Hadoop学习01:基础程序模板
2013-05-15 22:23
295 查看
看hadoop in action这本书,写的不错,就是没有兼容新的API,有点遗憾。
第一个例子讲倒排索引问题,本质上是求一个图的入度问题,将一个有向图邻接矩阵转置对每行求和。简单的协同推荐也是这样的思想。
基本的MapReduce编程遵循一个模板。逻辑由聚合函数来描述:分配型、代数型、全集型。
复杂MapReduce作业的链接:A->B->C(顺序型)、(A, B)->C(依赖型)。
1. MapReduce基础程序
首先以倒排索引为例子,形成MapReduce的基本思维。采用专利引用数据集cite75_99.txt,数据格式如下:
"CITING","CITED" 3858241,956203 ...
程序如下:
首先,习惯上用单个类来完整的定义一个MapReduce作业。Hadoop要求Mapper和Reducer必须是它们自身的静态类,作为MyJob的内部类简化代码管理,内部类是独立的。在作业执行期间,这两个类复制并运行在各个节点的JVM上,而MyJob的其他部分只运行在客户机上。
框架的核心是run()方法。其中Job对象保存节点运行的配置参数。Hadoop框架提供了ToolRunner、Tool、Configured简化实现。
(1)MyJob对象通过继承Configured类保持默认的配置参数。
(2)定制作业基本参数
包括输入路径、输出路径、Mapper类、Reducer类。
(3)定制作业属性
注意:InputFormat、OutputFormat分别与Mapper的输入参数、Reducer的输入参数对应;而OutputKey、OutputValue与中间键值对对应。
(4)启动作业
调用JobConf对象的waitForCompletion()方法启动作业。迭代过程在main方法中确定。
最后讲讲如何编译执行一个作业。第一步是编译并打包。
编译:javac -classpath [包路径] -d [.class生成路径] [源路径]
打包:jar -cvf [.jar生成路径] -C [.class路径] . (**最后一个点不能忘记)
执行:hadoop jar [.jar路径] [包内路径] [输入] [输出]
2.Mapper和Reducer
第一张图说明作业的运行,守护进程JobTracker运行在集群的主节点上,是应用程序和Hadoop之间的纽带;TaskTracker管理从节点上的Map和Reduce,并与JobTracker通信。
第二张图显示集群的拓扑结构。NameNode和JobTracker是主端,DataNode和TaskTracker是从端。
第三张图是普通MapReduce数据流,首先数据被分配到不同的节点上经过Map阶段,Map处理的是<K1,V1>这样的键值对,然后抛出<K2,V2>键值对到"shuffle"阶段;“shuffle”阶段经过洗牌把相同K2对应的键值对归到同一个桶里,形成<K2,Iterable<V2>>,输入Reduce阶段;Reduce阶段处理归并的键值对,抛出<K3,V3>写入Output路径。
思考:如何迭代的进行大数据计算呢?只要将中间结果存放在input路径中,在main函数中不停的调用即可。
思考:hadoop编程的核心是什么呢?从架构上是如何可靠的分布式进行分布式计算,从算法上是如何发挥并行算法的优势。
第一个例子讲倒排索引问题,本质上是求一个图的入度问题,将一个有向图邻接矩阵转置对每行求和。简单的协同推荐也是这样的思想。
基本的MapReduce编程遵循一个模板。逻辑由聚合函数来描述:分配型、代数型、全集型。
复杂MapReduce作业的链接:A->B->C(顺序型)、(A, B)->C(依赖型)。
1. MapReduce基础程序
首先以倒排索引为例子,形成MapReduce的基本思维。采用专利引用数据集cite75_99.txt,数据格式如下:
"CITING","CITED" 3858241,956203 ...
程序如下:
package org.apache.hadoop.examples; import java.io.IOException; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.lib.input.*; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; public class MyJob extends Configured implements Tool{ public static class MapClass extends Mapper<LongWritable, Text, Text, Text> { public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String[] citation = value.toString().split(","); context.write(new Text(citation[1]), new Text(citation[0])); } } public static class Reduce extends Reducer<Text, Text, Text, Text> { public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { String csv = ""; for (Text val : values) { if (csv.length() > 0) csv += ","; csv += val.toString(); } context.write(key, new Text(csv)); } } public int run(String[] args) throws Exception { Configuration conf = getConf(); Job job = new Job(conf, "MyJob"); job.setJarByClass(MyJob.class); Path in = new Path(args[0]); Path out = new Path(args[1]); FileInputFormat.setInputPaths(job, in); FileOutputFormat.setOutputPath(job, out); job.setMapperClass(MapClass.class); job.setReducerClass(Reduce.class); job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class); System.exit(job.waitForCompletion(true) ? 0 : 1); return 0; } public static void main(String[] args) throws Exception { int res = ToolRunner.run(new Configuration(), new MyJob(), args); System.exit(res); } }
首先,习惯上用单个类来完整的定义一个MapReduce作业。Hadoop要求Mapper和Reducer必须是它们自身的静态类,作为MyJob的内部类简化代码管理,内部类是独立的。在作业执行期间,这两个类复制并运行在各个节点的JVM上,而MyJob的其他部分只运行在客户机上。
框架的核心是run()方法。其中Job对象保存节点运行的配置参数。Hadoop框架提供了ToolRunner、Tool、Configured简化实现。
(1)MyJob对象通过继承Configured类保持默认的配置参数。
Configuration conf = getConf(); Job job = new Job(conf, "MyJob"); job.setJarByClass(MyJob.class);
(2)定制作业基本参数
包括输入路径、输出路径、Mapper类、Reducer类。
FileInputFormat.setInputPaths(job, in); FileOutputFormat.setOutputPath(job, out); job.setMapperClass(MapClass.class); job.setReducerClass(Reduce.class);
(3)定制作业属性
注意:InputFormat、OutputFormat分别与Mapper的输入参数、Reducer的输入参数对应;而OutputKey、OutputValue与中间键值对对应。
job.setInputFormatClass(TextInputFormat.class); job.setOutputFormatClass(TextOutputFormat.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(Text.class);
(4)启动作业
调用JobConf对象的waitForCompletion()方法启动作业。迭代过程在main方法中确定。
最后讲讲如何编译执行一个作业。第一步是编译并打包。
编译:javac -classpath [包路径] -d [.class生成路径] [源路径]
打包:jar -cvf [.jar生成路径] -C [.class路径] . (**最后一个点不能忘记)
执行:hadoop jar [.jar路径] [包内路径] [输入] [输出]
2.Mapper和Reducer
第一张图说明作业的运行,守护进程JobTracker运行在集群的主节点上,是应用程序和Hadoop之间的纽带;TaskTracker管理从节点上的Map和Reduce,并与JobTracker通信。
第二张图显示集群的拓扑结构。NameNode和JobTracker是主端,DataNode和TaskTracker是从端。
第三张图是普通MapReduce数据流,首先数据被分配到不同的节点上经过Map阶段,Map处理的是<K1,V1>这样的键值对,然后抛出<K2,V2>键值对到"shuffle"阶段;“shuffle”阶段经过洗牌把相同K2对应的键值对归到同一个桶里,形成<K2,Iterable<V2>>,输入Reduce阶段;Reduce阶段处理归并的键值对,抛出<K3,V3>写入Output路径。
思考:如何迭代的进行大数据计算呢?只要将中间结果存放在input路径中,在main函数中不停的调用即可。
思考:hadoop编程的核心是什么呢?从架构上是如何可靠的分布式进行分布式计算,从算法上是如何发挥并行算法的优势。
相关文章推荐
- 第一个程序01 - 零基础入门学习汇编语言20
- 包含多个段的程序01 - 零基础入门学习汇编语言29
- 第一个程序01 - 零基础入门学习汇编语言20
- 2014-11-18--Hadoop的基础学习(五)--编写不同MapReudce程序及其特性(下)
- 2014-11-17--Hadoop的基础学习(四)--编写不同MapReudce程序及其特性(上)
- Hadoop构建MapRedcue程序的基础模板
- Hadoop 2.5.1学习笔记8: 完整的程序模板
- Hadoop程序基础模板
- “肢解”Hadoop程序基础模板
- 循环控制结构程序01 - 零基础入门学习C语言16
- 循环控制结构程序01 - 零基础入门学习C语言16
- Hadoop 学习研究(三): MR程序的基础编写和提交
- 包含多个段的程序01 - 零基础入门学习汇编语言29
- 基础编程学习笔记一(程序的编译与调试)
- 【Bootstrap基础学习】01 Bootstrap的CSS
- 程序开发基础学习二(C++ Google Style 命名规则)
- iOS学习笔记-053.自定义View01——基础
- 自定义View学习笔记01—基础理论
- EA&UML日拱一卒-0基础学习微信小程序(10)-注册页面
- 零基础学习hadoop到上手工作线路指导(初级篇)