1 概述

1.1 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 优缺点

1.2.1 优点

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。
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。
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。
适合 PB 级以上海量数据的离线处理。这里加红字体离线处理，说明它适合离线处理而不适合在线处理。比如像毫秒级别的返回一个结果，MapReduce 很难做到。

1.2.2 缺点

MapReduce 不擅长做实时计算、流式计算、DAG（有向图）计算。

实时计算。MapReduce 无法像 Mysql 一样，在毫秒或者秒级内返回结果
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。
DAG（有向图）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 核心思想

分布式的运算程序往往需要分成至少 2 个阶段。
第一个阶段的 maptask 并发实例，完全并行运行，互不相干。
第二个阶段的 reduce task 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。
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。

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：

MrAppMaster：负责整个程序的过程调度及状态协调。
MapTask：负责 map 阶段的整个数据处理流程。
ReduceTask：负责 reduce 阶段的整个数据处理流程

1.5 MapReduce 编程规范（八股文）

用户编写的程序分成三个部分：Mapper，Reducer，Driver(提交运行 mr 程序的客户端)

Mapper 阶段

用户自定义的 Mapper 要继承自己的父类
Mapper 的输入数据是 KV 对的形式（KV 的类型可自定义）
Mapper 中的业务逻辑写在 map()方法中
Mapper 的输出数据是 KV 对的形式（KV 的类型可自定义）
map()方法（maptask 进程）对每一个<K,V>调用一次

代码示例：

/**
 * @author huwenlong
 * @date 2019/1/27 17:17
 * 输入的key:行号
 * 输入的value:一行内容
 * 输出的key:单词
 * 输出的value:单词个数
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    private final Text text = new Text();

    private final IntWritable intWritable = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        // 一行内容转换为字符串
        String line = value.toString();
        // 切割成单词
        String[] words = line.split(" ");
        // 循环写出到下一阶段
        for(String word: words) {
            text.set(word);
            context.write(text, intWritable);
        }
    }
}

Reducer 阶段

用户自定义的 Reducer 要继承自己的父类
Reducer 的输入数据类型对应 Mapper 的输出数据类型，也是 KV
Reducer 的业务逻辑写在 reduce()方法中
Reducetask 进程对每一组相同 k 的<k,v>组调用一次 reduce()方法

代码示例

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @author huwenlong
 * @date 2019/1/27 18:09
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    private final Text text = new Text();
    private final IntWritable intWritable = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        String word = key.toString();
        Integer count = 0;
        for (IntWritable value: values) {
            count += value.get();
        }
        text.set(word);
        intWritable.set(count);
        context.write(text, intWritable);
    }
}

Driver 阶段
整个程序需要一个 Drvier 来进行提交，提交的是一个描述了各种必要信息的 job 对象
代码示例

/**
 * @author jiguang.qi
 * @date 2019/1/27 18:52
 */
public class WordCountDriver {

    static {
        try {
            System.load("D:/java/hadoop-2.9.2/bin/hadoop.dll");
        } catch (UnsatisfiedLinkError e) {
            System.err.println("Native code library failed to load." + e);
            System.exit(1);
        }
    }

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        // 1 获取配置信息
        Configuration configuration = new Configuration();
        // 开启 map 端输出压缩
        configuration.setBoolean("mapreduce.map.output.compress", true);
        // 设置 map 端输出压缩方式
        configuration.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);


        Job job = Job.getInstance(configuration);
        // 2 设置 jar 加载路径
        job.setJarByClass(WordCountDriver.class);
        // 3 设置 map 和 Reduce 类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);
        // 4 设置 map 输出
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        // 5 设置 Reduce 输出
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 如果不设置 InputFormat,它默认用的是 TextInputFormat.class
        job.setInputFormatClass(CombineTextInputFormat.class);
        CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
        CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

        // 设置 reduce 端输出压缩开启
        FileOutputFormat.setCompressOutput(job, true);
        // 设置压缩的方式
        FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
        // FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
        // FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class);

        FileInputFormat.setInputPaths(job, "D:\\file\\hadoop\\wordcount\\input");
        FileOutputFormat.setOutputPath(job, new Path("D:\\file\\hadoop\\wordcount\\output"));
        // 7 提交
        boolean result = job.waitForCompletion(true);
        System.exit(result ? 0 : 1);
    }

}

2 序列化

2.1 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。

2.2 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（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）或者是硬盘的持久化数据，转换成内存中的对象

2.3 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），精简、高效。

2.4 为什么序列化对 Hadoop 很重要？

因为 Hadoop 在集群之间进行通讯或者 RPC 调用的时候，需要序列化，而且要求序列化要快，且体积要小，占用带宽要小。所以必须理解 Hadoop 的序列化机制。
序列化和反序列化在分布式数据处理领域经常出现：进程通信和永久存储。然而 Hadoop中各个节点的通信是通过远程调用（RPC）实现的，那么 RPC 序列化要求具有以下特点：

紧凑：紧凑的格式能让我们充分利用网络带宽，而带宽是数据中心最稀缺的资
快速：进程通信形成了分布式系统的骨架，所以需要尽量减少序列化和反序列化的性能开销，这是基本的；
可扩展：协议为了满足新的需求变化，所以控制客户端和服务器过程中，需要直接引进相应的协议，这些是新协议，原序列化方式能支持新的协议报文；
互操作：能支持不同语言写的客户端和服务端进行交互；

2.5 常用数据序列化类型

常用的数据类型对应的 hadoop 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

2.6 自定义 bean 对象实现序列化接口（Writable）

自定义 bean 对象要想序列化传输，必须实现序列化接口，需要注意以下 7 项。

必须实现 Writable 接口
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
重写序列化方法

@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}

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();
}

注意反序列化的顺序和序列化的顺序完全一致
要想把结果显示在文件中，需要重写 toString()，属性之间用”\t”分开，方便后续用。
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 过程一定会对 key 进行排序。

@Override
public int compareTo(FlowBean o) {
// 倒序排列，从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}

3 核心框架原理

MapReduce数据流向如下图
在这里插入图片描述

3.1 InputFormat

1 切片机制
数据切片是逻辑上对输入数据进行分片，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。

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，每个切片分配一个map task并行实例处理
默认情况下，切片大小=块大小
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

InputFormat有如下几个实现类

TextInputFormat：默认的 InputFormat。每条记录是一行输入。键是 LongWritable 类型，
存储该行在整个文件中的字节偏移量。值是这行的内容，不包括任何行终止符（换行符和回
车符）
KeyValueTextInputFormat：每一行均为一条记录，被分隔符分割为 key，value。可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");来设定分隔符。默认分
隔符是 tab（\t）。
NLineInputFormat：如果使用 NlineInputFormat，代表每个 map 进程处理的 InputSplit 不再按 block 块去划分，而是按 NlineInputFormat 指定的行数 N 来划分。即输入文件的总行数/N=切片数，如果不整
除，切片数=商+1
CombineTextInputFormat：切片机制关于大量小文件的优化策略
1）默认情况下 TextInputformat 对任务的切片机制是按文件规划切片，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。
2）优化策略
（1）最好的办法，在数据处理系统的最前端（预处理/采集），将小文件先合并成大文件，再上传到 HDFS 做后续分析。
（2）补救措施：如果已经是大量小文件在 HDFS 中了，可以使用另一种 InputFormat来做切片（CombineTextInputFormat），它的切片逻辑跟 TextFileInputFormat 不同：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。（3）优先满足最小切片大小，不超过最大切片大小

// 如果不设置 InputFormat,它默认用的是 TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class)
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m