关键词：
文章目录
- 零、学习目标
- 一、导入新课
- 二、新课讲解
- （一）MapReduce核心思想
- （二）MapReduce编程模型
- （三）MapReduce编程实例——词频统计
- 三、归纳总结
- 四、上机操作
零、学习目标
- 理解MapReduce核心思想
- 掌握MapReduce编程模型
- 理解MapReduce编程实例——词频统计
一、导入新课
- 带领学生回顾项目四HDFS相关的知识，由于MapReduce是Hadoop系统的另一个核心组件，它是一种可用于大数据并行处理的计算模型、框架和平台，主要解决海量数据的计算，是目前分布式计算模型中应用较为广泛的一种。因此，本次课将针对MapReduce分布式计算框架进行详细讲解。
二、新课讲解
（一）MapReduce核心思想
- MapReduce的核心思想是“分而治之”。所谓“分而治之”就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后逐个解决，分别找出各部分的结果，把各部分的结果组成整个问题的结果，这种思想来源于日常生活与工作时的经验，同样也完全适合技术领域。
- MapReduce作为一种分布式计算模型，它主要用于解决海量数据的计算问题。使用MapReduce操作海量数据时，每个MapReduce程序被初始化为一个工作任务，每个工作任务可以分为Map和Reduce两个阶段。
| 阶段 | 功能 |
|---|---|
| Map阶段 | 负责将任务分解，即把复杂的任务分解成若干个“简单的任务”来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。 |
| Reduce阶段 | 负责将任务合并，即把Map阶段的结果进行全局汇总。 |
-
MapReduce就是“任务的分解与结果的汇总”。即使用户不懂分布式计算框架的内部运行机制，但是只要能用Map和Reduce思想描述清楚要处理的问题，就能轻松地在Hadoop集群上实现分布式计算功能。
-
MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销。
（二）MapReduce编程模型
- MapReduce是一种编程模型，用于处理大规模数据集的并行运算。使用MapReduce执行计算任务的时候，每个任务的执行过程都会被分为两个阶段，分别是Map和Reduce，其中Map阶段用于对原始数据进行处理，Reduce阶段用于对Map阶段的结果进行汇总，得到最终结果。
- Map和Reduce函数
- 问题1：100副牌，没有大小王，差一张牌，请确定缺少哪张牌？
- 问题2：100GB网站访问日志文件，找出访问次数最多的IP地址
（三）MapReduce编程实例——词频统计
1、词频统计设计思路
（1）Map阶段
（2）Reduce阶段
2、词频统计实现步骤
（1）创建Maven项目
- 创建Maven项目 -
MRWordCount
- 单击【Finish】按钮
（2）创建待词频统计文件
- 在项目根目录创建文本文件 -
words.txt
（3）上传文件到HDFS指定目录
- 启动集群HDFS服务
- 在HDFS上创建
/wordcount目录，并将words.txt上传到该目录
（4）添加相关依赖
- 在
pom.xml文件里添加hadoop和junit依赖
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.3.4</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.13.2</version>
</dependency>
</dependencies>
（5）创建日志属性文件
- 在
resources目录里创建log4j.properties文件
log4j.rootLogger=INFO, stdout, logfile
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/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（6）创建词频统计映射器类
- 创建
net.hw.mr包，在包里创建WordCountMapper类
- 为了更好理解
Mapper类的作用，在map()函数里暂时不进行每行文本分词处理，直接利用context输出key和value。
package net.hw.mr;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* 功能：词频统计映射器类
* 作者：华卫
* 日期：2022年10月09日
*/
public class WordCountMapper extends Mapper<LongWritable, Text, LongWritable, Text>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException
context.write(key, value);
- Mapper<泛型参数1, 泛型参数2, 泛型参数3, 泛型参数4>参数说明
| 参数 | 说明 |
|---|---|
| 泛型参数1 | 输入键类型（InputKeyClass） |
| 泛型参数2 | 输入值类型（InputValueClass） |
| 泛型参数3 | 输出键类型（OutputKeyClass） |
| 泛型参数4 | 输出值类型（OutputValueClass） |
（7）创建词频统计驱动器类
- 在
net.hw.mr包里创建WordCountDriver类
package net.hw.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
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.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.net.URI;
/**
* 功能：词频统计驱动器类
* 作者：华卫
* 日期：2022年10月09日
*/
public class WordCountDriver
public static void main(String[] args) throws Exception
// 创建配置对象
Configuration conf = new Configuration();
// 获取作业实例
Job job = Job.getInstance(conf);
// 设置作业启动类
job.setJarByClass(WordCountDriver.class);
// 设置Mapper类
job.setMapperClass(WordCountMapper.class);
// 设置map任务输出键类型
job.setMapOutputKeyClass(LongWritable.class);
// 设置map任务输出值类型
job.setMapOutputValueClass(Text.class);
// 定义uri字符串
String uri = "hdfs://master:9000";
// 创建输入目录
Path inputPath = new Path(uri + "/wordcount");
// 创建输出目录
Path outputPath = new Path(uri + "/wordcount/result");
// 获取文件系统
FileSystem fs = FileSystem.get(new URI(uri), conf);
// 删除输出目录
fs.delete(outputPath, true);
// 给作业添加输入目录
FileInputFormat.addInputPath(job, inputPath);
// 给作业设置输出目录
FileOutputFormat.setOutputPath(job, outputPath);
// 等待作业完成
job.waitForCompletion(true);
// 输出统计结果
System.out.println("======统计结果======");
FileStatus[] fileStatuses = fs.listStatus(outputPath);
for (int i = 1; i < fileStatuses.length; i++)
// 输出结果文件路径
System.out.println(fileStatuses[i].getPath());
// 获取文件输入流
FSDataInputStream in = fs.open(fileStatuses[i].getPath());
// 将结果文件显示在控制台
IOUtils.copyBytes(in, System.out, 4096, false);
- 注意导包问题
- 不要导成
org.apache.hadoop.mapred包下的FileInputFormat与FileOutputFormat咯~
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
（8）启动集群YARN服务
- 在主节点上执行命令：
start-yarn.sh
（9）启动词频统计驱动器类，看看结果
- 运行
WordCountDriver类，报错找不到winutils.exe文件
- 解决办法：下载对应版本的winutils.exe和hadoop.dll，放在hadoop安装目录的bin子目录里 - https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/winutils.exe
- https://github.com/cdarlint/winutils/blob/master/hadoop-3.2.2/bin/hadoop.dll
- 配置环境变量
| 环境变量 | 值 |
|---|---|
| HADOOP_HOME | D:\\hadoop-3.3.4 |
| HADOOP_USER_NAME | root |
| Path | %HADOOP_HOME%\\bin; |
-
此时，运行程序，就没有问题了
-
说明：一个切片，对应一个map任务。
-
如果不想看到统计结果之前的大堆信息，可以修改
log4j.properties文件，将INFO改为ERROR
-
再运行程序，查看结果
-
行首数字，表示每行起始位置在整个文件的偏移量（offset）。
-
第一行：Hello World Bye World\\r\\n 18个字母，3个空格，2个转义字符，总共23个字符，因此，第二行起始位置在整个文件的偏移量就是23。
-
第二行：Hello Hadoop Bye Hadoop\\r\\n 20个字母，3个空格，2个转义字符，总共25个字符，因此，第三行起始位置在整个文件的偏移量就是23 + 25 = 48。
-
其实，行首数字对于我们做单词统计没有任何用处，只需要拿到每一行内容，按空格拆分成单词，每个单词计数1，因此，
WordCoutMapper的输出应该是单词和个数，于是，输出键类型为Text，输出值类型为IntWritable。 -
利用HDFS集群WebUI界面查看结果文件
（10）修改词频统计映射器类
- 将每行按空格拆分成单词数组，输出
单词 1的键值对
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException
// 获取行内容
String line = value.toString();
// 按空格拆分得到单词数组
String[] words = line.split(" ");
// 遍历单词数组，生成输出键值对
for (int i = 0; i < words.length; i++)
context.write(new Text(words[i]), new IntWritable(1));
- 由于
WordCountMapper的输出键值类型发生变化，所以必须告诉WordCountDriver。
（11）修改词频统计驱动器类
- 修改map任务输出键值类型
（12）启动词频统计驱动器类，查看结果
- 观察输出结果，map阶段会按键排序输出
- 对于这样一组键值对，我们需要
Reducer组件来进行归并处理，结果如下所示
Bye 3
Hadoop 4
Hello 3
World 2
- 映射任务与归并任务示意图
（13）创建词频统计归并器类
一个类继承Reducer，变成一个Reducer组件类
Reducer组件会接收Mapper组件的输出结果
第一个泛型对应的是Mapper输出key类型，第二个泛型对应的是Mapper输出value类型
第三个泛型和第四个泛型是Reducer的输出key类型和输出value类型
Reducer组件不能单独存在，但是Mapper组件可以单独存在
当引入Reducer组件后，输出结果文件内容就是Reducer的输出key和输出value
- 在
net.hw.mr包里创建WordCountReducer类
package net.hw.mr;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* 功能：词频统计归并器类
* 作者：华卫
* 日期：2022年10月09日
*/
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable>
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context)
throws IOException, InterruptedException
// 定义输出键出现次数
int count = 0;
// 遍历输出值迭代对象，统计其出现次数
for (IntWritable value : values)
count = count + value.get();
// 生成键值对输出
context.write(key, new IntWritable(count));
- 由于引入了词频统计归并器，必须在词频统计驱动器类里进行设置
（14）修改词频统计驱动器类
- 设置
WordCountReducer，并且设置归并任务的输出键值类型
// 设置Reducer类
job.setReducerClass(WordCountReducer.class);
// 设置reduce任务输出键类型
job.setOutputKeyClass(Text.class);
// 设置reduce任务输出值类型
job.setOutputValueClass(IntWritable.class);
（15）启动词频统计驱动器类，查看结果
- 统计出每个单词出现的次数
知识点学习
（1）MR框架有两个核心组件，分别是Mapper组件和Reducer组件
（2）写一个类，继承Mapper，则变成了一个Mapper组件类
（3）LongWritable，Text（String)，IntWritable，NullWritable都是Hadoop序列化类型
（4）Mapper组件将每行的行首偏移量，作为输入key，通过map()传给程序员
（5）Mapper组件会将每行内容，作为输入value，通过map()传给程序员，重点是获取输入value
（6）Mapper的第一个泛型类型对应的是输入key的类型，第二个泛型类型对应的输入value（在初学阶段，第一个和第二个类型写死）
（7）MR框架所处理的文件必须是在HDFS上的
（8）map()被调用几次，取决于文件的行数
（9）通过context进行结果的输出，以输出key和输出value的形式来输出
（10）输出key是由第三个泛型类型决定，输出value是由第四个泛型类型决定
（11）输出结果文件的数据以及行数取决于context.write
（12）Text=>String: value.toString()
（13）String=>Text: new Text(string var)
（14）LongWritable=>long: key.get()
（15）long=>LongWritable: new LongWritable(long var)
（16）采用多个Reduce做合并
相同key的键值对必须发送同一分区（一个Reduce任务对应一个分区，然后会生成对应的一个结果文件，有多少个Reduce任务，就会有多少个分区，最终就会产生多少个结果文件），否则同一个key最终会出现在不同的结果文件中，那显然不是我们希望看到的结果。
A. MR默认采用哈希分区HashPartitioner
- Mapper输出
key.hashcode & Integer.MAX_ VALUE % Reduce任务数量
B. 修改词频统计驱动器类，设置分区数量
- 设置分区数量：
3
- 此时，运行程序，查看结果
- 可以看到，产生了三个结果文件
（17）将三个类合并成一个类完成词频统计
- 在
net.hw.mr包里创建WordCount类
package net.hw.mr;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.io.IOException;
import java.net.URI;
/**
* 功能：词频统计
* 作者：华卫
* 日期：2022年10月09日
*/
public class WordCount extends Configured implements Tool
public static class Map extends Mapper<LongWritable, Text, Text, IntWritable>
@Override
protected void map(LongWritable key, Text value, Context context)
throws IOException大数据讲课笔记5.4mapreduce运行模式(代码片段)
...零、学习目标一、导入新课二、新课讲解（一）MapReduce运行模式1、本地运行模式2、集群运行模式（二）MapReduce性能优化策略1、数据输入2、Map阶段3、Reduce阶段4、Shuffle阶段5、其它调优属性三、归纳总结四、上机... 查看详情
大数据讲课笔记5.5mapreduce经典案例——倒排索引(代码片段)
...现倒排索引一、导入新课通过上节课的学习，我们对MapReduce运行模 查看详情
大数据讲课笔记2.1初探大数据(代码片段)
...目标一、导入新课二、新课讲解（一）什么是大数据（二）大数据的特征1、数据体量大2、数据类型多3、处理速度快4、价值密度低（三）研究大数据的意义（四）拥抱大数据时代1、第三次信息化浪... 查看详情
大数据讲课笔记2.1初探大数据(代码片段)
...目标一、导入新课二、新课讲解（一）什么是大数据（二）大数据的特征1、数据体量大2、数据类型多3、处理速度快4、价值密度低（三）研究大数据的意义（四）拥抱大数据时代1、第三次信息化浪... 查看详情
大数据讲课笔记5.6mr案例—数据去重(代码片段)
...据去重一、导入新课通过上节课的学习，我们熟悉了MapReduce经典案例——倒序索引的具 查看详情
大数据讲课笔记5.7mr案例—topn(代码片段)
...N分析法一、导入新课通过上节课的学习，我们熟悉了MapReduce经典案 查看详情
2022年大数据讲课笔记
一、讲课笔记项目一、Linux基础大数据讲课笔记1.1安装配置CentOS[在OpenStack私有云上安装配置虚拟机]大数据讲课笔记1.2Linux用户操作大数据讲课笔记1.3Linux目录操作大数据讲课笔记1.4进程管理大数据讲课笔记1.5使用Vim编辑器大数据... 查看详情
2022年大数据基础讲课笔记
一、讲课笔记项目一、Linux基础大数据讲课笔记1.1安装配置CentOS[在OpenStack私有云上安装配置虚拟机]大数据讲课笔记1.2Linux用户操作大数据讲课笔记1.3Linux目录操作大数据讲课笔记1.4进程管理大数据讲课笔记1.5使用Vim编辑器大数据... 查看详情
2022年大数据基础讲课笔记
一、讲课笔记项目一、Linux基础大数据讲课笔记1.1安装配置CentOS[在OpenStack私有云上安装配置虚拟机]大数据讲课笔记1.2Linux用户操作大数据讲课笔记1.3Linux目录操作大数据讲课笔记1.4进程管理大数据讲课笔记1.5使用Vim编辑器大数据... 查看详情
安卓讲课笔记5.1标签(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）继承关系图（二）标签常用属性（三）教学案例：标签演示1、创建安卓应用2、字符串资源文件3、自定义边框配置文件4、主布局资源文件5、主... 查看详情
大数据讲课笔记4.1hdfs基本概念(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）HFDS的演变（二）HDFS的基本概念1、NameNode（名称节点）2、DataNode（数据节点）3、Block（数据块）4、Rack（机架）5、Metadata（ 查看详情
大数据讲课笔记1.4进程管理(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）进程概述1、基本概念2、三维度看待进程3、引入多进程模型4、进程的产生和消亡（1）进程的产生（2）进程的消亡5、进程三种状态6、进程ID（PID... 查看详情
大数据讲课笔记1.8shell基础(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）shell概述1、了解shell的含义2、Linux中shell存在形式3、shell如何执行用户指令（二）常用shell命令1、管道命令（1）命令概述（2）命令格式（... 查看详情
大数据讲课笔记6.2zookeeper数据模型(代码片段)
...零、学习目标一、导入新课二、新课讲解（一）数据存储结构（二）Znode的类型1、临时节点2、永久节点（三）Znode的属性三、归纳总结四、上机操作零、学习目标理解ZK数据存储结构了解Znode的类型和属性... 查看详情
大数据讲课笔记1.6压缩与打包(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）压缩与打包1、压缩2、打包3、压缩或打包文件常见扩展名（二）gzip命令1、命令作用2、选项参数3、实战练习任务1、压缩文件任务2、解压文件（三）... 查看详情
大数据讲课笔记3.1hadoop安装准备(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）Hadoop集群拓扑1、集群拓扑2、角色分配（二）虚拟机安装（三）虚拟机克隆1、克隆类型（1）完整克隆（2）链接克隆2、克隆步骤（... 查看详情
java讲课笔记36：初探反射机制
文章目录零、本讲学习目标一、认识反射（一）Java反射机制（二）Java反射的动态性质（三）如何理解Java反射的原理（四）利用反射可实现的功能二、Java反射常用API三、使用反射的基本步骤四、利用反射获取类的信息（一）获... 查看详情
大数据讲课笔记1.2linux用户操作(代码片段)
文章目录零、学习目标一、导入新课二、新课讲解（一）用户账号管理1、用户与用户组文件2、用户账号管理工作（二）用户操作1、切换用户（1）语法格式（2）切换到普通用户（3）切换到r... 查看详情