调试MR程序（不在需要打成JAR包）,让我们可以追踪MR的每一步，非常方便进行逻辑性测试~ 那么怎么取分cate分spu的TOP3呢？ 我们只需要把上一个MR的输出文件，作为另一个MR的输入，并且以cate+counts 为KEY ，以spu为VALUE，根据cate分区，分组，排序的话:cate相同情况下，根据counts倒序； 最后在reduce阶段取TOP3即可。 @Override protected void reduce(Cate2CountsKey key, Iterable<Text> values, Reducer<Cate2CountsKey, Text, Text, Text>.Context context) throws IOException, InterruptedException { System.out.println("reduce..."); System.out.println("VALUES迭代前... key:" + key.toString()); System.out.println("VALUES迭代前... key:" + key.getCounts()); int top = 3; for(Text t : values){ if(top > 0){ System.out.println("VALUES迭代中... key:" + key.toString()); System.out.println("VALUES迭代中... key:" + key.getCounts()); context.write(new Text(key.getCate2() + "\t" + t.toString()),  new Text(key.getCounts()  + "")); top--; } } System.out.println("reduce over..."); } 那么到现在，分组取TOP就完成了。

一个疑问：reduce阶段中的KEY到底是什么？

在上面例子中的取TOP3的MR中，我们是以cate+counts为KEY，spu为VALUE。 cate作为分区，分组的依据，排序根据同一个cate下counts倒序。如下图所示： 那么reduce方法中的KEY是什么？ spu1,spu4,spu3...是VALUES中的，那么这个迭代器的对应KEY是什么呢？ 是cate+42吗？还是其他？ 在VALUES迭代过程中，这个KEY会变化吗？ 我们可以看下ECLIPSE中的控制台打印输出的内容： 从打印上来看，可以分析出如下结论： 分组后，交给reduce方法处理的KEY是同一组的所有KEY的第一个KEY，并且在VALUES迭代过程中，KEY并不会重新NEW，而是利用SETTER反射的方式重新设置属性值，这样在VALUES迭代过程中取得的KEY都是与之对应的KEY了。