大数据技术之 Hadoop（MapReduce）

最新推荐文章于 2025-04-10 23:09:44 发布

一凡888

最新推荐文章于 2025-04-10 23:09:44 发布

阅读量1.3k

点赞数

文章标签：大数据 hadoop mapreduce

本文链接：https://blog.csdn.net/HelloWowofei/article/details/131864969

版权

大数据技术之 Hadoop（MapReduce ）

——————————————————————————

第 1 章 MapReduce 概述

1.1 MapReduce 定义

MapReduce 是一个分布式运算程序的编程框架，是用户开发“基于 Hadoop 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。

1.2 MapReduce 优缺点

1.2.1 优点

1 ） MapReduce 易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量

廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一

样的。就是因为这个特点使得 MapReduce 编程变得非常流行。

2 ）良好的扩展性

当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。

3 ）高容错性

MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高

的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，

不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。

4 ）适合 PB 级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力。

1.2.2 缺点

1 ）不擅长实时计算

MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。

2 ）不擅长流式计算

流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。

这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

3 ）不擅长 DAG （有向无环图）计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，

MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，

会造成大量的磁盘 IO ，导致性能非常的低下。

1.3 MapReduce 核心思想

MapReduce 核心编程思想

Hadoop

Spark Hive

Hbase

Hadoop

Spark

…

Java php

Android

Html5

Bigdata

python

…

需求：统计其中每

一个单词出现的总

次数（查询结果：

a-p 一个文件， q-z

一个文件）

MapTask

ReduceTask

统计 a-p 开头的单词

统计 q-z 开头的单词

1 ） MapReduce 运算程序一般需要分成 2 个阶段：

Map 阶段和 Reduce 阶段

2 ） Map 阶段的并发 MapTask ，完全并行运行，互不

相干

3 ） Reduce 阶段的并发 ReduceTask ，完全互不相干，

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

分区 2(q-z)

分区 1(a-p)

1 ）读数据，并按行处理

2 ）按空格切分行内单词

3 ） KV 键值对（单词， 1 ）

4 ）将所有的 KV 键值对中的单

词，按照单词首字母，分成 2

个分区溢写到磁盘

输出结果

到文件

输出结果

到文件

1 ） MapTask 如何工作

2 ） ReduceTask 如何工作

4 ） MapTask 和

ReduceTask 之间如何衔接

3 ） MapTask 如何控制分

区、排序等

若干问题细节

输入数据

Map 阶段

输出数据

分区 1(a-p)

分区 2(q-z)

分区 1(a-p)

分区 2(q-z)

200m

100m

128m

72m

Reduce 阶段

（ 1 ）分布式的运算程序往往需要分成至少 2 个阶段。

（

2 ）第一个阶段的 MapTask 并发实例，完全并行运行，互不相干。

（

3 ）第二个阶段的 ReduceTask 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。

总结：分析 WordCount 数据流走向深入理解 MapReduce 核心思想。

1.4 MapReduce 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。

1.5 官方 WordCount 源码

采用反编译工具反编译源码，发现 WordCount 案例有 Map 类、 Reduce 类和驱动类。且

数据的类型是 Hadoop 自身封装的序列化类型。

1.6 常用数据序列化类型

Java 类型

Hadoop Writable 类型

Boolean

BooleanWritable

Byte

ByteWritable

Int

IntWritable

Float

FloatWritable

Long

LongWritable

Double

DoubleWritable

String

Text

Map

MapWritable

Array

ArrayWritable

Null

NullWritable

1.7 MapReduce 编程规范

用户编写的程序分成三个部分： Mapper 、 Reducer 和 Driver 。

MapReduce 编程规范

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

MapReduce 编程规范

（ 1 ）用户自定义的 Reducer 要继承自己的父类

2 ． Reducer 阶段

（ 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

相当于 YARN 集群的客户端，用于提交我们整个程序到 YARN 集群，提交的是

封装了 MapReduce 程序相关运行参数的 job 对象

1.8 WordCount 案例实操

1.8.1 本地测试

1 ）需求

在给定的文本文件中统计输出每一个单词出现的总次数

（ 1 ）输入数据

（

2 ）期望输出数据

atguigu 2

banzhang 1

cls 2

hadoop 1

jiao 1

ss 2

xue 1

2 ）需求分析

按照 MapReduce 编程规范，分别编写 Mapper ， Reducer ， Driver 。

hello.txt

3 ）环境准备

（ 1 ）创建 maven 工程， MapReduceDemo

（

2 ）在 pom.xml 文件中添加如下依赖

<groupId>org.apache.hadoop</groupId>

<artifactId> hadoop-client </artifactId>

</dependency>

<groupId>junit</groupId>

<artifactId> junit </artifactId>

</dependency>

</dependency>

</dependencies>

（

2 ）在项目的 src/main/resources 目录下，新建一个文件，命名为“ log4j.properties ”，在

文件中填入。

log4j.rootLogger= INFO , stdout

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/spring.log

log4j.appender.logfile.layout=org.apache.log4j.PatternLayout

log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（

3 ）创建包名： com.atguigu.mapreduce.wordcount

4 ）编写程序

需求：统计一堆文件中单词出现的个数（ WordCount 案例）

3 、 Mapper

5 、 Driver

4 、 Reducer

// 3.1 将 MapTask 传给我们的文本

内容先转换成 String

// 3.2 根据空格将这一行切分成单词

// 3.3 将单词输出为 < 单词， 1>

// 4.1 汇总各个 key 的个数

// 4.2 输出该 key 的总次数

// 5.1 获取配置信息，获取 job 对象实例

// 5.3 关联 Mapper/Reducer 业务类

// 5.4 指定 Mapper 输出数据的 kv 类型

// 5.5 指定最终输出的数据的 kv 类型

// 5.6 指定 job 的输入原始文件所在目录

// 5.7 指定 job 的输出结果所在目录

// 5.2 指定本程序的 jar 包所在的本地路径

// 5.8 提交作业

atguigu atguigu

atguigu

atguigu, 1

atguigu, 2

1 、输入数据

2 、输出数据

atguigu atguigu

ss ss

cls cls

jiao

banzhang

xue

hadoop

atguigu 2

banzhang1

cls

hadoop 1

jiao

xue

（ 1 ）编写 Mapper 类

package com.atguigu.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;

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,

IntWritable>{

Text k = new Text();

IntWritable v = new IntWritable(1);

@Override

protected void map(LongWritable key, Text value, Context context)

throws IOException, InterruptedException {

// 1 获取一行

String line = value.toString();

// 2 切割

String[] words = line.split(" ");

// 3 输出

for (String word : words) {

k.set(word);

context.write(k, v);

}

（

2 ）编写 Reducer 类

package com.atguigu.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class WordCountReducer extends Reducer<Text, IntWritable, Text,

IntWritable>{

int sum;

IntWritable v = new IntWritable();

@Override

protected void reduce(Text key, Iterable<IntWritable> values,Context

context) throws IOException, InterruptedException {

// 1 累加求和

sum = 0;

for (IntWritable count : values) {

sum += count.get();

}

// 2 输出

v.set(sum);

context.write(key,v);

}

（

3 ）编写 Driver 驱动类

package com.atguigu.mapreduce.wordcount;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

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;

public class WordCountDriver {

public static void main(String[] args) throws IOException,

ClassNotFoundException, InterruptedException {

// 1 获取配置信息以及获取 job 对象

Configuration conf = new Configuration();

Job job = Job.getInstance(conf);

// 2 关联本 Driver 程序的 jar

job.setJarByClass(WordCountDriver.class);

// 3 关联 Mapper 和 Reducer 的 jar

job.setMapperClass(WordCountMapper.class);

job.setReducerClass(WordCountReducer.class);

// 4 设置 Mapper 输出的 kv 类型

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(IntWritable.class);

// 5 设置最终输出 kv 类型

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(IntWritable.class);

// 6 设置输入和输出路径

FileInputFormat.setInputPaths(job, new Path(args[0]));

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

// 7 提交 job

boolean result = job.waitForCompletion(true);

System.exit(result ? 0 : 1);

}

5 ）本地测试

（ 1 ）需要首先配置好 HADOOP_HOME 变量以及 Windows 运行依赖

（

2 ）在 IDEA/Eclipse 上运行程序

1.8.2 提交到集群测试

集群上测试

（ 1 ）用 maven 打 jar 包，需要添加的打包插件依赖

<build>

<artifactId>maven-compiler-plugin</artifactId>

</configuration>

</plugin>

<artifactId>maven-assembly-plugin</artifactId>

<descriptorRef>jar-with-dependencies</descriptorRef>

</descriptorRefs>

</configuration>

<id>make-assembly</id>

<phase>package</phase>

<goals>

<goal>single</goal>

</goals>

</execution>

</executions>

</plugin>

</plugins>

</build>

注意：如果工程上显示红叉。在项目上右键 ->maven->Reimport 刷新即可。

（

2 ）将程序打成 jar 包

（ 3 ）修改不带依赖的 jar 包名称为 wc.jar ，并拷贝该 jar 包到 Hadoop 集群的

/opt/module/hadoop-3.1.3 路径。

（

4 ）启动 Hadoop 集群

[atguigu@hadoop102 hadoop-3.1.3]sbin/start-dfs.sh

[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh

（

5 ）执行 WordCount 程序

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop jar wc.jar

com.atguigu.mapreduce.wordcount.WordCountDriver

/user/atguigu/input

/user/atguigu/output

第 2 章 Hadoop 序列化

2.1 序列化概述

1 ） 什么是序列化

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）以便于存储到磁

盘（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）或者是磁盘的持久化数据，转换

成内存中的对象。

2 ） 为什么要序列化

一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能

由本地的进程使用，不能被发送到网络上的另外一台计算机。

然而序列化可以存储“活的”

对象，可以将“活的”对象发送到远程计算机。

3 ）为什么不用 Java 的序列化

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 ）。

4 ） Hadoop 序列化特点：

（

1 ）紧凑： 高效使用存储空间。

（

2 ）快速： 读写数据的额外开销小。

（

3 ）互操作： 支持多语言的交互

2.2 自定义 bean 对象实现序列化接口（ Writable ）

在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在 Hadoop 框架内部

传递一个 bean 对象，那么该对象就需要实现序列化接口。

具体实现 bean 对象序列化步骤如下 7 步。

（ 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

public FlowBean() {

super();

}

（

3 ）重写序列化方法

@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

@Override

public void readFields(DataInput in) throws IOException {

upFlow = in.readLong();

downFlow = in.readLong();

sumFlow = in.readLong();

}

（

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() ，可用 "\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 过程要求对 key 必须能排序。详见后面排序案例。

@Override

public int compareTo(FlowBean o) {

// 倒序排列，从大到小

return this.sumFlow > o.getSumFlow() ? -1 : 1;

}

2.3 序列化案例实操

1 ）需求

统计每一个手机号耗费的总上行流量、总下行流量、总流量

（ 1 ）输入数据

（

2 ）输入数据格式：

13560436666

120.196.100.99

1116

954

200

手机号码

网络 ip

上行流量下行流量网络状态码

（

3 ）期望输出数据格式

13560436666

1116

954

2070

手机号码

上行流量下行流量

总流量

2 ）需求分析

phone_data .txt

序列化案例分析

1 、需求：统计每一个手机号耗费的总上行流量、下行流量、总流量

2 、输入数据格式

13560436666 120.196.100.99 1116

954

200

Id 手机号码

网络 ip

上行流量下行流量网络状态码

3 、期望输出数据格式

13560436666 1116

954

2070

手机号码

上行流量

下行流量总流量

4 、 Map 阶段

（ 1 ）读取一行数据，切分字段

（ 2 ）抽取手机号、上行流量、下行流量

（ 3 ）以手机号为 key ， bean 对象为 value 输出，

即 context.write( 手机号 ,bean);

5 、 Reduce 阶段

（ 1 ）累加上行流量和下行流量得到总流量。

（ 4 ） bean 对象要想能够传输，必须实现序列化接口

13560436666 120.196.100.99 1116

954

200

13560436666 1116

954

手机号码

上行流量

下行流量

13560436666 1116

954

2070

手机号码

上行流量

下行流量总流量

3 ）编写 MapReduce 程序

（ 1 ）编写流量统计的 Bean 对象

package com.atguigu.mapreduce.writable;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;

import java.io.DataOutput;

import java.io.IOException;

//1 继承 Writable 接口

public class FlowBean implements Writable {

private long upFlow; // 上行流量

private long downFlow; // 下行流量

private long sumFlow; // 总流量

//2 提供无参构造

public FlowBean() {

}

//3 提供三个参数的 getter 和 setter 方法

public long getUpFlow() {

return upFlow;

}

public void setUpFlow(long upFlow) {

this.upFlow = upFlow;

}

public long getDownFlow() {

return downFlow;

}

public void setDownFlow(long downFlow) {

this.downFlow = downFlow;

}

public long getSumFlow() {

return sumFlow;

}

public void setSumFlow(long sumFlow) {

this.sumFlow = sumFlow;

}

public void setSumFlow() {

this.sumFlow = this.upFlow + this.downFlow;

}

//4 实现序列化和反序列化方法 , 注意顺序一定要保持一致

@Override

public void write(DataOutput dataOutput) throws IOException {

dataOutput.writeLong(upFlow);

dataOutput.writeLong(downFlow);

dataOutput.writeLong(sumFlow);

}

@Override

public void readFields(DataInput dataInput) throws IOException {

this.upFlow = dataInput.readLong();

this.downFlow = dataInput.readLong();

this.sumFlow = dataInput.readLong();

}

//5 重写 ToString

@Override

public String toString() {

return upFlow + "\t" + downFlow + "\t" + sumFlow;

}

（

2 ）编写 Mapper 类

package com.atguigu.mapreduce.writable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class FlowMapper extends Mapper<LongWritable, Text, Text, FlowBean>

{

private Text outK = new Text();

private FlowBean outV = new FlowBean();

@Override

protected void map(LongWritable key, Text value, Context context)

throws IOException, InterruptedException {

//1 获取一行数据 , 转成字符串

String line = value.toString();

//2 切割数据

String[] split = line.split("\t");

//3 抓取我们需要的数据 : 手机号 , 上行流量 , 下行流量

String phone = split[1];

String up = split[split.length - 3];

String down = split[split.length - 2];

//4 封装 outK outV

outK.set(phone);

outV.setUpFlow(Long.parseLong(up));

outV.setDownFlow(Long.parseLong(down));

outV.setSumFlow();

//5 写出 outK outV

context.write(outK, outV);

}

（

3 ）编写 Reducer 类

package com.atguigu.mapreduce.writable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean>

{

private FlowBean outV = new FlowBean();

@Override

protected void reduce(Text key, Iterable<FlowBean> values, Context

context) throws IOException, InterruptedException {

long totalUp = 0;

long totalDown = 0;

//1 遍历 values, 将其中的上行流量 , 下行流量分别累加

for (FlowBean flowBean : values) {

totalUp += flowBean.getUpFlow();

totalDown += flowBean.getDownFlow();

}

//2 封装 outKV

outV.setUpFlow(totalUp);

outV.setDownFlow(totalDown);

outV.setSumFlow();

//3 写出 outK outV

context.write(key,outV);

}

（

4 ）编写 Driver 驱动类

package com.atguigu.mapreduce.writable;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;

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.io.IOException;

public class FlowDriver {

public static void main(String[] args) throws IOException,

ClassNotFoundException, InterruptedException {

//1 获取 job 对象

Configuration conf = new Configuration();

Job job = Job.getInstance(conf);

//2 关联本 Driver 类

job.setJarByClass(FlowDriver.class);

//3 关联 Mapper 和 Reducer

job.setMapperClass(FlowMapper.class);

job.setReducerClass(FlowReducer.class);

//4 设置 Map 端输出 KV 类型

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(FlowBean.class);

//5 设置程序最终输出的 KV 类型

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(FlowBean.class);

//6 设置程序的输入输出路径

FileInputFormat.setInputPaths(job, new Path("D:\\inputflow"));

FileOutputFormat.setOutputPath(job, new Path("D:\\flowoutput"));

//7 提交 Job

boolean b = job.waitForCompletion(true);

System.exit(b ? 0 : 1);

}

第 3 章 MapReduce 框架原理

3.1 InputFormat 数据输入

3.1.1 切片与 MapTask 并行度决定机制

1 ）问题引出

MapTask 的并行度决定 Map 阶段的任务处理并发度，进而影响到整个 Job 的处理速度。

思考： 1G 的数据，启动 8 个 MapTask ，可以提高集群的并发处理能力。那么 1K 的数

据，也启动 8 个 MapTask ，会提高集群性能吗？ MapTask 并行任务是否越多越好呢？哪些因

素影响了 MapTask 并行度？

2 ） MapTask 并行度决定机制

数据块： Block 是 HDFS 物理上把数据分成一块一块。数据块是 HDFS 存储数据单位。

数据切片： 数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行

存储。数据切片是 MapReduce 程序计算输入数据的单位，一个切片会对应启动一个 MapTask 。

3.1.2 Job 提交流程源码和切片源码详解

1 ） Job 提交流程源码详解

waitForCompletion()

submit();

// 1 建立连接

connect();

// 1 ）创建提交 Job 的代理

new Cluster(getConfiguration());

// （ 1 ）判断是本地运行环境还是 yarn 集群运行环境

initialize(jobTrackAddr, conf);

// 2 提交 job

submitter.submitJobInternal(Job.this, cluster)

// 1 ）创建给集群提交数据的 Stag 路径

Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

// 2 ）获取 jobid ，并创建 Job 路径

JobID jobId = submitClient.getNewJobID();

// 3 ）拷贝 jar 包到集群

copyAndConfigureFiles(job, submitJobDir);

rUploader.uploadFiles(job, jobSubmitDir);

// 4 ）计算切片，生成切片规划文件

writeSplits(job, submitJobDir);

maps = writeNewSplits(job, jobSubmitDir);

input.getSplits(job);

// 5 ）向 Stag 路径写 XML 配置文件

writeConf(conf, submitJobFile);

conf.writeXml(out);

// 6 ）提交 Job, 返回提交状态

status = submitClient.submitJob(jobId, submitJobDir.toString(),

DataNode1

DataNode2

DataNode3

ss.avi

数据切片与 MapTask 并行度决定机制

MapTask

128M

128M 256M

256M 300M

MapTask

300M

128M

256M

100M 200M

2 ）每一个 Split 切片分配一个 MapTask 并行实例处理

3 ）默认情况下，切片大小 =BlockSize

4 ）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

1 ）一个 Job 的 Map 阶段并行度由客户端在提交 Job 时的切片数决定

100M

ss2.avi

DataNode4

100M

200M

1 、假设切片大小设置为 100M

2 、假设切片大小设置为 128M

job.getCredentials());

2 ） FileInputFormat 切片源码解析（ input.getSplits(job) ）

FileInputFormat 切片源码解析

（ 1 ）程序先找到你数据存储的目录。

（ 2 ）开始遍历处理（规划切片）目录下的每一个文件

（ 3 ）遍历第一个文件 ss.txt

a ）获取文件大小 fs.sizeOf(ss.txt)

b ）计算切片大小

computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

c ）默认情况下，切片大小 =blocksize

d ）开始切，形成第 1 个切片： ss.txt—0:128M 第 2 个切片 ss.txt—128:256M 第 3 个切片 ss.txt—256M:300M

（每次切片时，都要判断切完剩下的部分是否大于块的 1.1 倍，不大于 1.1 倍就划分一块切片）

e ）将切片信息写到一个切片规划文件中

f ）整个切片的核心过程在 getSplit() 方法中完成

g ） InputSplit 只记录了切片的元数据信息 ，比如起始位置、长度以及所在的节点列表等。

（ 4 ）提交切片规划文件到 YARN 上， YARN 上的 MrAppMaster 就可以根据切片规划文件计算开启 MapTask 个数。

Job 提交流程源码解析

Configuration conf=new Configuration();

Job=job.getInstance(conf);

… …

Job.waitForCompletion(true)

Job.submit();

MR 程序运行在本地

模拟器

yarn

JobSubmiter

Cluster 成员

proxy

YarnRunner

LocalJobRunner

stagingDir

File://..../.staging

hdfs://..../.staging

jobid

file://..../.staging/jobid

hdfs://..../.staging/jobid

调用

FileInputFormat.ge

tSplits() 获取切片

规划，并序列化成

文件

Job.split

Job.xml

将 Job 相关参数

写到文件

如果是 yarnRunner,

还需要获取 Job 的

jar 包

xxx.jar

file://..../.staging/jobid/job.split

hdfs://..../.staging/jobid/job.split

file://..../.staging/jobid/job.xml

hdfs://..../.staging/jobid/job.xml

hdfs://..../.staging/jobid/job.jar

3.1.3 FileInputFormat 切片机制

FileInputFormat 切片大小的参数配置

（ 1 ） 源码中计算切片大小的公式

Math.max( minSize , Math.min( maxSize , blockSize ));

mapreduce.input.fileinputformat.split.minsize= 1 默认值为 1

mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值 Long.MAXValue

因此，默认情况下，切片大小 =blocksize 。

（ 2 ）切片大小设置

maxsize （切片最大值）：参数如果调得比 blockSize 小，则会让切片变小，而且就等于配置的这个参数的值。

minsize （切片最小值）：参数调的比 blockSize 大，则可以让切片变得比 blockSize 还大。

（

3 ）获取切片信息 API

// 获取切片的文件名称

String name = inputSplit.getPath().getName();

// 根据文件类型获取切片信息

FileSplit inputSplit = (FileSplit) context.getInputSplit();

3.1.4 TextInputFormat

1 ） FileInputFormat 实现类

思考：在运行 MapReduce 程序时，输入的文件格式包括：基于行的日志文件、二进制

格式文件、数据库表等。那么，针对不同的数据类型， MapReduce 是如何读取这些数据的呢？

FileInputFormat 常见的接口实现类包括： TextInputFormat 、 KeyValueTextInputFormat 、

NLineInputFormat 、 CombineTextInputFormat 和自定义 InputFormat 等。

2 ） TextInputFormat

TextInputFormat 是默认的 FileInputFormat 实现类。按行读取每条记录。键是存储该行在

FileInputFormat 切片机制

（ 1 ）简单地按照文件的内容长度进行切片

（ 2 ）切片大小，默认等于 Block 大小

（ 3 ）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

（ 1 ）输入数据有两个文件：

file1.txt

320M

file2.txt

10M

（ 2 ）经过 FileInputFormat 的切片机制

运算后，形成的切片信息如下：

file1.txt.split1--

0~128

file1.txt.split2--

128~256

file1.txt.split3--

256~320

file2.txt.split1--

0~10M

1 、切片机制

2 、案例分析

整个文件中的起始字节偏移量， LongWritable 类型。值是这行的内容，不包括任何行终止

符（换行符和回车符）， Text 类型。

以下是一个示例，比如，一个分片包含了如下 4 条文本记录。

Rich learning form

Intelligent learning engine

Learning more convenient

From the real demand for more close to the enterprise

每条记录表示为以下键 / 值对：

(0,Rich learning form)

(20,Intelligent learning engine)

(49,Learning more convenient)

(74,From the real demand for more close to the enterprise)

3.1.5 CombineTextInputFormat 切片机制

框架默认的 TextInputFormat 切片机制是对任务按文件规划切片，不管文件多小，都会

是一个单独的切片，都会交给一个 MapTask ，这样如果有大量小文件，就会产生大量的

MapTask ，处理效率极其低下。

1 ）应用场景：

CombineTextInputFormat 用于小文件过多的场景，它可以将多个小文件从逻辑上规划到

一个切片中，这样，多个小文件就可以交给一个 MapTask 处理。

2 ）虚拟存储切片最大值设置

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304 );// 4m

注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。

3 ）切片机制

生成切片过程包括：虚拟存储过程和切片过程二部分。

CombineTextInputFormat 切片机制

a.txt

1.7M

b.txt

5.1M

c.txt

3.4M

d.txt

6.8M

虚拟存储过程

1.7M<4M 划分一块

setMaxInputSplitSize 值为 4M

5.1M>4M 但是小于 2*4M 划分二块

块 1=2.55M ；块 2=2.55M

3.4M<4M 划分一块

6.8M>4M 但是小于 2*4M 划分二块

块 1=3.4M ；块 2=3.4M

切片过程

最终存储的文件

1.7M

2.55M

3.4M

（

a ）判断虚拟存储的文件大小是否大于

setMaxInputSplitSize 值，大于等于则单独形成

一个切片。

（

b ）如果不大于则跟下一个虚拟存储文件

进行合并，共同形成一个切片。

最终会形成 3 个切片，大小分别为：

（ 1.7+2.55 ） M ，（

2.55+3.4 ） M ，（

3.4+3.4 ） M

（ 1 ）虚拟存储过程：

将输入目录下所有文件大小，依次和设置的 setMaxInputSplitSize 值比较，如果不

大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，

那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值 2 倍，此时

将文件均分成 2 个虚拟存储块（防止出现太小切片）。

例如 setMaxInputSplitSize 值为 4M ，输入文件大小为 8.02M ，则先逻辑上分成一个

4M 。剩余的大小为 4.02M ，如果按照 4M 逻辑划分，就会出现 0.02M 的小的虚拟存储

文件，所以将剩余的 4.02M 文件切分成（ 2.01M 和 2.01M ）两个文件。

（

2 ）切片过程：

（

a ）判断虚拟存储的文件大小是否大于 setMaxInputSplitSize 值，大于等于则单独

形成一个切片。

（

b ）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。

（

c ）测试举例：有 4 个小文件大小分别为 1.7M 、 5.1M 、 3.4M 以及 6.8M 这四个小

文件，则虚拟存储之后形成 6 个文件块，大小分别为：

1.7M ，（ 2.55M 、 2.55M ）， 3.4M 以及（ 3.4M 、 3.4M ）

最终会形成 3 个切片，大小分别为：

（ 1.7+2.55 ） M ，（ 2.55+3.4 ） M ，（ 3.4+3.4 ） M

3.1.6 CombineTextInputFormat 案例实操

1 ）需求

将输入的大量小文件合并成一个切片统一处理。

（ 1 ）输入数据

准备 4 个小文件

a.txt

b.txt

c.txt

d.txt

（

2 ）期望

期望一个切片处理 4 个文件

2 ）实现过程

（ 1 ）不做任何处理，运行 1.8 节的 WordCount 案例程序，观察切片个数为 4 。

number of splits:4

（

2 ）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 3 。

（

a ）驱动类中添加代码如下：

// 如果不设置 InputFormat ，它默认用的是 TextInputFormat.class

job.setInputFormatClass(CombineTextInputFormat.class);

// 虚拟存储切片最大值设置 4m

CombineTextInputFormat.setMaxInputSplitSize(job, 4194304 );

（

b ）运行如果为 3 个切片。

number of splits:3

（

3 ）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 1 。

（

a ）驱动中添加代码如下：

// 如果不设置 InputFormat ，它默认用的是 TextInputFormat.class

job.setInputFormatClass(CombineTextInputFormat.class);

// 虚拟存储切片最大值设置 20m

CombineTextInputFormat.setMaxInputSplitSize(job, 20971520 );

（

b ）运行如果为 1 个切片

number of splits:1

3.2 MapReduce 工作流程

MrappMaster

<a,1><a,1><c,1><e,1>

<b,1><b,1><b,1><f,1>

10 Merge

归并排序

partition0

partition1

<g,1>

<h,1>

10 Merge

归并排序

partition0

partition1

<g,1>

<b,1><b,1><b,1><f,1>

<h,1>

<a,1><a,1><c,1><e,1><g,1>

MapTask1

MapTask2

GroupingComparator(k,knext)

13 下载到 ReduceTask 本地磁盘

13 合并文件归并排序

Reduce(k,v)

Context.write(kv)

Reducer

OutPutFormat

RecordWriter

Write(k,v)

a 2

b 1

c 1

d 1

…

Part-r-000000

16 默认 TextOutputFormat

ReduceTask1

ReduceTask2

14 一次读取一组

Reduce(k,v)

Context.write(kv)

Reducer

OutPutFormat

RecordWriter

Write(k,v)

a 2

b 1

c 1

d 1

…

Part-r-000001

默认 TextOutputFormat

MapReduce 详细工作流程（二）

12 所有 MapTask 任务完成后，启动相

应数量的 ReduceTask ，并告知

ReduceTask 处理数据范围（数据分区）

15 分组

上面的流程是整个 MapReduce 最全工作流程，但是 Shuffle 过程只是从第 7 步开始到第

16 步结束，具体 Shuffle 过程详解，如下：

（ 1 ） MapTask 收集我们的 map() 方法输出的 kv 对，放到内存缓冲区中

（

2 ）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件

（

3 ）多个溢出文件会被合并成大的溢出文件

（

4 ）在溢出过程及合并的过程中，都要调用 Partitioner 进行分区和针对 key 进行排序

（

5 ） ReduceTask 根据自己的分区号，去各个 MapTask 机器上取相应的结果分区数据

（

6 ） ReduceTask 会抓取到同一个分区的来自不同 MapTask 的结果文件， ReduceTask 会

MapReduce 详细工作流程（一）

…

1 待处理文本

/user/input

Mrappmaster

NodeManager

客户端

2 客户端 submit() 前，获

取待处理数据的信息，然

后根据参数配置，形成一

个任务分配的规划。

ss.txt 0-128

ss.txt 128-200

ss.txt

200m

Job.split

wc.jar

Job.xml

Yarn

InputFormat

MapTask1

Mapper

outputCollector

K,v

map(K,v)

Context.write(k,v)

ss.txt 0-128

3 提交信息

4 计算出 MapTask 数量

5 默认

TextInputFormat

6 逻辑运算

RecorderReader

K,v

reader()

分区 1

快排

<a,1><c,1>

<b,1><b,1>

9 溢出到文件（分区且区内有序）

<a,1><e,1>

<b,1><f,1>

<a,1><c,1>

<b,2>

<a,1><a,1><c,1><e,1>

<b,1><b,1><b,1><f,1>

<a,2><c,1><e,1>

<b,3><f,1>

10 Merge 归并排序

分区 1

分区 2

MapTask2

<g,1>

<h,1>

Merge 归并排序

分区 1

分区 2

… …

ss.txt 128-200

8 分区、排序

11 合并

7 向环形缓冲区

写入 <k,v> 数据

kvindex

bufindex

<k,v>

kvmeta

默认 100M

80%, 后反向

分区 2

快排

Combiner 合并

索引

数据

… …

index

partition

keystart

valstart

key

value

unsued