首页 > 代码库 > MapReduce 2.x 编程 系列二 Map阶段实现
MapReduce 2.x 编程 系列二 Map阶段实现
现在想从日志中提取数据，日志文件如下：
2014-05-10 13:36:40,140307000287,536dbacc4700aab274729cca,login 2014-05-10 13:37:46,140310000378,536dbae74700aab274729ccb,login 2014-05-10 13:39:20,140310000382,536dbb284700aab274729ccd,login 2014-05-10 13:39:31,140331001080,536dbb864700aab274729ccf,login 2014-05-10 13:39:45,140331001105,536dbba04700aab274729cd4,login 2014-05-10 13:39:45,140328000969,536dbba04700aab274729ce4,login 2014-05-10 13:39:45,140408001251,536dbba04700aab274729cd8,login 2014-05-10 13:39:45,140328000991,536dbba04700aab274729ce9,login 2014-05-10 13:39:45,140324000633,536dbba14700aab274729cf5,login 2014-05-10 13:39:45,140331001077,536dbba04700aab274729cdd,login 2014-05-10 13:39:45,140408001242,536dbba04700aab274729cd7,login 2014-05-10 13:39:45,140327000941,536dbba14700aab274729cf1,login 2014-05-10 13:39:45,140408001265,536dbba04700aab274729ce5,login 2014-05-10 13:39:45,140324000673,536dbba04700aab274729cd3,login 2014-05-10 13:39:45,140331001066,536dbba04700aab274729cd5,login 2014-05-10 13:39:45,140408001292,536dbba14700aab274729cee,login 2014-05-10 13:39:45,140328000966,536dbba14700aab274729cec,login 2014-05-10 13:39:45,140312000501,536dbba04700aab274729ce1,login 2014-05-10 13:39:45,140306000216,536dbba14700aab274729d02,login 2014-05-10 13:39:45,140327000856,536dbba04700aab274729ce2,login 2014-05-10 13:39:46,140328000985,536dbba14700aab274729cf7,login 2014-05-10 13:39:46,140306000245,536dbba14700aab274729d0d,login 2014-05-10 13:39:46,140326000797,536dbba14700aab274729cf6,login 2014-05-10 13:39:46,140328000993,536dbba14700aab274729d12,login 2014-05-10 13:39:46,140331001115,536dbba14700aab274729d10,login 2014-05-10 13:39:46,140325000744,536dbba04700aab274729ce0,login 2014-05-10 13:39:46,140328000982,536dbba14700aab274729d0a,login 2014-05-10 13:39:46,140331001063,536dbba04700aab274729ce3,login 2014-05-10 13:39:46,140331001067,536dbba14700aab274729d1c,login 2014-05-10 13:39:46,140401001157,536dbba04700aab274729ce8,login 2014-05-10 13:39:46,140408001216,536dbba14700aab274729cef,login 2014-05-10 13:39:46,140401001174,536dbba14700aab274729d27,login 2014-05-10 13:39:46,140306000215,536dbba04700aab274729cde,login 2014-05-10 13:39:46,140331001064,536dbba04700aab274729cdc,login 2014-05-10 13:39:46,140326000825,536dbba04700aab274729cd9,login 2014-05-10 13:39:46,140408001294,536dbba14700aab274729d0f,login
我希望将login前面的设备ID取出来，进行数量的统计，最后得到结果：
各个设备的累计登录次数
536dbba04700aab274729cdc 5
536dbba04700aab274729ce3 4
好，创建一个LogMapper类，该类负责做数据的Map，前两各模板参数用于KeyIn和ValueIn, 后两个模板参数用于KeyOut和ValueOut，都是代表类型。
假定一个<KeyIn， ValueIn>组成一个pair，输入的很多pair在一个组里面, 这些pair被一定的算法Map之后，会变成很多组pair。
官方文档：http://hadoop.apache.org/docs/r2.4.1/api/org/apache/hadoop/mapreduce/Mapper.html
Maps input key/value pairs to a set of intermediate key/value pairs.注意，这里的Mapper类用的包是mapreduce，以前有一个老的叫mapred。
这里介绍了两者的区别：
http://stackoverflow.com/questions/7598422/is-it-better-to-use-the-mapred-or-the-mapreduce-package-to-create-a-hadoop-job
LongWritable和IntWritable是两个类，用于帮助创建可以Long和Int类型的变量。它们能够帮助将Long和Int的值序列化成字节流，因此都有两个关键方法读入和写出：
void | readFields(DataInput in) Deserialize the fields of this object from in. |
void | write(DataOutput out) Serialize the fields of this object to out. |
这个和Hadoop内部RPC调用时采用的序列化算法有关。
我的Mapper代码：
package org.freebird.mapper;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
/**
* Describe class LogMapper here.
*
*
* Created: Wed Sep 24 15:14:17 2014
*
* @author <a href="mailto:chenshu@letv.com"></a>
* @version 1.0
*/
public class LogMapper
extends Mapper<LongWritable, Text, Text, IntWritable> {
private final static IntWritable ONE = new IntWritable(1);
public void map(Object key, Text value, org.apache.hadoop.mapreduce.Mapper.Context ctx) throws IOException, InterruptedException {
String[] line = value.toString().split(",");
if (line.length == 4) {
String dId = line[2];
ctx.write(new Text(dId), ONE);
}
}
}
这个Mapper的子类覆盖了map函数，将字符串用,号拆开后，取出第三个元素作为设备ID, 然后作为key写入context对象。
这里value设置为1, 因为后面reduce阶段会简单的求和。
Context类文档参考： http://hadoop.apache.org/docs/r1.1.1/api/org/apache/hadoop/mapreduce/Mapper.Context.html
write方法不是一般概念的hasmap添加key,value，而是生成一个新的pair对象，里面包含了key和value。 如果多个key相同，也会产生多个pair对象，交给reduce阶段处理。
基本流程是， 框架会使用FileInputFormat读取文件，默认会根据文件大小的进行记录拆分，这里拆分器叫做InputSplitter。通过InputSplitter将文件拆成若干块，后面也就有若干个mapper与之对应。
InputSplitter里面使用RecordReader对文件快的记录进行读取，生成key/value的pair，调用mapper的map函数去处理。
当然这些流程中有些可以定制，比如InputSplitter的算法可以修改，RecordReader也是可以定制。
而且还有一个非常有效的方法，可以避免mapper将过多的数据传递给reducer。
比如前面的例子都是1, 其实可以先用一个HashMap对key做分组，有则value加1, 无则添加到HashMap中。
最后将分组统计后的key/value数据通过context.write方法发送给reducer，能够大大提高效率。
MapReduce 2.x 编程 系列二 Map阶段实现