- 链接多个MapReduce作业
- 执行多个数据集的联结
- 生成Bloom filter
1、链接MapReduce作业 [顺序链接MapReduce作业] mapreduce-1 | mapreduce-2 | mapreduce-3 | ...
[具有复杂依赖的MapReduce链接] 有时，在复杂数据处理任务中的子任务并不是按顺序运行的，因此它们的MapReduce作业不能按线性方式链接。例如，mapreduce1处理一个数据集，mapreduce2独立处理另一个数据集，而第3个作业mapreduce3，对前两个作业的输出结果做内部联结。
Hadoop有一种简化机制，通过Job和JobControl类来管理这种（非线性）作业之间的依赖。Job对象是MapReduce作业的表现形式。Job对象的实例化可通过传递一个JobConf对象到作业的构造函数中来实现。除了要保持作业的配置信息外，Job还通过设定addDependingJob()方法维护作业的依赖关系。对于Job对象x和y，x.addDependingJob(y)意味着x在y完成之前不会启动。鉴于Job对象存储着配置和依赖信息，JobControl对象会负责管理并监视作业的执行。通过addJob()方法，你可以为JobControl对象添加作业。当所有作业和依赖关系添加完成后，调用JobControl的run()方法，生成一个
线程来提交作业并监视其执行。JobControl有诸如allFinished()和getFailedJobs()这样的方法来跟踪批处理中各个作业的执行。
[预处理和后处理阶段的链接] Hadoop在版本0.19.0中引入了ChainMapper和ChainReducer类来简化预处理和后处理的构成。作业按序执行多个mapper来预处理数据，并在reducer之后可选地按序执行多个mapper来做数据的后处理。这一机制的优点在于可以将预处理和后处理步骤写为标准的mapper，逐个运行它们，可以在ChainMapper和ChainReducer中调用addMapper()方法来分别组合预处理和后处理的步骤。全部预处理和后处理步骤在单一的作业中运行，不会生成中间文件，这大大减少了I/O操作。
例如，有4个mapper（Map1，Map2，Map3和Map4）和一个reducer（Reduce），它们被链接为单个MapReduce作业，顺序如下：Map1 ｜ Map2 ｜ Reduce ｜ Map3 ｜ Map4
这个组合中，可以把Map2和Reduce视为MapReduce作业的核心，在mapper和reducer之间使用标准的分区和洗牌。可以把Map1视为前处理步骤，而Map3和Map4作为后处理步骤。我们可以使用driver设定这个mapper和reducer序列的构成：
代码清单 用于链接MapReduce作业中mapper的driver 1 Configuration conf = getConf(); 2 JobConf job = new JobConf(conf); 3 4 job.setJobName("ChainJob"); 5 job.setInputFormat(TextInputFormat.class); 6 job.setOutputFormat(TextOutputFormat.class); 7 8 FileInputFormat.setInputPaths(job, in); 9 FileOutputFormat.setOutputPath(job, out);10 11 12 JobConf map1Conf = new JobConf(false);13 ChainMapper.addMapper(job,14 Map1.class,15 LongWritable.class,16 Text.class,17 Text.class,18 Text.class,19 true,20 map1Conf);21 22 JobConf map2Conf = new JobConf(false);23 ChainMapper.addMapper(job,24 Map2.class,25 Text.class,26 Text.class,27 LongWritable.class,28 Text.class,29 true,30 map2Conf);31 32 JobConf reduceConf = new JobConf(false);33 ChainReducer.setReducer(job,34 Reduce.class,35 LongWritable.class,36 Text.class,37 Text.class,38 Text.class,39 true,40 reduceConf);41 42 JobConf map3Conf = new JobConf(false);43 ChainReducer.addMapper(job,44 Map3.class,45 Text.class,46 Text.class,47 LongWritable.class,48 Text.class,49 true,50 map3Conf);51 52 JobConf map4Conf = new JobConf(false);53 ChainReducer.addMapper(job,54 Map4.class,55 LongWritable.class,56 Text.class,57 LongWritable.class,58 Text.class,59 true,60 map4Conf);61 62 JobClient.runJob(job);
driver首选会设置全局的JobConf对象，包含作业名、输入路径及输出路径等。它一次性添加这个由5个步骤链接在一起的作业，以步骤执行先后为序。它用ChainMapper.addMapper()添加位于Reduce之前的所有步骤。用静态的ChainReducer.setReducer()方法设置reducer。再用ChainReducer.addMapper()方法添加后续的步骤。全局JobConf对象经历所有的5个add＊方法。此外，每个mapper和reducer都有一个本地JobConf对象（map1Conf、map2Conf、map3Conf、map4Conf和reduceConf），其优先级在配置各自mapper/reducer时高于全局的对象。建议本地JobConf对象采用一个新的JobConf对象，且在初始化时不设默认值——new JobConf(false)。
让我们通过ChainMapper.addMapper()方法的签名来详细了解
如何一步步地链接作业，其中ChainReducer.setReducer()的签名和功能与ChainReducer.addMapper()类似：
public static <k1, v1, k2, v2> void
addMapper(JobConf job,
Class <? extends Mapper<k1, v1, k2, v2>> class,
Class <? extends k1> inputKeyClass,
Class <? extends v1> inputValueClass,
Class <? extends k2> outputKeyClass,
Class <? extends v2> outputValueClass,
boolean byValue,
JobConf mapperConf)
该方法有8个参数，第一个和最后一个分别为全局和本地的JobConf对象。第二个参数klass是Mapper类，负责数据处理。对于byValue这个参数，如果确信map1的map()方法在调用OutoutCollector.collect(K k, V v)之后不再使用k和v的内容，或者map2并不改变k和v在其上的输入值，则可以通过设定buValue为false来获取一定的性能提升；如果对Mapper的内部代码不太了解，则可以通过设定byValue为true，确保Mapper会按预期的方式工作。余下的4个参数inputKeyClass、inputValueClass、outputKeyClass和outputValueClass是这个Mapper类中输入/输出类的类型。
2、联结不同来源数据 [Reduce侧的联结] - 首先mapper接收的数据来自两个文件，Customers及Orders；
- 在map()封装输入的每个记录后，就执行MapReduce标准的分区、洗牌和排序操作；
- reduce()函数接收输入数据，并对其值进行完全交叉乘积；
- 交叉乘积得到的每个合并结果被送入函数conbine()。
Hadoop有一个名为datajoin的contrib软件包，在hadoop中它是一个用作数据联结的通用框架，它的jar文件位于contrib/datajoin/hadoop-*-datajoin.jar。hadoop的datajoin软件包有3个可供继承和具体化的抽象类：DataJoinMapperBase、DataJoinReducerBase和TaggedMapOutput。顾名思义，MapClass会扩展DataJoinMapperBase，而Reduce类会扩展DataJoinReducerBase。Datajoin软件包已经分别在这些基类上实现了map()和reduce方法，可用于执行联结数据流。
代码清单 来自两个reduce侧连接数据的内联结 1 import java.io.DataInput; 2 import java.io.DataOutput; 3 import java.io.IOException; 4 import java.util.Iterator; 5 6 import org.apache.hadoop.conf.Configuration; 7 import org.apache.hadoop.conf.Configured; 8 import org.apache.hadoop.fs.Path; 9 import org.apache.hadoop.io.Text; 10 import org.apache.hadoop.io.Writable; 11 import org.apache.hadoop.mapred.FileInputFormat; 12 import org.apache.hadoop.mapred.FileOutputFormat; 13 import org.apache.hadoop.mapred.JobClient; 14 import org.apache.hadoop.mapred.JobConf; 15 import org.apache.hadoop.mapred.KeyValueTextInputFormat; 16 import org.apache.hadoop.mapred.MapReduceBase; 17 import org.apache.hadoop.mapred.Mapper; 18 import org.apache.hadoop.mapred.OutputCollector; 19 import org.apache.hadoop.mapred.Reducer; 20 import org.apache.hadoop.mapred.Reporter; 21 import org.apache.hadoop.mapred.TextInputFormat; 22 import org.apache.hadoop.mapred.TextOutputFormat; 23 import org.apache.hadoop.util.Tool; 24 import org.apache.hadoop.util.ToolRunner; 25 26 import org.apache.hadoop.contrib.utils.join.DataJoinMapperBase; 27 import org.apache.hadoop.contrib.utils.join.DataJoinReducerBase; 28 import org.apache.hadoop.contrib.utils.join.TaggedMapOutput; 29 30 public class DataJoin extends Configured implements Tool { 31 32 public static class MapClass extends DataJoinMapperBase { 33 34 protected Text generateInputTag(String inputFile) { 35 String datasource = inputFile.split("-")[0]; 36 return new Text(datasource); 37 } 38 39 protected Text generateGroupKey(TaggedMapOutput aRecord) { 40 String line = ((Text) aRecord.getData()).toString(); 41 String[] tokens = line.split(","); 42 String groupKey = tokens[0]; 43 return new Text(groupKey); 44 } 45 46 protected TaggedMapOutput generateTaggedMapOutput(Object value) { 47 TaggedWritable retv = new TaggedWritable((Text) value); 48 retv.setTag(this.inputTag); 49 return retv; 50 } 51 } 52 53 public static class Reduce extends DataJoinReducerBase { 54 55 protected TaggedMapOutput combine(Object[] tags, Object[] values) { 56 if (tags.length < 2) return null; 57 String joinedStr = ""; 58 for (int i=0; i<values.length; i++) { 59 if (i > 0) joinedStr += ","; 60 TaggedWritable tw = (TaggedWritable) values[i]; 61 String line = ((Text) tw.getData()).toString(); 62 String[] tokens = line.split(",", 2); 63 joinedStr += tokens[1]; 64 } 65 TaggedWritable retv = new TaggedWritable(new Text(joinedStr)); 66 retv.setTag((Text) tags[0]); 67 return retv; 68 } 69 } 70 71 public static class TaggedWritable extends TaggedMapOutput { 72 73 private Writable data; 74 75 public TaggedWritable(Writable data) { 76 this.tag = new Text(""); 77 this.data = data; 78 } 79 80 public Writable getData() { 81 return data; 82 } 83 84 public void write(DataOutput out) throws IOException { 85 this.tag.write(out); 86 this.data.write(out); 87 } 88 89 public void readFields(DataInput in) throws IOException { 90 this.tag.readFields(in); 91 this.data.readFields(in); 92 } 93 } 94 95 public int run(String[] args) throws Exception { 96 Configuration conf = getConf(); 97 98 JobConf job = new JobConf(conf, DataJoin.class); 99 100 Path in = new Path(args[0]);101 Path out = new Path(args[1]);102 FileInputFormat.setInputPaths(job, in);103 FileOutputFormat.setOutputPath(job, out);104 105 job.setJobName("DataJoin");106 job.setMapperClass(MapClass.class);107 job.setReducerClass(Reduce.class);108 109 job.setInputFormat(TextInputFormat.class);110 job.setOutputFormat(TextOutputFormat.class);111 job.setOutputKeyClass(Text.class);112 job.setOutputValueClass(TaggedWritable.class);113 job.set("mapred.textoutputformat.separator", ",");114 115 JobClient.runJob(job); 116 return 0;117 }118 119 public static void main(String[] args) throws Exception { 120 int res = ToolRunner.run(new Configuration(),121 new DataJoin(),122 args);123 124 System.exit(res);125 }126 }
[转载请注明] http://www.cnblogs.com/zhengrunjian/
原标题：[Hadoop in Action] 第5章 高阶MapReduce
关键词：
我知道了 