[Hadoop in Action] 第5章高阶MapReduce

链接多个MapReduce作业
执行多个数据集的联结
生成Bloom filter

1、链接MapReduce作业

[顺序链接MapReduce作业]

mapreduce-1 | mapreduce-2 | mapreduce-3 | ...

[具有复杂依赖的MapReduce链接]

有时，在复杂数据处理任务中的子任务并不是按顺序运行的，因此它们的MapReduce作业不能按线性方式链接。例如，mapreduce1处理一个数据集，mapreduce2独立处理另一个数据集，而第3个作业mapreduce3，对前两个作业的输出结果做内部联结。

Hadoop有一种简化机制，通过Job和JobControl类来管理这种（非线性）作业之间的依赖。Job对象是MapReduce作业的表现形式。Job对象的实例化可通过传递一个JobConf对象到作业的构造函数中来实现。除了要保持作业的配置信息外，Job还通过设定addDependingJob()方法维护作业的依赖关系。对于Job对象x和y，x.addDependingJob(y)意味着x在y完成之前不会启动。鉴于Job对象存储着配置和依赖信息，JobControl对象会负责管理并监视作业的执行。通过addJob()方法，你可以为JobControl对象添加作业。当所有作业和依赖关系添加完成后，调用JobControl的run()方法，生成一个线程来提交作业并监视其执行。JobControl有诸如allFinished()和getFailedJobs()这样的方法来跟踪批处理中各个作业的执行。

[预处理和后处理阶段的链接]

Hadoop在版本0.19.0中引入了ChainMapper和ChainReducer类来简化预处理和后处理的构成。作业按序执行多个mapper来预处理数据，并在reducer之后可选地按序执行多个mapper来做数据的后处理。这一机制的优点在于可以将预处理和后处理步骤写为标准的mapper，逐个运行它们，可以在ChainMapper和ChainReducer中调用addMapper()方法来分别组合预处理和后处理的步骤。全部预处理和后处理步骤在单一的作业中运行，不会生成中间文件，这大大减少了I/O操作。

例如，有4个mapper（Map1，Map2，Map3和Map4）和一个reducer（Reduce），它们被链接为单个MapReduce作业，顺序如下：Map1 ｜ Map2 ｜ Reduce ｜ Map3 ｜ Map4

这个组合中，可以把Map2和Reduce视为MapReduce作业的核心，在mapper和reducer之间使用标准的分区和洗牌。可以把Map1视为前处理步骤，而Map3和Map4作为后处理步骤。我们可以使用driver设定这个mapper和reducer序列的构成：

代码清单用于链接MapReduce作业中mapper的driver

 1 Configuration conf = getConf();
 2 JobConf job = new JobConf(conf);
 3  
 4 job.setJobName("ChainJob");
 5 job.setInputFormat(TextInputFormat.class);
 6 job.setOutputFormat(TextOutputFormat.class);
 7  
 8 FileInputFormat.setInputPaths(job, in); 
 9 FileOutputFormat.setOutputPath(job, out);
10  
11  
12 JobConf map1Conf = new JobConf(false);
13 ChainMapper.addMapper(job,
14                       Map1.class,
15                       LongWritable.class,
16                       Text.class,
17                       Text.class,
18                       Text.class,
19                       true,
20                       map1Conf);
21  
22 JobConf map2Conf = new JobConf(false);
23 ChainMapper.addMapper(job,
24                       Map2.class,
25                       Text.class,
26                       Text.class,
27                       LongWritable.class,
28                       Text.class,
29                       true,
30                       map2Conf);
31  
32 JobConf reduceConf = new JobConf(false);
33 ChainReducer.setReducer(job,
34                         Reduce.class,
35                         LongWritable.class,
36                         Text.class,
37                         Text.class,
38                         Text.class,
39                         true,
40                         reduceConf);
41  
42 JobConf map3Conf = new JobConf(false);
43 ChainReducer.addMapper(job,
44                        Map3.class,
45                        Text.class,
46                        Text.class,
47                        LongWritable.class,
48                        Text.class,
49                        true,
50                        map3Conf);
51  
52 JobConf map4Conf = new JobConf(false);
53 ChainReducer.addMapper(job,
54                        Map4.class,
55                        LongWritable.class,
56                        Text.class,
57                        LongWritable.class,
58                        Text.class,
59                        true,
60                        map4Conf);
61  
62 JobClient.runJob(job);

driver首选会设置全局的JobConf对象，包含作业名、输入路径及输出路径等。它一次性添加这个由5个步骤链接在一起的作业，以步骤执行先后为序。它用ChainMapper.addMapper()添加位于Reduce之前的所有步骤。用静态的ChainReducer.setReducer()方法设置reducer。再用ChainReducer.addMapper()方法添加后续的步骤。全局JobConf对象经历所有的5个add＊方法。此外，每个mapper和reducer都有一个本地JobConf对象（map1Conf、map2Conf、map3Conf、map4Conf和reduceConf），其优先级在配置各自mapper/reducer时高于全局的对象。建议本地JobConf对象采用一个新的JobConf对象，且在初始化时不设默认值——new JobConf(false)。

让我们通过ChainMapper.addMapper()方法的签名来详细了解如何一步步地链接作业，其中ChainReducer.setReducer()的签名和功能与ChainReducer.addMapper()类似：

public static <k1, v1, k2, v2> void

addMapper(JobConf job,

Class <? extends Mapper<k1, v1, k2, v2>> class,

Class <? extends k1> inputKeyClass,

Class <? extends v1> inputValueClass,

Class <? extends k2> outputKeyClass,

Class <? extends v2> outputValueClass,

boolean byValue,

JobConf mapperConf)

该方法有8个参数，第一个和最后一个分别为全局和本地的JobConf对象。第二个参数klass是Mapper类，负责数据处理。对于byValue这个参数，如果确信map1的map()方法在调用OutoutCollector.collect(K k, V v)之后不再使用k和v的内容，或者map2并不改变k和v在其上的输入值，则可以通过设定buValue为false来获取一定的性能提升；如果对Mapper的内部代码不太了解，则可以通过设定byValue为true，确保Mapper会按预期的方式工作。余下的4个参数inputKeyClass、inputValueClass、outputKeyClass和outputValueClass是这个Mapper类中输入/输出类的类型。

2、联结不同来源数据

[Reduce侧的联结]

首先mapper接收的数据来自两个文件，Customers及Orders；
在map()封装输入的每个记录后，就执行MapReduce标准的分区、洗牌和排序操作；
reduce()函数接收输入数据，并对其值进行完全交叉乘积；
交叉乘积得到的每个合并结果被送入函数conbine()。

Hadoop有一个名为datajoin的contrib软件包，在hadoop中它是一个用作数据联结的通用框架，它的jar文件位于contrib/datajoin/hadoop-*-datajoin.jar。hadoop的datajoin软件包有3个可供继承和具体化的抽象类：DataJoinMapperBase、DataJoinReducerBase和TaggedMapOutput。顾名思义，MapClass会扩展DataJoinMapperBase，而Reduce类会扩展DataJoinReducerBase。Datajoin软件包已经分别在这些基类上实现了map()和reduce方法，可用于执行联结数据流。

代码清单来自两个reduce侧连接数据的内联结

  1 import java.io.DataInput;
  2 import java.io.DataOutput;
  3 import java.io.IOException;
  4 import java.util.Iterator;
  5  
  6 import org.apache.hadoop.conf.Configuration;
  7 import org.apache.hadoop.conf.Configured;
  8 import org.apache.hadoop.fs.Path;
  9 import org.apache.hadoop.io.Text;
 10 import org.apache.hadoop.io.Writable;
 11 import org.apache.hadoop.mapred.FileInputFormat;
 12 import org.apache.hadoop.mapred.FileOutputFormat;
 13 import org.apache.hadoop.mapred.JobClient;
 14 import org.apache.hadoop.mapred.JobConf;
 15 import org.apache.hadoop.mapred.KeyValueTextInputFormat;
 16 import org.apache.hadoop.mapred.MapReduceBase;
 17 import org.apache.hadoop.mapred.Mapper;
 18 import org.apache.hadoop.mapred.OutputCollector;
 19 import org.apache.hadoop.mapred.Reducer;
 20 import org.apache.hadoop.mapred.Reporter;
 21 import org.apache.hadoop.mapred.TextInputFormat;
 22 import org.apache.hadoop.mapred.TextOutputFormat;
 23 import org.apache.hadoop.util.Tool;
 24 import org.apache.hadoop.util.ToolRunner;
 25  
 26 import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;
 27 import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase;
 28 import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;
 29  
 30 public class DataJoin extends Configured implements Tool {
 31  
 32     public static class MapClass extends DataJoinMapperBase {
 33  
 34         protected Text generateInputTag(String inputFile) {
 35             String datasource = inputFile.split("-")[0];
 36             return new Text(datasource);
 37         }
 38  
 39         protected Text generateGroupKey(TaggedMapOutput aRecord) {
 40             String line = ((Text) aRecord.getData()).toString();
 41             String[] tokens = line.split(",");
 42             String groupKey = tokens[0];
 43             return new Text(groupKey);
 44         }
 45  
 46         protected TaggedMapOutput generateTaggedMapOutput(Object value) {
 47             TaggedWritable retv = new TaggedWritable((Text) value);
 48             retv.setTag(this.inputTag);
 49             return retv;
 50         }
 51     }
 52  
 53     public static class Reduce extends DataJoinReducerBase {
 54  
 55         protected TaggedMapOutput combine(Object[] tags, Object[] values) {
 56             if (tags.length < 2) return null;  
 57             String joinedStr = ""; 
 58             for (int i=0; i<values.length; i++) {
 59                 if (i > 0) joinedStr += ",";
 60                 TaggedWritable tw = (TaggedWritable) values[i];
 61                 String line = ((Text) tw.getData()).toString();
 62                 String[] tokens = line.split(",", 2);
 63                 joinedStr += tokens[1];
 64             }
 65             TaggedWritable retv = new TaggedWritable(new Text(joinedStr));
 66             retv.setTag((Text) tags[0]); 
 67             return retv;
 68         }
 69     }
 70  
 71     public static class TaggedWritable extends TaggedMapOutput {
 72  
 73         private Writable data;
 74  
 75         public TaggedWritable(Writable data) {
 76             this.tag = new Text("");
 77             this.data = data;
 78         }
 79  
 80         public Writable getData() {
 81             return data;
 82         }
 83  
 84         public void write(DataOutput out) throws IOException {
 85             this.tag.write(out);
 86             this.data.write(out);
 87         }
 88  
 89         public void readFields(DataInput in) throws IOException {
 90             this.tag.readFields(in);
 91             this.data.readFields(in);
 92         }
 93     }
 94  
 95     public int run(String[] args) throws Exception {
 96         Configuration conf = getConf();
 97  
 98         JobConf job = new JobConf(conf, DataJoin.class);
 99  
100         Path in = new Path(args[0]);
101         Path out = new Path(args[1]);
102         FileInputFormat.setInputPaths(job, in);
103         FileOutputFormat.setOutputPath(job, out);
104  
105         job.setJobName("DataJoin");
106         job.setMapperClass(MapClass.class);
107         job.setReducerClass(Reduce.class);
108  
109         job.setInputFormat(TextInputFormat.class);
110         job.setOutputFormat(TextOutputFormat.class);
111         job.setOutputKeyClass(Text.class);
112         job.setOutputValueClass(TaggedWritable.class);
113         job.set("mapred.textoutputformat.separator", ",");
114  
115         JobClient.runJob(job); 
116         return 0;
117     }
118  
119     public static void main(String[] args) throws Exception { 
120         int res = ToolRunner.run(new Configuration(),
121                                  new DataJoin(),
122                                  args);
123  
124         System.exit(res);
125     }
126 }

[转载请注明] http://www.cnblogs.com/zhengrunjian/

[Hadoop in Action] 第5章 高阶MapReduce

[Hadoop in Action] 第5章高阶MapReduce