一、境遇
接触Hadoop已经有半年了，从Hadoop集群搭建到Hive、HBase、Sqoop相关组件的安装，甚至Spark on Hive、Phoenix、Kylin这些边缘的项目都有涉及。如果说部署，我自认为可以没有任何问题，但是如果说我对于这个系统已经掌握了，我却不敢这么讲，因为至少MapReduce我还没有熟悉，其工作机制也只是一知半解。关于MapReduce的运算，我差不多理解了，但是实际实现现在却只能靠找到的代码，真的是惭愧的很。
于是再也忍不住，一定要有点自己的东西，最起码，写的时候不用去找别人的博客，嗯，找自己的就行。
二、实验
1、实验过程
最开始实验的是最简单的去重MapReduce，在本地文件实验时没有任何问题，但把文件放到HDFS上就怎么也找不到了，究其原因，HDFS上的需要用Hadoop执行jar文件才可以
1）javac输出类到指定目录 dir
javac *.java -d dir
2）jar打包class文件
1，打包指定class文件到target.jar
jar cvf target.jar x1.class x2.class ... xn.class
2，打包指定路径dir下的所有class文件到target.jar
jar cvf target.jar -C dir .
3，打包class文件成可执行jar，程序入口Main函数
jar cvfe tarrget.jar Main -C dir .
Hadoop只需要普通jar即可，不用打包成可执行jar
3）执行jar，主类MapDuplicate
Hadoop jar target.jar MapDuplicate (params)
2、代码分析
1）import类
import java.io.IOException; import org.apache.hadoop.conf.Configuration; 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.GenericOptionsParser;
Configuration类：用来设定Hadoop的参数，如：IP、端口等
Path：用来设定输入输出路径
IntWritable：MapReduce用到的int类型
Text：MapReduce用到的string类型
Job：生成MapReduce任务的主类，任务参数也在此类中设定
Mapper：被继承的Map类
Reducer：被继承的Reduce类
FileInputFormat：输入文件格式
FileOutputFormat：输出文件格式（可改为其它IO类，如数据库）
GenericOptionsParser：解析命令行参数的类
2）代码结构
public class MapDuplicate {
public static class Map extends Mapper<...> { ... }
public static class Reduce extends Reducer<...> { ... }
public static void main(String[] args) throws Ex { ... }
}
2）Map类
public static class Map extends Mapper<Object,Text,Text,Text> {
private static Text line = new Text();
public void map(Object key,Text value,Context context)
throws IOException,InterruptedException {
line = value;
context.write(line,new Text(""));
}
}
Map类的主要作用是将数据进行统一处理，按照规则给出键值对，为Combine和Reduce等Reduce操作提供标准化数据。从代码上来讲，均继承Mapper类，并实现map函数
Mapper类继承的四个参数，前两个分别是输入数据键和值的类型，一般写Object,Text即可；后两个是输出数据键和值的类型，这两个类型必须和Reduce的输入数据键值类型一致。
所有的Java值类型在送到MapReduce任务前都要转化成对应的值类型：如：String->Text,int->IntWritable,long->LongWritable
Context是Java类与MapReduce任务交互的类，它把Map的键值对传给Combiner或者Reducer，也把Reducer的结果写到HDFS上
3）Reduce类
public static class Reduce extends Reducer<Text,Text,Text,Text> {
public void reduce(Text key,Iterable<Text> values,Context context)
throws IOException,InterruptedException {
context.write(key,new Text(""));
}
}
Reduce有两种操作，Combine和Reduce，都继承Reducer类。前者用于对数据进行预处理，将处理好的数据交给Reduce，可以看成是本地的Reduce，当不需要任何处理时，Combine可以直接用Reduce代替；后者用于对数据进行正式处理，将相同键值的数据合并，每一个Reduce函数过程只处理同一个键(key)的数据。
Reducer类继承的四个参数，前两个是输入数据键和值的类型，必须与Mapper类的输出类型一致（Combine也必须一致，而且Combine输出需要跟Reduce的输入一致，所以Combine输入输出类型必须是相同的）；后两个是输出数据键和值的类型，即我们最终得到的结果
4）Main函数
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
conf.set("mapred.job.tracker","XHadoop1:9010");
String[] ioArgs = new String[] {"duplicate_in","duplicate_out"};
String[] otherArgs = new GenericOptionsParser(conf,ioArgs).getRemainingArgs();
if (otherArgs.length != 2) {
System.err.println("Usage: MapDuplicate <in> <out>");
System.exit(2);
}
Job job = new Job(conf,"MapDuplicate");
job.setJarByClass(MapDuplicate.class);
job.setMapperClass(Map.class);
job.setCombinerClass(Reduce.class);
job.setReducerClass(Reduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.addInputPath(job,new Path(otherArgs[0]));
FileOutputFormat.setOutputPath(job,new Path(otherArgs[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
首先，必须有Configuration类，通过这个类指定工作的机器
然后，接收参数的语句，这个不解释了
然后，需要有Job类，指定MapReduce处理用到的类，需要指定的有：Mapper类、Combiner类、Reducer类、输出数据键和值类型的类
然后，指定输入数据的路径
然后，等待任务结束并退出
三、总结
这个实验可以说是最简单的MapReduce，但是麻雀虽小五脏俱全。
从原理来讲，MapReduce有以下步骤：
HDFS(Block)->Split->Mapper->Partion->Spill->Sort->Combiner->Merge->Reducer->HDFS
1、HDFS输入数据被分成Split，被Mapper类读取，
2、Mapper读取数据后，将任务进行Partion(分配)
3、如果Map操作内存溢出，需要Spill(溢写)到磁盘上
4、Mapper进行Sort(排序)操作
5、排序之后进行Combine(合并key)操作，可以理解为本地模式Reduce
6、Combine的同时会进行溢出文件的Merge(合并)
7、所有任务完成后将数据交给Reducer进行处理，处理完成写入HDFS
8、从Map任务开始到Reduce任务开始的数据传输操作叫做Shuffle
从编程来讲，MapReduce有以下步骤：
1、编写Mapper类
2、编写Combiner类（可选）
3、编写Reducer类
4、调用过程：参数配置Configuration
指定任务类
指定输入输出格式
指定数据位置
开始任务
以上仅仅是浅层认识，仅供学习参考及备查。