大數據附庸風雅：Hadoop MapReduce 順手玩

鼎鼎大名的 Hadoop 和 MapReduce，看完 MapReduce 讓我更想研讀函數式語言啊！（重點錯XD

大數據走向可以從3個Vs開始談起：

Velocity(速度) : Batch to Read-time
Volume(資料大小) : GB to TB to PB
Variety(資料種類) : structure to unstructure

而現在Hadoop系列的成員大底為MapReduce(Hadoop MapReduce), Storage(HDFS), Query(HBase)，下面就從最核心的MapReduce看起吧^^

一、MapReduce 簡介

MapReduce 是由 Google 所引進的軟體框架，目的是對電腦叢集上的大型資料集執行分散式運算。

MapReduce 採 Divide and Conquer 典範
MapReduce 靈感來自 lisp 和其他函數式程式語言中的古老的 map 和 reduce 操作
使用者只要指定 map 與 reduce，其他交由框架處理

MapReduce 優點

可以提供高度的可靠性運算
可以提供容錯機制
可以降低網路傳輸的頻寬需求
可以提供負載平衡

1. Map 函數

Map 函數的輸入是「一個」key/value 序對，輸出則為另「一組」intermediate key/value 序對組。例如：

[1,2,3,4] – (*2) -> [2,3,6,8]

map 操作是高度並行的，每個元素都是獨立的，創建一個新的列表來保存新的答案，而原始列表沒有被更改。

2. Reduce 函數

此函數負責針對相同的 intermediate key 合併其所有相關聯的 intermediate values。並產生輸出結果的key/value序對。例如：

Reduce – [1,2,3,4] – (sum) -> 10

Reduce 不如 Map 函數那麼並行，但是因為歸納總是有一個簡單的答案，大規模的運算相對獨立。

二、Apache Hadoop

Apache Hadoop 實作 Google 的 MapReduce，提供開放原始碼 MapReduce 架構

以 Java 做為原生語言
以 Hadoop 分散式檔案系統 (HDFS) 做為資料儲存系統

[備忘] HDFS Shell

# Browsing Your HDFS Folder
hadoop fs -ls

# Upload Files or Folder to HDFS
hadoop fs -put [${HOME}/hadoop/conf] [toHDFS]

# Download HDFS Files or Folder to Local
hadoop fs -get [toHDFS] [fromHDFS]

# Check
diff [${HOME}/hadoop/conf] [fromHDFS/]

# Remove Files or Folder
hadoop fs -rm toHDFS/masters

# Browse Files Directly
hadoop fs -cat toHDFS/slaves

# More Commands
hadoop fs

[例題] 在大量的文件集合中，計算每個word的出現次數

1. Map, Reduce 函式

Map： (offset, line) ➝ [(word1, 1), (word2, 1), ... ]
Reduce： (word, [1, 1, ...]) ➝ [(word, n)]

WordCount.java (hadoop範例程式)

import java.io.IOException;
import java.util.*;
        
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapred.*;
import org.apache.hadoop.util.*;
        
public class WordCount {
        
 public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
        
    public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
        String line = value.toString();
        StringTokenizer tokenizer = new StringTokenizer(line);
        while (tokenizer.hasMoreTokens()) {
            word.set(tokenizer.nextToken());
            output.collect(word, one);
        }
    }
 } 
        
 public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {

    public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {
        int sum = 0;
        while (values.hasNext()) {
            sum += values.next().get();
        }
        output.collect(key, new IntWritable(sum));
    }
 }
        
 public static void main(String[] args) throws Exception {
    JobConf conf = new JobConf(WordCount.class);
    conf.setJobName("wordcount");
        
    conf.setOutputKeyClass(Text.class);
    conf.setOutputValueClass(IntWritable.class);
        
    conf.setMapperClass(Map.class);
    conf.setCombinerClass(Reduce.class);
    conf.setReducerClass(Reduce.class);
        
    conf.setInputFormat(TextInputFormat.class);
    conf.setOutputFormat(TextOutputFormat.class);
        
    FileInputFormat.setInputPaths(conf, new Path(args[0]));
    FileOutputFormat.setOutputPath(conf, new Path(args[1]));
        
    JobClient.runJob(conf);
 }
        
}

2. 執行

hadoop fs -put ${HOME}/hadoop/conf lab11_input
hadoop fs -rmr lab11_out2
hadoop jar ${HOME}/hadoop/hadoop-examples-*.jar wordcount lab11_input lab11_out2

hadoop fs -ls lab11_out2
hadoop fs -cat lab11_out2/part-r-00000

References

MapReduce 基本指令操作
http://trac.3du.me/cloud/wiki/NTUOSS160412/Lab5

[ 深入雲計算 ] 初識 MapReduce : 實例之 Inverted Index
http://puremonkey2010.blogspot.tw/2013/11/mapreduce-inverted-index.html

Pages

2016年4月18日星期一