Java--本地提交MapReduce作业至集群实现WordCount

还是那句话，看别人写的的总是觉得心累，代码一贴，一打包，扔到Hadoop上跑一遍就完事了？？？？写个测试样例程序（MapReduce中的Hello World）还要这么麻烦！！！？，还本地打Jar包，传到Linux上，最后再用jar命令运行jar包敲一遍in和out参数，我去，我是受不了了，我很捉急，。

我就想知道MapReduce的工作原理，而知道原理后，我就想在本地用Java程序跑一遍整个MapReduce的计算过程，这个很难吗？ 搜遍全网，没发现几个是自己想要的（也有可能漏掉了），都是可以参考的，但是零零散散不对胃口，不适合入门级“玩家”像我一样的人，最后，下定决心，看视频搜集资料，从头到尾的捋一下MapReduce的原理，以及如何在本地，通过编写map和reduce函数对一个文本文件中的单词进行出现次数的统计，并将结果输出到HDFS文件系统上

注: 本文最后，还会附上一套自己写的HDFS的文件操作Java API，使用起来也很方便，API还在不断的完善..

---

效果：

1、 HelloWorld文本

a b c de f a ca c b f

---

2、上传至HDFS的intput目录下

---

3、客户端提交Job，执行MapReduce

A、map的输出结果

---

B、reduce的输入结果（上一步map的输出）

---

C、reduce的计算结果（代码实现细节先暂时忽略，文章中会讲到）

---

D、最后，待任务全部完成，交由HDFS进行结果的文件写入

---

MapReduce中的分区默认是哈希分区，但是我们也可以自己写demo来重写Partitioner类的getPartiton方法，如下：

分区规则定后，我们需要指定客户端Job的map task的分区类并设置reducer的个数，如下

最后，提交Job跑一遍MapReduce的效果如下：

我们分别下载文件*.*-00000和*.*-00001至本地，并进行结果验证，效果如下：

分区0对应的reduce结果文件如下：

分区1对应的reduce结果文件如下：

至此，我用效果图的方式，给大家演示了一下MapReduce的前前后后究竟是如何进行map和reduce的，其中发生了什么，最后又发生了什么，很直观，但是，注意，效果图只能帮助你理解MapReduce最终能干什么，具体MapReduce内部的工作原理如何，我下面会继续讲到，而且，博文的末尾，我会附上本篇博文演示要用到的全demo。

---

一、什么是MapReduce

我们要数图书馆里面的所有书，你数1号书架，我数2号书架，他数3号书架...这就叫Map

现在我们把所有人统计的图书数加在（归并）一起，这就叫“Reduce”

合起来就是MapReduce【分布式大数据处理功能】！！！

详细的请查看：MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算

二、MapReduce执行过程

补充：

1、JobTracker 对应于 NameNode，TaskTracker 对应于 DataNode。

2、JobTracker是一个master服务，软件启动之后JobTracker接收Job，负责调度Job的每一个子任务task运行于TaskTracker上，并监控它们，如果发现有失败的task就重新运行它。一般情况应该把JobTracker部署在单独的机器上。

Client ：客户端提交一个Job给JobTracker

JobTracker ：调度Job的每一个mapper和reducer，并运行在TaskTracker上，并监控它们

Mapper ：拿到符合自己的InputSplit（输入内容），进行map后，输出MapOutPut（map的输出内容）

Reducer ： 拿到MapOutPut作为自己的ReduceInput，进行reduce计算，最后输出OutPut结果

三、MapReduce工作原理

注：reducer开始reduce之前，一定要等待mapper完成map后才能开始

第一步：Job读取存在于 HDFS文件系统上的文件作为Mapper的输入内容（key，value）并经过特殊的处理（map编程实现）交由Mapper Task

第二步：Mapper Task对map后的数据进行shuffle（洗牌，重组），包括分区、排序或合并（combine）

第三步：Mapper把shuffle后的输出结果（key，values）提供给对应的Reducer Task，由Reducer取走

第四步：Reducer拿到上一步Mapper的输出结果，进行reduce（客户端编程实现）

第五步：Reducer完成reduce计算后，将结果写入HDFS文件系统，不同的reducer对应不同的结果文件

粗犷的图（自己画的）如下

四、Shuffle过程简介

上图需要注意的就是shuffle过程中的分区，图中很直观的说明了，mapper最后会把key-value键值对数据（输入数据）从缓存中拿出（缓存数据溢出）并根据分区规则进行磁盘文件的写入（注意：这里的磁盘文件不是HDFS文件系统上的文件，且写入文件的内容已经是排序过的了），同时会对不同分区的key-value数据文件进行一个归并，最后分给不同的Reduce任务进行reduce处理，如果有多个Mapper,则Reducer从Map端获取的内容需要再次进行归并（把属于不同的Mapper但属于同一个分区的输出的结果进行归并，并在reduce端也进行shuffle过程，写入磁盘文件，最后进行reduce计算，reduce计算的结果最后以文件的形式输出到HDFS文件系统中）

五、Map端的Shuffle过程

需要知道的是：

1、缓存的大小是可以设置的（mapreduce.task.io.sort.mb，默认100M）

2、溢出比（缓存使用率有一个软阈值 ==mapreduce.map.sort.spill.percent，默认0.80），当超过阈值时，溢出行为会在后台起一个线程执行从而使Map任务不会因为缓存的溢出而被阻塞。但如果达到硬限制，Map任务会被阻塞，直到溢出行为结束

六、如何编写map和reduce函数

到这一步，如果你对MapReduce的工作原理已经掌握了，那么接下来，编写客户端程序，利用MapReduce的计算功能，实现文本文件中单词的出现次数的统计，将会是轻而易举的。

首先，我们需要一个mapper（任务），其次是reducer（任务），有了两个任务后，我们需要创建一个Job（作业），将mapper和reducer关联起来，并提交至Hadoop集群，由集群中的JobTracker进行mapper和reducer任务的调度，并最终完成数据的计算工作。

因此，不难发现，光有mapper和reducer任务，是无法进行MapReduce（分布式大数据计算）的，这里我们需要写三个类，一个是实现Map的类，一个是实现Reduce的类，还有一个就是提交作业的主类（Client Main Class）

由于博主的Hadoop版本是3.1.0的，因此，为了兼顾3.X以下的Hadoop集群环境能够在下面提供的demo中能够跑起来，特将本文中涉及到的Hadoop依赖换成了2.7.X的版本，如下：

注意：不要使用过时的hadoop-core（1.2.1）依赖，否则会出现各种意想不到的的问题

<dependency>    <groupId>org.apache.hadoopgroupId>    <artifactId>hadoop-commonartifactId>    <version>2.7.1version>dependency><dependency>    <groupId>org.apache.hadoopgroupId>    <artifactId>hadoop-hdfsartifactId>    <version>2.7.1version>dependency><dependency>    <groupId>org.apache.hadoopgroupId>    <artifactId>hadoop-clientartifactId>    <version>2.7.1version>dependency><dependency>    <groupId>jdk.toolsgroupId>    <artifactId>jdk.toolsartifactId>    <version>1.8version>    <scope>systemscope>    <systemPath>${JAVA_HOME}/lib/tools.jarsystemPath>dependency>

（1）编写Mapper

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;/** * Mapper 原型 ： Mapper *  * KEYIN    : 默认情况下，是mr框架所读到的一行文本内容的起始偏移量，Long, *            但是在hadoop中有自己的更精简的序列化接口，所以不直接用Long,而用LongWritable * VALUEIN  : 默认情况下，是mr框架所读到的一行文本的内容(Java String 对应 Hadoop中的Text) * KEYOUT   : 用户自定义逻辑处理完成之后输出数据中的key，在此处是单词(String)，同上用Text * VALUEOUT : 用户自定义逻辑处理完成之后输出数据中的value，在这里是单词的次数：Integer，对应Hadoop中的IntWritable *  * mapper的输入输出参数的类型必须和reducer的一致，且mapper的输出是reducer的输入 *  * @blob   http://blog.csdn.net/appleyk * @date   2018年7月3日15:41:13 */public class WordCountMapper extends Mapper{        /**     * map实现数据拆分的操作     * 本操作主要进行Map的数据处理     * 在Mapper父类里面接受的内容如下：     * LongWritable：文本内容的起始偏移量     * Text:每行的文本数据（行内容）     * Text:每个单词分解后的统计结果     * IntWritable：输出记录的结果     */     @Override     protected void map(LongWritable key, Text value,Context context)             throws IOException, InterruptedException {                System.out.println("文本内容的起始偏移量："+key);         String line = value.toString()    ;//取出每行的数据         String[] result  = line.split(" ");//按照空格进行数据拆分         //循环单词         for (int i = 0 ;i ){                       //针对每一个单词，构造一个key-value            System.out.println("key-value : <"+new Text(result[i])+","+new IntWritable(1)+">");                                    /**            * 将每个单词的key-value写入到输入输出上下文对象中            * 并传递给mapper进行shuffle过程，待所有mapper task完成后交由reducer进行对号取走            */             context.write(new Text(result[i]), new IntWritable(1));         }                  /**        map端的shuffle过程（大致简单的描述一下）          *                       |          *                       |  放缓存（默认100M，溢出比是0.8，即80M满进行磁盘写入并清空，          *                       |  剩余20M继续写入缓存，二者结合完美实现边写缓存边溢写（写磁盘））          *                       V          *               ,,,          *                                   *                       |          *                       | 缓存写满了，开始shuffle（洗牌、重组）  == 包括分区，排序，以及可进行自定的合并（combine）          *                       V               * 写入磁盘文件（not hdfs）并进行文件归并，成一个个的大文件 >,,             *           *                         |          *                         |          *                         V          *   每一个大文件都有各自的分区，有几个分区就对应几个reducer，随后文件被各自的reducer领走          *             *           !!! 这就是所谓的mapper的输入即是reducer的输出 !!!          */     }} 

（2）编写Reducer

　　

import java.io.IOException;import java.util.ArrayList;import java.util.List;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;/** * 进行合并后数据的最终统计 * 本次要使用的类型信息如下： * Text:Map输出的文本内容 * IntWritable:Map处理的个数 * Text:Reduce输出文本 * IntWritable:Reduce的输出个数 */public class WordCountReducer extends Reducer {       @Override    protected void reduce(Text key, Iterable values,Context context)                    throws IOException, InterruptedException {           //mapper的输出是reducer的输入，因此，这里打一下reducer的接收内容                List list = new ArrayList<>();            int sum = 0;//记录每个单词（key）出现的次数        for (IntWritable value : values) {            //从values集合里面取出key的单个频率数量（其实就是1）进行叠加            int num = value.get();            sum += num;            list.add(num);                  }               /**    * mapper会把一堆key-value进行shuffle操作，其中涉及分区、排序以及合并（combine）    * 注：上述shuffle中的的合并（combine）区别于map最终的的合（归）并（merge）    * 比如有三个键值对：,,    * combine的结果：,      == 被reducer取走，数据小    * merage 的结果；>,  == 被reducer取走，数据较大（相比较上述combine来说）    * 注：默认combiner是需要用户自定义进行开启的，所以，最终mapper的输出其实是归并（merage）后的的结果    *     * 所以，下面的打印其实就是想看一下mapper在shuffle这个过程后的merage结果（一堆key-values）    */    System.out.println("key-values :<"+key+","+list.toString().replace("[", "<")                .replace("]", ">")+">");            //打印一下reduce的结果    System.out.println("reduce计算结果 == key-value :<"+key+","+new IntWritable(sum)+">");    //最后写入到输入输出上下文对象里面，传递给reducer进行shuffle，待所有reducer task完成后交由HDFS进行文件写入    context.write(key, new IntWritable(sum));                 }} 

（3）编写Partition分区类（如果需要修改Map默认的哈希分区规则的话）

 1 import org.apache.hadoop.io.IntWritable; 2 import org.apache.hadoop.io.Text; 3 import org.apache.hadoop.mapreduce.Partitioner; 4  5 public class PartitionTest extends Partitioner { 6  7     /** 8      * key          : map的输出key  9      * value        : map的输出value 10      * numReduceTask: reduce的task数量11      * 返回值，指定reduce，从0开始12      * 比如，分区0交由reducer0拿走13      */14     @Override15     public int getPartition(Text key, IntWritable value, int numReduceTask) {16         17         if (key.toString().equals("a")) {18             //如果key的值等于a，则将其分区指定为0，对应第一个reducer拿走进行reduce19             return 0;20         } else {21             return 1;22         }23     }24 }

（4）编写Job类（Main Class）

 1 import org.apache.hadoop.conf.Configuration; 2 import org.apache.hadoop.fs.Path; 3 import org.apache.hadoop.io.IntWritable; 4 import org.apache.hadoop.io.Text; 5 import org.apache.hadoop.mapreduce.Job; 6 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 7 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 8  9 import com.appleyk.hdfs.mapper.WordCountMapper;10 import com.appleyk.hdfs.part.PartitionTest;11 import com.appleyk.hdfs.reducer.WordCountReducer;12 13 /**14  * Client端，提交作业15  * @author yukun24@126.com16  * @blob   http://blog.csdn.net/appleyk17  * @date   2018年7月3日-上午9:51:4918  */19 public class WordCountApp {20 21     public static void main(String[] args) throws Exception{22         23         Configuration conf = new Configuration();24         //配置uri25         conf.set("fs.defaultFS", "hdfs://192.168.142.138:9000");26     27         //创建一个作业，作业名"wordCount"，作用在Hadoop集群上（remote）28         Job job = Job.getInstance(conf, "wordCount");29         30         /**31          * 设置jar包的主类（如果样例demo打成Jar包扔在Linux下跑任务，32          * 需要指定jar包的Main Class,也就是指定jar包运行的主入口main函数）33          */34         job.setJarByClass(WordCountApp.class);35         36         //设置Mapper 任务的类（自己写demo实现map）37         job.setMapperClass(WordCountMapper.class);38         //设置Reducer任务的类（自己写demo实现reduce）39         job.setReducerClass(WordCountReducer.class);40 41         //指定mapper的分区类42         //job.setPartitionerClass(PartitionTest.class);43         44         //设置reducer（reduce task）的数量（从0开始）45         //job.setNumReduceTasks(2);46         47         48         //设置映射输出数据的键（key）  类（型）49         job.setMapOutputKeyClass(Text.class);50         //设置映射输出数据的值（value）类（型）51         job.setMapOutputValueClass(IntWritable.class);52 53         //设置作业（Job）输出数据的键（key）  类（型）   == 最后要写入到输出文件里面54         job.setOutputKeyClass(Text.class);55         //设置作业（Job）输出数据的值（value）类（型）   == 最后要写入到输出文件里面56         job.setOutputValueClass(IntWritable.class);57 58         //设置输入的Path列表（可以是单个文件也可以是多个文件（目录表示即可））59         FileInputFormat.setInputPaths (job, new Path("hdfs://192.168.142.138:9000/input" ));60         //设置输出的目录Path（确认输出Path不存在，如存在，请先进行目录删除）61         FileOutputFormat.setOutputPath(job, new Path("hdfs://192.168.142.138:9000/output"));62 63         //将作业提交到集群并等待它完成。64         boolean bb =job.waitForCompletion(true);65         66         if (!bb) {67             System.out.println("Job作业执行失败！");68         } else {69             System.out.println("Job作业执行成功！");70         }71     }72 73 }

（5）运行main方法，提交作业

出现异常：

Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z

由于作业是在本地（Windows）跑的，因此，这里遇到一个本地IO读写权限的问题，具体代码可以见NativeIO这个Java类的源码，在此处：

将源代码全部拷贝出来，在项目下新建一个同包名同类名称的文件如下：

打开后，修改代码如下（去掉验证）：

（6）再次运行main方法，提交作业

再次出现异常：

org.apache.hadoop.security.AccessControlException:Permission denied: user=Administrator, access=WRITE,inode="/":root:supergroup:drwxr-xr-x

意思是再说，我当前使用的user是Windows下的Administrator，但是在Hadoop的HDFS文件系统中，没有这个用户，因此，我想用Administrator这个用户向HDFS文件系统Write的时候出现权限不足的异常，因为HDFS文件系统根目录下的文件对其他用户来说，不具备w和r的权限

原本把mapreduce程序打包放在集群中跑是不用担心用户的hdfs权限问题的，但是，我一开始说了，我不想那么麻烦，无非就是Hadoop开启了HDFS文件系统的权限验证功能，我给它关了（开放）不就行了，因此，我决定直接在hdfs-site.xml配置文件里进行权限验证的修改，添加内容如下：

<property>    <name>dfs.permissionsname>    <value>falsevalue>property>

保存后，重启Hadoop集群

先stop，再start

（7）再次运行main方法，提交作业

16:55:44.385 [main] INFO org.apache.hadoop.mapreduce.Job -  map 100% reduce 100%16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)16:55:44.385 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getTaskCompletionEvents(Job.java:670)16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)16:55:44.386 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)16:55:44.387 [main] INFO org.apache.hadoop.mapreduce.Job - Job job_local539916280_0001 completed successfully16:55:44.388 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.getCounters(Job.java:758)16:55:44.407 [main] INFO org.apache.hadoop.mapreduce.Job - Counters: 35	File System Counters		FILE: Number of bytes read=560		FILE: Number of bytes written=573902		FILE: Number of read operations=0		FILE: Number of large read operations=0		FILE: Number of write operations=0		HDFS: Number of bytes read=46		HDFS: Number of bytes written=24		HDFS: Number of read operations=13		HDFS: Number of large read operations=0		HDFS: Number of write operations=4	Map-Reduce Framework		Map input records=3		Map output records=12		Map output bytes=72		Map output materialized bytes=102		Input split bytes=112		Combine input records=0		Combine output records=0		Reduce input groups=6		Reduce shuffle bytes=102		Reduce input records=12		Reduce output records=6		Spilled Records=24		Shuffled Maps =1		Failed Shuffles=0		Merged Map outputs=1		GC time elapsed (ms)=3		Total committed heap usage (bytes)=605028352	Shuffle Errors		BAD_ID=0		CONNECTION=0		IO_ERROR=0		WRONG_LENGTH=0		WRONG_MAP=0		WRONG_REDUCE=0	File Input Format Counters 		Bytes Read=23	File Output Format Counters 		Bytes Written=2416:55:44.407 [main] DEBUG org.apache.hadoop.security.UserGroupInformation - PrivilegedAction as:Administrator (auth:SIMPLE) from:org.apache.hadoop.mapreduce.Job.updateStatus(Job.java:320)Job作业执行成功！

ok，至此，本地执行mapreduce作业已经完成，接下来就是查看我们要的结果了

（8）利用Java HDFS API，打开/output/part-r-00000文件内容，输出到控制台

a b c de f a ca c b f

七、GitHub项目地址

Java HDFS API ，实现文件的存储和访问 并附带MapReduce作业，本地提交作业至集群实现Word Count的计算