MapReduce
Hadoop中将数据切分成块存在HDFS不同的DataNode中，如果想汇总，按照常规想法就是，移动数据到统计程序：先把数据读取到一个程序中，再进行汇总。
但是HDFS存的数据量非常大时，对汇总程序所在的服务器将产生巨大压力，并且网络IO也十分消耗资源。
为了解决这种问题，MapReduce提出一种想法：将统计程序移动到DataNode，每台DataNode（就近）统计完再汇总，充分利用DataNode的计算资源。YARN的调度决定了MapReduce程序所在的Node。
MapReduce过程
- 确保数据存在HDFS上
- MapReduce提交给ResourceManager（RM），RM创建一个Job。
- 文件分片，默认将一个数据块作为一个分片。
- Job提交给RM，RM根据Node状态选择一台合适的Node调度AM，AM向RM申请资源，RM调度合适的NM启动Container，Container执行Task。
- Map的输出放入环形内存缓冲区，缓存溢出时，写入磁盘，写入磁盘有以下步骤
- 默认根据Hash分区，分区数取决于Reduce Task的数，相同Key的记录被送到相同Reduce处理
- 将Map输出的结果排序
- 将Map数据合并
- MapTask处理后产生多个溢出文件，会将多个溢出文件合并，生成一个经过分区和排序的MapOutFile(MOF)，这个过程称为Spill
- MOF输出到3%时开始进行Reduce Task
- MapTask与ReduceTask之间传输数据的过程称为Shuffle。
下面这个图描述了具体的流程
Hadoop Streaming
Hadoop中可以通过Java来编写MapReduce，针对不熟悉Java的开发者，Hadoop提供了通过可执行程序或者脚本的方式创建MapReduce的Hadoop Streaming。
Hadoop streaming处理步骤
hadoop streaming通过用户编写的map函数中标准输入读取数据（一行一行地读取），按照map函数的处理逻辑处理后，将处理后的数据由标准输出进行输出到下一个阶段。
reduce函数也是按行读取数据，按照函数的处理逻辑处理完数据后，将它们通过标准输出写到hdfs的指定目录中。
不管使用的是何种编程语言，在map函数中，原始数据会被处理成<key,value>的形式，但是key与value之间必须通过\t分隔符分隔，分隔符左边的是key，分隔符右边的是value,如果没有使用\t分隔符，那么整行都会被当作key
C#版MapReduce
首先，新增测试数据
vi mpdata I love Beijing I love China Beijing is the capital of China
然后，将文件上传到hdfs
[root@localhost ~]# hadoop fs -put mrdata /chesterdata
新建dotnet6的console项目mapper，修改Program.cs
using System;using System.Text.RegularExpressions;namespace mapper {class Program {staticvoid Main(string[] args) {string line;//Hadoop passes data to the mapper on STDINwhile((line = Console.ReadLine()) !=null) {// We only want words, so strip out punctuation, numbers, etc.var onlyText = Regex.Replace(line,@"\.|;|:|,|[0-9]|'","");// Split at whitespace.var words = Regex.Matches(onlyText,@"[\w]+");// Loop over the wordsforeach(var wordin words) {//Emit tab-delimited key/value pairs.//In this case, a word and a count of 1. Console.WriteLine("{0}\t1",word); } } } } }
发布mapper
cd /demo/dotnet/mapper/ dotnet publish-c Release -r linux-x64 /p:PublishSingleFile=true
新建dotnet6的console项目reducer，修改Program.cs
using System;using System.Collections.Generic;namespace reducer {class Program {staticvoid Main(string[] args) {//Dictionary for holding a count of words Dictionary<string,int> words =new Dictionary<string,int>();string line;//Read from STDINwhile ((line = Console.ReadLine()) !=null) {// Data from Hadoop is tab-delimited key/value pairsvar sArr = line.Split('\t');// Get the wordstring word = sArr[0];// Get the countint count = Convert.ToInt32(sArr[1]);//Do we already have a count for the word?if(words.ContainsKey(word)) {//If so, increment the count words[word] += count; }else {//Add the key to the collection words.Add(word, count); } }//Finally, emit each word and countforeach (var wordin words) {//Emit tab-delimited key/value pairs.//In this case, a word and a count of 1. Console.WriteLine("{0}\t{1}", word.Key, word.Value); } } } }
发布reducer
/demo/dotnet/reducer dotnet publish-c Release -r linux-x64 /p:PublishSingleFile=true
执行mapepr reduce
hadoop jar /usr/local/hadoop323/hadoop-3.2.3/share/hadoop/tools/lib/hadoop-streaming-3.2.3.jar -input /chesterdata/mrdata -output /dotnetmroutput -mapper"./mapper" -reducer"./reducer" -file /demo/dotnet/mapper/bin/Release/net6.0/linux-x64/publish/mapper -f /demo/dotnet/reducer/bin/Release/net6.0/linux-x64/publish/reducer
查看mapreduce结果
[root@localhost reducer]# hadoop fs -ls /dotnetmroutput-rw-r--r--1 root supergroup02022-05-0116:40 /dotnetmroutput/_SUCCESS-rw-r--r--1 root supergroup552022-05-0116:40 /dotnetmroutput/part-00000
查看part-00000内容
[root@localhost reducer]# hadoop fs -cat /dotnetmroutput/part-00000 Beijing2 China2 I2 capital1is1 love2 of1 the1
可以看到dotnet模式的Hadoop Streaming已经执行成功。
Python版MapReduce
使用与dotnet模式下同样的测试数据，编写mapper
# mapper.pyimport sysimport re p= re.compile(r'\w+')for linein sys.stdin: words= line.strip().split('')for wordin words: w= p.findall(word)if len(w) < 1:continue s= w[0].strip().lower()if s !="":print("%s\t%s" % (s, 1))
编写reducer
# reducer.pyimport sys res= dict()for word_onein sys.stdin: word, one= word_one.strip().split('\t')if wordin res.keys(): res[word]= res[word] + 1else: res[word]= 1print(res)
执行mapreduce
hadoop jar /usr/local/hadoop323/hadoop-3.2.3/share/hadoop/tools/lib/hadoop-streaming-3.2.3.jar -input /chesterdata/mrdata -output /mroutput -mapper"python3 mapper.py" -reducer"python3 reducer.py" -file /root/mapper.py -file /root/reducer.py
查看mapreduce结果
[root@localhost lib]# hadoop fs -ls /mroutput-rw-r--r--1 root supergroup02022-05-0105:00 /mroutput/_SUCCESS-rw-r--r--1 root supergroup892022-05-0105:00 /mroutput/part-00000
查看part-00000内容
[root@localhost lib]# hadoop fs -cat /mroutput/part-00000 {'beijing':2,'capital':1,'china':2,'i':2,'is':1,'love':2,'of':1,'the':1}
可以看到python模式的Hadoop Streaming已经执行成功。
