[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
Configuration conf = getConf();<br/>
JobConf job = new JobConf(conf);
job.setJobName("ChainJob");<br/>
job.setInputFormat(TextInputFormat.class);<br/>
job.setOutputFormat(TextOutputFormat.class);
FileInputFormat.setInputPaths(job, in);<br/>
FileOutputFormat.setOutputPath(job, out);
JobConf map1Conf = new JobConf(false);<br/>
ChainMapper.addMapper(job,<br/>
Map1.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
Text.class,<br/>
Text.class,<br/>
true,<br/>
map1Conf);
JobConf map2Conf = new JobConf(false);<br/>
ChainMapper.addMapper(job,<br/>
Map2.class,<br/>
Text.class,<br/>
Text.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
true,<br/>
map2Conf);
JobConf reduceConf = new JobConf(false);<br/>
ChainReducer.setReducer(job,<br/>
Reduce.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
Text.class,<br/>
Text.class,<br/>
true,<br/>
reduceConf);
JobConf map3Conf = new JobConf(false);<br/>
ChainReducer.addMapper(job,<br/>
Map3.class,<br/>
Text.class,<br/>
Text.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
true,<br/>
map3Conf);
JobConf map4Conf = new JobConf(false);<br/>
ChainReducer.addMapper(job,<br/>
Map4.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
LongWritable.class,<br/>
Text.class,<br/>
true,<br/>
map4Conf);
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
import java.io.DataInput;<br/>
import java.io.DataOutput;<br/>
import java.io.IOException;<br/>
import java.util.Iterator;
import org.apache.hadoop.conf.Configuration;<br/>
import org.apache.hadoop.conf.Configured;<br/>
import org.apache.hadoop.fs.Path;<br/>
import org.apache.hadoop.io.Text;<br/>
import org.apache.hadoop.io.Writable;<br/>
import org.apache.hadoop.mapred.FileInputFormat;<br/>
import org.apache.hadoop.mapred.FileOutputFormat;<br/>
import org.apache.hadoop.mapred.JobClient;<br/>
import org.apache.hadoop.mapred.JobConf;<br/>
import org.apache.hadoop.mapred.KeyValueTextInputFormat;<br/>
import org.apache.hadoop.mapred.MapReduceBase;<br/>
import org.apache.hadoop.mapred.Mapper;<br/>
import org.apache.hadoop.mapred.OutputCollector;<br/>
import org.apache.hadoop.mapred.Reducer;<br/>
import org.apache.hadoop.mapred.Reporter;<br/>
import org.apache.hadoop.mapred.TextInputFormat;<br/>
import org.apache.hadoop.mapred.TextOutputFormat;<br/>
import org.apache.hadoop.util.Tool;<br/>
import org.apache.hadoop.util.ToolRunner;
import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase;<br/>
import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase;<br/>
import org.apache.hadoop.contrib.utils.join.TaggedMapOutput;
public class DataJoin extends Configured implements Tool {
public static class MapClass extends DataJoinMapperBase {
protected Text generateInputTag(String inputFile) {<br/>
String datasource = inputFile.split("-")[0];<br/>
return new Text(datasource);<br/>
}
protected Text generateGroupKey(TaggedMapOutput aRecord) {<br/>
String line = ((Text) aRecord.getData()).toString();<br/>
String[] tokens = line.split(",");<br/>
String groupKey = tokens[0];<br/>
return new Text(groupKey);<br/>
}
protected TaggedMapOutput generateTaggedMapOutput(Object value) {<br/>
TaggedWritable retv = new TaggedWritable((Text) value);<br/>
retv.setTag(this.inputTag);<br/>
return retv;<br/>
}<br/>
}
public static class Reduce extends DataJoinReducerBase {
protected TaggedMapOutput combine(Object[] tags, Object[] values) {<br/>
if (tags.length < 2) return null;<br/>
String joinedStr = "";<br/>
for (int i=0; i<values.length; i++) {<br/>
if (i > 0) joinedStr += ",";<br/>
TaggedWritable tw = (TaggedWritable) values[i];<br/>
String line = ((Text) tw.getData()).toString();<br/>
String[] tokens = line.split(",", 2);<br/>
joinedStr += tokens[1];<br/>
}<br/>
TaggedWritable retv = new TaggedWritable(new Text(joinedStr));<br/>
retv.setTag((Text) tags[0]);<br/>
return retv;<br/>
}<br/>
}
public static class TaggedWritable extends TaggedMapOutput {
private Writable data;
public TaggedWritable(Writable data) {<br/>
this.tag = new Text("");<br/>
this.data = data;<br/>
}
public Writable getData() {<br/>
return data;<br/>
}
public void write(DataOutput out) throws IOException {<br/>
this.tag.write(out);<br/>
this.data.write(out);<br/>
}
public void readFields(DataInput in) throws IOException {<br/>
this.tag.readFields(in);<br/>
this.data.readFields(in);<br/>
}<br/>
}
public int run(String[] args) throws Exception {<br/>
Configuration conf = getConf();
JobConf job = new JobConf(conf, DataJoin.class);
Path in = new Path(args[0]);<br/>
Path out = new Path(args[1]);<br/>
FileInputFormat.setInputPaths(job, in);<br/>
FileOutputFormat.setOutputPath(job, out);
job.setJobName("DataJoin");<br/>
job.setMapperClass(MapClass.class);<br/>
job.setReducerClass(Reduce.class);
job.setInputFormat(TextInputFormat.class);<br/>
job.setOutputFormat(TextOutputFormat.class);<br/>
job.setOutputKeyClass(Text.class);<br/>
job.setOutputValueClass(TaggedWritable.class);<br/>
job.set("mapred.textoutputformat.separator", ",");
JobClient.runJob(job);<br/>
return 0;<br/>
}
public static void main(String[] args) throws Exception {<br/>
int res = ToolRunner.run(new Configuration(),<br/>
new DataJoin(),<br/>
args);
System.exit(res);<br/>
}<br/>
}
[转载请注明] http://www.cnblogs.com/zhengrunjian/
转发申明：
本文转自互联网，由小站整理并发布，在于分享相关技术和知识。版权归原作者所有，如有侵权，请联系本站，将在24小时内删除。谢谢
