从WordCount到MapReduce计算模型

概述

虽然现在都在说大内存时代，不过内存的发展怎么也跟不上数据的步伐吧。所以，我们就要想办法减小数据量。这里说的减小可不是真的减小数据量，而是让数据分散开来。分开存储、分开计算。这就是 MapReduce 分布式的核心。

MapReduce 简介

要了解 MapReduce，首先要了解 MapReduce 的载体是什么。在 Hadoop 中，用于执行 MapReduce 任务的机器有两个角色：一个是 JobTracker，另一个是 TaskTracker。JobTracker 是用于管理和调度工作的，TaskTracker 是用于执行工作的。一个 Hadoop 集群中只有一台 JobTracker(当然在 Hadoop 2.x 中，一个 Hadoop 集群中可能有多个 JobTracker)。

MapReduce 原理

MapReduce 模型的精髓在于它的算法思想——分治。对于分治的过程可以参见我之前的一篇博客《大数据算法：对5亿数据进行排序》。还有就是可以去学习一下排序算法中的归并排序，在这个排序算法中就是基于分治思想的。

回归正题，在 MapReduce 模型中，可以把分治的这一概念表现得淋漓尽致。在处理大量数据的时候(比如说 1 TB，你别说没有这么多的数据，大公司这点数据也不算啥的)，如果只是单纯地依赖我们的硬件，就显得有些力不从心了。首先我们的内存没有那么大，如放在磁盘上处理，那么过多的 IO 操作无疑是一个死穴。聪明的 Google 工程师总是给我们这些渣渣带来惊喜，他们想把了把这些数据分散到许多机器上，在这些机器上完成一些初步的计算，再经过一系列的汇总，最后在我们的机器上(Master/Namenode)统计结果。

要知道我们不可能把我们的数据分散到随意的 N 台机器上。那么我们就必须让这些机器之间建立一种可靠的关联，这样的关联形成了一个计算机集群。这样我们的数据就可以分发到集群中的各个计算机上了。在 Hadoop 里这一操作可以通过 -put 这一指令实现，关于这一点在下面的操作过程中也有体现。

当数据被上传到 Hadoop 的 HDFS 文件系统上之后，就可以通过 MapReduce 模型中的 Mapper 先将数据读进内存，过程像下面这样：

经过 Mapper 的处理，数据会变成这样

好了，到了这里，Map 的过程就已经结束了。接下来就是 Reduce 的过程了。

可以看到这里有一个 conbin 的过程，这个过程，也可以没有的。而有的时候是一定不能有的，在后面我们可以会单独来说说这里的 conbin，不过不是本文的内容，就不详述了。

这样整个 MapReduce 过程就已经 over 了，下面看看具体的实现及测试结果吧。

WordCount 程序

关于 WordCount 的 MapReduce 计算模型可参见本人的在线绘图工具：https://www.processon.com/view/572bf161e4b0739b929916ea

需求分析

现在有大量的文件每个文件又有大量的单词要求统计每个单词的词频

逻辑实现

Mapper

public static class CoreMapper extends Mapper {

        private static final IntWritable one = new IntWritable(1);
        private static Text label = new Text();

        @Override
        protected void map(Object key, Text value, Mapper.Context context)
                throws IOException, InterruptedException {
            StringTokenizer tokenizer = new StringTokenizer(value.toString());
            while(tokenizer.hasMoreTokens()) {
                label.set(tokenizer.nextToken());
                context.write(label, one);
            }
        }
    }

Reducer

public static class CoreReducer extends Reducer {

        private IntWritable count = new IntWritable();

        @Override
        protected void reduce(Text key, Iterable values,
                Reducer.Context context)
                throws IOException, InterruptedException {
            if (null == values) {
                return;
            }

            int sum = 0;
            for (IntWritable intWritable : values) {
                sum += intWritable.get();
            }
            count.set(sum);

            context.write(key, count);
        }
    }

Client

public class ComputerClient extends Configuration implements Tool {

    public static void main(String[] args) {
        ComputerClient client = new ComputerClient();

        args = new String[] {
                AppConstant.INPUT,
                AppConstant.OUTPUT
        };

        try {
            ToolRunner.run(client, args);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    @Override
    public Configuration getConf() {
        return this;
    }

    @Override
    public void setConf(Configuration arg0) {
    }

    @Override
    public int run(String[] args) throws Exception {
        Job job = new Job(getConf(), "ComputerClient-job");
        job.setJarByClass(CoreComputer.class);

        job.setMapperClass(CoreComputer.CoreMapper.class);
        job.setCombinerClass(CoreComputer.CoreReducer.class);
        job.setReducerClass(CoreComputer.CoreReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        return job.waitForCompletion(true) ? 0 : 1;
    }
}

本地运行

关于本地运行没什么好说的，就是在 Eclipse 里配置好运行参数或是直接在代码里指定输入输出路径。然后 Run　As　一个　Hadoop　程序即可。

分布式运行

在分布式运行 MapReduce 的过程中，主要有以下几个步骤：

1. 打包

2. 上传源数据

3. 分布式运行

打包

在打包的过程中，可以使用命令行打包，也可以使用 Eclipse 自带的 Export。在 Eclipse 的打包导出过程中，与打包导出一个 Java 的 jar 过程是一样的。这里就不多说了。假设我们打成的 jar 包为： job.jar

上传源数据

上传源数据是指将本地的数据上传到 HDFS 文件系统上。

在上传源数据之前我们需要在 HDFS 上新建你需要上传的目标路径，然后使用下面的这条指令即可完成数据的上传。

$ hadoop fs -mkdir

$ hadoop fs -put

如果这里之前你不进行创建目录，上传过程会因为找不到目录而出现异常情况。

数据上传完成后，这些数据会分布在你整个集群的 DataNode 上，而不只是在你的本地机器上了。

分布式运行

等上面的所有事情已经就绪，那么就可以使用下面的 hadoop 指令运行我们的 hadoop 程序。

$ hadoop jar job.jar

结果视窗

打开浏览器

这里是程序中执行的过程中，进度的变化情况

 

 

下面是程序执行完成时的网页截图