hadoop的Mapreduce概念

     MapReduce概念

• Mapreduce 是一个分布式运算框架，是用户开发“基于hadoopd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。

为什么要使用MapReduce

  1)海量数据在单机上处理因为硬件资源限制，无法胜任

  2）而一旦将单机版程序扩展到集群来分布式运行，将极大增加程序的复杂度和开发难度

  3）引入MapReduce框架后，开发人员可以将绝大部分工作集中在业务逻辑的开发上，而将分布式计算中的复杂性交由框架处理。

  4）mapreduce分布式方案考虑的问题

      （1）运算逻辑要不要先分后合？

      （2）程序如何分配运算任务（切片）

       （3）两阶段的程序如何启动？如何协调？

        （4）整个程序运行过程中的监控？容错？重shi？

 分布式方案需要考虑很多问题，但是我们可以将分布式程序中的功能封装成框架，让开发人员将精力集中于业务逻辑上，而maprduce就是这样一个分布式程序的通用框架。

1.2MapReduce核心思想

                  上图简明的闸明了map和reduce的两个过程或者作用，虽然不够严谨，但是足以提供

一个大概的认知，map过程是一个蔬菜到制成食物的准备工作，reduce将准备好的材料合并进而制作出食物的过程

1）分布式的运算程序往往需要分成至少2个阶段

2）第一阶段的maptask并发实例，完全并行处理，互不相干

3）第二个阶段的reduce  task 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

1.3Mapreduce进程

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

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

1.4MapReduce编程规范

用户编写的程序分成三个部分：Mapper ，Reducer,Driver (提交运行mr程序的客户端）

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）

         （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）

         （5）map()方法（maptask进程）对每一个<K,V>调用一次

2）Reduce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

整个程序需要一个Driver来进行提交，提交的是一个描述了各种必要信息的job对象

4）案例实操

详见3.1.1统计一堆文件中单词出现的个数（WordCount案例）。

1.5 MapReduce程序运行流程分析

1）在MapReduce程序读取文件的输入目录上存放相应的文件。

2）客户端程序在submit()方法执行前，获取待处理的数据信息，然后根据集群中参数的配置形成一个任务分配规划。

3）客户端提交job.split、jar包、job.xml等文件给yarn，yarn中的resourcemanager启动MRAppMaster。

 4）MRAppMaster启动后根据本次job的描述信息，计算出需要的maptask实例数量，然后向集群申请机器启动相应数量的maptask进程。

5）maptask利用客户指定的inputformat来读取数据，形成输入KV对。

6）maptask将输入KV对传递给客户定义的map()方法，做逻辑运算

7）map()运算完毕后将KV对收集到maptask缓存。

8）maptask缓存中的KV对按照K分区排序后不断写到磁盘文件

9）MRAppMaster监控到所有maptask进程任务完成之后，会根据客户指定的参数启动相应数量的reducetask进程，并告知reducetask进程要处理的数据分区。

10）Reducetask进程启动之后，根据MRAppMaster告知的待处理数据所在位置，从若干台maptask运行所在机器上获取到若干个maptask输出结果文件，并在本地进行重新归并排序，然后按照相同key的KV为一个组，调用客户定义的reduce()方法进行逻辑运算。

11）Reducetask运算完毕后，调用客户指定的outputformat将结果数据输出到外部存储

 二 MapReduce理论篇

2.1 Writable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（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）或者是硬盘的持久化数据，转换成内存中的对象。

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），精简、高效

2.1.1 常用数据序列化类型

常用的数据类型对应的hadoop数据序列化类型

2.1.2 自定义bean对象实现序列化接口

1）自定义bean对象要想序列化传输，必须实现序列化接口，需要注意以下7项。

（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

（3）重写序列化方法

（4）重写反序列化方法

（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()，且用”\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框中的shuffle过程一定会对key进行排序

/ 1 必须实现Writable接口
public class FlowBean implements Writable {

	private long upFlow;
	private long downFlow;
	private long sumFlow;

	//2 反序列化时，需要反射调用空参构造函数，所以必须有
	public FlowBean() {
		super();
	}

	/**
	 * 3重写序列化方法
	 * 
	 * @param out
	 * @throws IOException
	 */
	@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 
5 注意反序列化的顺序和序列化的顺序完全一致
	 * 
	 * @param in
	 * @throws IOException
	 */
	@Override
	public void readFields(DataInput in) throws IOException {
		upFlow = in.readLong();
		downFlow = in.readLong();
		sumFlow = in.readLong();
	}

    // 6要想把结果显示在文件中，需要重写toString()，且用”\t”分开，方便后续用
	@Override
	public String toString() {
		return upFlow + "\t" + downFlow + "\t" + sumFlow;
	}

    //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框中的shuffle过程一定会对key进行排序
	@Override
	public int compareTo(FlowBean o) {
		// 倒序排列，从大到小
		return this.sumFlow > o.getSumFlow() ? -1 : 1;
	}
}

2）案例实操

详见3.2.1统计每一个手机号耗费的总上行流量、下行流量、总流量（序列化）。