MapReduce原理及实例分析

在VM上搭建好LINUX虚拟机，并安装配置好HADOOP2.2.0，我这里是单节点的伪分布式

在eclipse中安装hadoop插件

对我们这种MR的新手而言，最好在本地有一个HADOOP运行环境，这样有许多好处：

如果我们每次写完MR程序，都打成JAR包上传至线上服务器上运行，那么每次MR运行的时间非常长，也许等待了许久，运行结果和我们预期不一致，又得改程序重新来一边，这会有一点痛苦！

在我们本地的HADOOP上运行MR程序非常快，就那么几秒，更加重要的是，我们可以再

本地准备输入文件去测试MR的逻辑，这对调试/开发程序非常方便！

假设，我们有这样的输入文件：

cate-a spu-1 1

cate-a spu-1 2

cate-a spu-2 3

cate-a spu-2 4

cate-a spu-3 5

cate-a spu-3 6

cate-a spu-1 7

cate-a spu-4 8

cate-a spu-4 9

cate-a spu-1 8

...

我们希望得到分cate,分spu的总和，并且取分cate分spu的TOP3

如上图示，大致描述了MAP/REDUCE的运行流程：

• 输入文件+InputFormat  提供给MAP

• 需要清楚提供给MAP的KEY1/VALUE1是什么？MAP准备输出的KEY2/VALUE2是什么？

• MAP输出后，会进行分区操作，也就是决定KEY2/VALUE2发到哪些reduce上

  
  

• 分区由job.setPartitionerClass决定

  
  

• 在同一个分区内，会对KEY2进行排序，依据是job.setSortComparatorClass，

  如果没有设置则根据KEY的compareTo方法

  
  

• 接下来进入分组阶段，会构造KEY3和VALUE迭代器

  
  

• 分组的依据是job.setGroupingComparatorClass，只要比较器比较的相同就在同一组

  
  

• KEY3/VALUE迭代器交给reduce方法处理

  
  

步骤：

• 自定义KEY
  

KEY应该是可序列化，可比较的，只需要注意实现WritableComparable即可。

重点关注compareTo方法。

• 分区

分区，是KEY的第一次比较，extends Partitioner 并提供getPartition即可。

这里根据cate分区。

• 分组
  

需要注意的是，分组类必须提供构造方法，并且重载 

public int compare(WritableComparable w1, WritableComparable w2) 。这里根据cate,spu分组。

通过上述的，就可以取得分cate分spu的SUM（counts）值了。

通过eclipse hadoop插件，可以方便我们上传测试文件到HDFS，可以浏览，删除HDFS文件，更加方便的是，就像运行普通JAVA程序一样的运行/调试MR程序（不在需要打成JAR包）,让我们可以追踪MR的每一步，非常方便进行逻辑性测试~

那么怎么取分cate分spu的TOP3呢？

我们只需要把上一个MR的输出文件，作为另一个MR的输入，并且以cate+counts 为KEY ，以spu为VALUE，根据cate分区，分组，排序的话:cate相同情况下，根据counts倒序；

最后在reduce阶段取TOP3即可。

那么到现在，分组取TOP就完成了。

在上面例子中的取TOP3的MR中，我们是以cate+counts为KEY，spu为VALUE。

cate作为分区，分组的依据，排序根据同一个cate下counts倒序。如下图所示：

那么reduce方法中的KEY是什么？

spu1,spu4,spu3...是VALUES中的，那么这个迭代器的对应KEY是什么呢？

是cate+42吗？还是其他？

在VALUES迭代过程中，这个KEY会变化吗？

我们可以看下ECLIPSE中的控制台打印输出的内容：

从打印上来看，可以分析出如下结论：

分组后，交给reduce方法处理的KEY是同一组的所有KEY的第一个KEY，并且在VALUES迭代过程中，KEY并不会重新NEW，而是利用SETTER反射的方式重新设置属性值，这样在VALUES迭代过程中取得的KEY都是与之对应的KEY了。