MapReduce实例&YARN框架

一个wordcount程序

统计一个相当大的数据文件中，每个单词出现的个数。

一、分析map和reduce的工作

map：

切分单词
遍历单词数据输出

reduce：

对从map中得到的数据的valuelist遍历累加，得到一个单词的总次数

二、代码

WordCountMapper（继承Mapper）

重写Mapper类的map方法。

mapreduce框架每读一行数据就调用一次该方法，map的具体业务逻辑就写在这个方法体中。

map和reduce的数据输入输出都是以key-value对的形式封装的
4个泛型中，前两个（KEYIN, VALUEIN）指定mapper输入数据的类型, 后两个（KEYOUT, VALUEOUT）指定输出数据的类型
默认情况下，框架传递给mapper的输入数据中，key是要处理的文本中一行的起始偏移量，value是这行的内容
由于输入输出在结点中通过网络传递，数据需要序列化，但JDK自带的序列化机制会有附加信息冗余，对于大量数据传输不合适，因此 <Long, String, String, Long> -> <LongWritable, Text, Text, LongWritable>
业务中要处理的数据已经作为参数key-value被传递进来了，处理后的输出是调用context.write()写入到context

package cn.thousfeet.hadoop.mapreduce.wordcount;

import java.io.IOException;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;


public class WordCountMapper extends Mapper<LongWritable, Text, Text, LongWritable>{
	
	@Override
	protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context)
			throws IOException, InterruptedException {
		
		String line = value.toString();
		
		String[] words = StringUtils.split(line," "); //切分单词
		
		for(String word : words) //遍历 输出为key-value( <word,1> )
		{
			context.write(new Text(word), new LongWritable(1));
		}
	
	}
	
}

WordCountReducer（继承Reducer）

重写Reducer类的reduce方法。

框架在map处理完成后，将所有的key-value对缓存起来进行分组，然后传递到一个组 <key,values{}> （对于wordcount程序，拿到的就是类似 <hello,{1,1,1,1...}>），然后调用一次reduce方法。

package cn.thousfeet.hadoop.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class WordCountReducer extends Reducer<Text, LongWritable, Text, LongWritable>{

	@Override
	protected void reduce(Text key, Iterable<LongWritable> valueList,
			Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
		
		long count = 0;
		
		for(LongWritable value : valueList) //遍历value list累加求和
		{
			count += value.get();
		}
		
		context.write(key, new LongWritable(count)); //输出这一个单词的统计结果
	}
}

WordCountRunner

用于描述job。

比如，该作业使用哪个类作为逻辑处理中的map，哪个作为reduce。还可以指定该作业要处理的数据所在的路径，和输出的结果放到哪个路径。

package cn.thousfeet.hadoop.mapreduce.wordcount;

import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;

public class WordCountRunner {

		public static void main(String[] args) throws Exception {
			
			Configuration conf = new Configuration();
			Job job = Job.getInstance(conf);
			
			//设置整个job所用的那些类在哪个jar包
			job.setJarByClass(WordCountRunner.class);
			
			//指定job使用的mapper和reducer类
			job.setMapperClass(WordCountMapper.class);
			job.setReducerClass(WordCountReducer.class);
			
			//指定reduce和mapper的输出数据key-value类型
			job.setOutputKeyClass(Text.class);
			job.setMapOutputValueClass(LongWritable.class);
			
			//指定mapper的输出数据key-value类型
			job.setMapOutputKeyClass(Text.class);
			job.setMapOutputValueClass(LongWritable.class);
			
			//指定原始输入数据的存放路径
			FileInputFormat.setInputPaths(job, new Path("/wordcount/srcdata/"));
			
			//指定处理结果数据的存放路径
			FileOutputFormat.setOutputPath(job, new Path("/wordcount/output/"));
		
			//将job提交给集群运行 参数为true时会打印运行进度
			job.waitForCompletion(true);
		}
}

上传到集群中运行

export成一个jar包，上传到虚拟机上。

分发到集群运行：hadoop jar wordcount.jar cn.thousfeet.hadoop.mapreduce.wordcount.WordCountRunner

查看输出结果：

（可以看到按key的字典序升序排序）

MapReduce程序几种不同的提交运行模式

方式一：本机的JVM运行

首先，因为要在windows下直接调试，需要在eclipse的设置 Run Configurations->arguments->vm arguments ，添加-DHADOOP_USER_NAME=对应用户。

如需在本地直接run main方法（MapReduce程序在本机的JVM运行），要把输入输出路径改为hdfs全路径或把site.xml配置文件拖进来（或用在windows本地目录下的数据也行，MapReduce程序的运行和数据来源在哪无关）。

方式二：本地debug实际运行在集群

如需实现在本地run main方法而MapReduce实际运行在集群（这种方式必须在linux下），应：

将mapred-site.xml和yarn-site.xml拖到工程的src目录下（或给conf配置mapreduce.framework.name和yarn.resourcemanager.hostname等参数）
给工程导出一个jar包（比如放在工程目录下），配置该job的jar包的路径conf.set("mapreduce.job.jar","wordcount.jar");

（在windows下要用这种方法需要修改hadoop的YarnRunner这个类的源码，或者安装插件什么的..）

提交到yarn集群的job可以在yarn的管理页面（8088端口）看到。

yarn框架的运行机制

yarn只负责资源的分配，然后启动运算框架的主管进程AppMaster（如运算框架是MapReduce时主管进程就是它的MRAppMaster），剩下的工作就不由yarn去做了。

MapReduce只适合做数据的批量离线处理，而不适用于实时性的需求，要实现实时性要使用的运算框架是spark、storm那些，但都可以放在yarn框架下。yarn和运算框架分离的策略使得hadoop具有广泛的实用性和生命力。

yarn提交job的流程（关键源码）

坑点

org.apache.hadoop.security.AccessControlException

运行程序后查看output文件夹能看到运行成功了，但是cat查看part-r-00000的时候报错

error creating legacy BlockReaderLocal. Disabling legacy local reads.
org.apache.hadoop.security.AccessControlException: Can't continue with getBlockLocalPathInfo() authorization. The user thousfeet is not configured in dfs.block.local-path-access.user

解决方法是hdfs-site.xml中的配置项dfs.client.read.shortcircuit=false
woc，这个参数其实原本默认就是false...突然想起这不是上次配置出错的时候病急乱投医加上的吗，果然乱跟教程害死人orzz

（参考：http://www.51testing.com/html/59/445759-821244.html）