MapReduce处理过程

以下使用Hadoop的经典程序WordCount来说明MapReduce的处理过程，完整代码如下：

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class WordCount extends Configured implements Tool {

    String inputPath = "/path/to/input";
    String outputPath = "/path/to/output";
    
    public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {

        private final static IntWritable one = new IntWritable(1);
        private Text word = new Text();

        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            StringTokenizer itr = new StringTokenizer(value.toString());
            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                context.write(word, one);
            }
        }
    }

    public static class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new IntWritable();

        public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            for (IntWritable val : values) {
                sum += val.get();
            }
            result.set(sum);
            context.write(key, result);
        }
    }
    
    @Override
    public int run(String[] arg0) throws Exception {
        
        Job job = Job.getInstance(getConf(), "RunMain");
        job.setJarByClass(WordCount.class);
        
        FileInputFormat.addInputPath(job, new Path(inputPath));
        FileOutputFormat.setOutputPath(job, new Path(outputPath));
        
        job.setMapperClass(TokenizerMapper.class);
        job.setReducerClass(IntSumReducer.class);
        
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
                    
        return job.waitForCompletion(true) ? 0: 1;
    }
    
    public static void main(String[] args) throws Exception {       
        System.exit(ToolRunner.run(new WordCount(), args));
    }
}

输入数据：

Deer Bear River
Car Car River
Deer Car Bear

则以上的程序处理过程如下：

处理过程

上图中从Mapping阶段到Shuffling阶段，是一个网络传输过程，如果数据量非常庞大的时候，就会增加带宽的负担。Hadoop运行用户针对map任务的输出指定一个combiner函数，该函数的输出作为reduce函数的输入。

当以上程序指定reduce作为combiner的时候，在mapping输出到shuffling的阶段，在同一个节点计算的map任务，会首先把相同的单词进行第一次合并，比如上图中的三个map输出中，第二个map会做以下处理才发送到shuffling阶段：

Car,1
Car,1       ==>   Car,2
River,1           River,1

这样就会减少从map阶段到reduce阶段的网络传输量。

指定combiner的代码如下：

job.setCombinerClass(IntSumReducer.class);

这里要说明一个问题，以上是使用reduce的代码作为combiner，但是不是每个程序都可以这样处理，只有在reduce的输出与map的输出是一样的情况下，才可以这么使用。