** Hadoop框架基础（三）
上一节我们使用eclipse运行展示了hdfs系统中的某个文件数据，这一节我们简析一下离线计算框架MapReduce，以及通过eclipse来编写关于MapReduce的代码，在Hadoop第一小节内容中，我们成功运行了官方的WordCount的案例，这一节我们自己编写代码走一下这个流程。
本节目标：
* 了解mapreduce原理
* 编写wordcount的mapreduce案例
** MapReduce简述及架构
上图简单的阐明了map和reduce的两个过程或者作用，虽然不够严谨，但是足以提供一个大概的认知，map过程是一个蔬菜到制成食物前的准备工作，reduce将准备好的材料合并进而制作出食物的过程，举个例子（方案3可以对比蔬菜这个图片做一个简单理解）：
任务：我想检索全国的身份证信息，将姓名重复最多的名字统计出来。
想要完成这个任务，我们想一下方案
方案1：将全国的身份信息先搜集到某个文件中（比如搜集到“身份信息.txt”文件中），然后写一个程序，遍历该文件所有的名字，统计出名字出现最多的那个，并输出出来。
方案2：多线程，并发同时遍历处理该文件，但前提是：该计算机是物理多核CPU；而且还要手动分割文件，不然会出现内容重复统计，再者还要手动合并结果，做数据同步，效率比1高，但是代码逻辑比1麻烦的多。
方案3：我还是使用“方案1”的代码，把“方案1”的代码部署到多台计算机上，每台计算机遍历身份信息文件的一部分，统计出结果后，所有计算机做一个合并就OK了，但问题是，如何切分文件给所有的计算机，怎么切分合理，所有计算机的结果合并谁来处理，怎么合并。
其实mapreduce过程就是方案3。我们要学习的，也就是别人制定好的方案，并研究其合理性。
** MapReduce代码编写
目标：计算words.txt文档中的所有单词出现的次数，单词如图：
代码组成部分：
* map
如下图，首先创建WordCountMapper类，继承自org.apache.hadoop.mapreduce.Mapper类，然后复写其map方法，这个map方法会在整个框架需要进行map运算时自动调用的。map方法中，需要做的操作是将单词和出现次数放入map映射，比如这个例子，map过程结束后，出现的结果是：
<one, 1> <two, 1> <hadoop, 1> <element, 1> <dog, 1> <cat, 1> <go, 1> <for, 1> <cat, 1> <nick, 1> <hello, 1> <two, 1>
这里需要注意的是：
1、单词作为键
2、单词不管出现了几次，该键所对应的值都为1
3、map方法的参数，key为当前单词，value为分配给当前map任务的整个文本内容，所以后边要做一个split分割，后边的正则表达式的意思为：单词按照任意空白字符分割。
* reduce
如下图，首先创建WordCountReduce类，继承自org.apache.hadoop.mapreduce.Reducer类，然后覆写其reduce方法，这个reduce方法会在整个框架需要进行reduce运算时自动调用的。reduce方法中，需要做的操作是将map映射好的单词做合并处理（在shuffle过程讲解前，只能这样不太严谨的表述），reduce方法的key参数是当前传入到reduce方法中的单词，比如：cat这个单词，接着values参数，是这个cat单词所对应的映射，此例子为两个1。reduce过程，是将如下数据进行合并运算：
<one, [1]>
<two, [1, 1]>
<hadoop, [1]>
<element, [1]>
<dog, [1]>
<cat, [1, 1]>
<go, [1]>
<for, [1]>
<nick, [1]>
<hello, [1]>
那么对于cat这个单词来讲，reduce中的key参数就代表cat，values参数就代表[1, 1]，如此便可统计合并。最后出来的结果，比如cat这个单词，那么就是<cat, 2>
可能的疑惑：
1、map过程产生的<cat, 1>和<cat, 1>是怎么变成<cat, [1, 1]>从而传递给reduce的？
2、如果我这个words.txt文件有10T这么大，那么按照HDFS存储分割成好多个128M分布存储在各个主机，那到底是怎么来协调的。
如上两个问题需要涉及到map和reduce的之间的一些细节，即shuffle过程（后续在说）。
* job
编写完map和reduce代码后，最后需要创建一个任务来执行mapreduce运算，如下图，首先创建一个App类，继承自Configured并实现Tool接口，这里会让你覆写run方法。在run方法中，我们需要做的是：
1、创建配置实例Configuration
2、创建Job任务并设置Job任务所在类为App.class
3、为当前Job设置数据输入路径inPath
4、为当前Job设置map运算所在的那个类为WordCountMapper.class，设置map任务输出的结果类型，<cat, 1>这个类型当然是Text.class和LongWritable.class了
5、设置Job的reduce运算所在类，为WordCountReducer.class，设置reducer输出结果<cat, 2>的类型分别为Text.class和LongWritable.class。
6、设置Job任务的输出目录outPath
7、如果Job任务成功执行完毕，则返回0，否则返回1。
8、调用时，将输入目录和输出目录传入到args参数中，此时我直接默认：
args = new String[]{“/input/words/words.txt”, “/output/”};
最后通过如下两行代码，执行任务并退出系统。
int status = ToolRunner.run(app.getConf(), app, args);
System.exit(status);
其中的deleteFileInHDFS方法为之前自定义的Tools类中的方法，方法可以在HDFS系统中删除传入的目录，在这个例子里，每次执行都删除之前创建出来的output目录，原因在于在执行某个job任务前，输出目录不能为已经存在的目录，所以要么手动删除之前的目录，要么手动指定新目录。在此为了方便我选择了前者（因为对于本例来讲，之前那些输出数据不需要了）。
接着就可以运行该案例了，注意运行时，要先开启hdfs和yarn的相关服务，运行完成后，通过查看output目录的结果如图：
以上便完成了mapreduce关于wordcount单词统计的编码和运行。接下来，我们回忆一下之前使用官方examples.jar运行的单词统计任务，使用的命令是：
$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input/ /output/
那么我们也想使用类似的方式把自己的代码打成jar包之后调用，怎么玩呢。首先，既然是想手动传入输入数据和输出目录，那么就先把如下代码注释掉：
接着，我们开始打包程序：
1、在Eclipse中，依次点击：File — Export — Java — JAR file — Next
2、出现如下界面，这里我把JAR的输出目录改为：/home/z/Desktop/MyWordCount.jar，同时注意选择你要打包的源码，即src/main/java
3、下一步，再下一步，出现如下界面，注意红框部分，这里我们选择一个jar包的入口类，如果不选择，那么我们执行jar包时，还需要手动输入哪个类为入口类，最后Finish。（如果你的红框内容被遮挡住了，先Cancel下，然后全屏你的虚拟机系统，再次来到这个界面就能看到了）
4、桌面生成了一个Jar文件则成功。接下来我们通过这个jar来运行一下，输入指令：
$ bin/yarn jar /home/z/Desktop/MyWordCount.jar /input/words/words.txt /output/，如图所示，开始运行任务：
最后查看该任务结果：
成功运行！
** 最后我们对比两条命令
运行官方jar：$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /input/ /output/
运行自己jar：$ bin/yarn jar /home/z/Desktop/MyWordCount.jar /input/words/words.txt /output/
* 运行官方的jar时，除了指定某个位置的jar包运行在yarn平台上之外，还提供了wordcount任务名称，而我们自己写的没有，是因为我们封装的jar就一个单词统计任务，而且在封装jar时指定了主类。
* 运行官方提供的jar中的wordcount任务，提供的数据输入目录为/input/并没有指定哪个具体文件，是因为官方的demo中编写了自动遍历指定目录中所有可用的统计资源，而我们的代码中没有写这样的功能，所以请直接指定文件的绝对路径。
** 总结
本节需要大概了解mapreduce的运行原理，并成功使用eclipse编写mapreduce的单词统计任务，使之成功运行。最后完成jar包封装并成功调用。
IT全栈公众号：
QQ大数据技术交流群（广告勿入）：476966007
