首页 > 代码库 > MapReduce的组合式,迭代式,链式

MapReduce的组合式,迭代式,链式

1.迭代式mapreduce
        一些复杂的任务难以用一次MapReduce处理完成,需要多次 MapReduce 才能完成任务,例如Pagrank,K-means算法都需要多次的迭代,关于 MapReduce 迭代在Mahout中运用较多。有兴趣的可以参考一下Mahout的源码。
             在MapReduce的迭代思想,类似for循环,前一个 MapReduce的输出结果,作为下一个 MapReduce的输入,任务完成后中间结果都可以删除。
        代码示例:

Configuration conf1 = new Configuration();

Job job1 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job1,InputPaht1);

FileOutputFromat.setOoutputPath(job1,Outpath1);

job1.waitForCompletion(true);

//sub Mapreduce

Configuration conf2 = new Configuration();

Job job2 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job2,Outpath1);

FileOutputFromat.setOoutputPath(job2,Outpath2);

job2.waitForCompletion(true);

//sub Mapreduce

Configuration conf3 = new Configuration();

Job job3 = new Job(conf1,"job1");

.....

FileInputFormat.addInputPath(job3,Outpath2);

FileOutputFromat.setOoutputPath(job3,Outpath3);

job3.waitForCompletion(true);

.....


关键点:
上面满眼的代码,下面列出关键代码:
第一个job的输出路径为Outpath1
FileOutputFromat.setOoutputPath(job1,Outpath1);

第二个job的输入路径为Outpath1,输出路径为Outpath2
FileInputFormat.addInputPath(job2,Outpath1);
FileOutputFromat.setOoutputPath(job2,Outpath2);

第三个job的输入路径为Outpath2
FileInputFormat.addInputPath(job3,Outpath2);
换句话说:第一个job的输出路径为第二个job的输入路径,以此类推。

上面采用的是一种直线式,那么他们能不能更省事,成为循环样式
成为循环式,是可以的,但是有不少需要解决的问题:这里只是举例,你可能还会碰到其它问题。
1.需要他们的key,value等值是完全一致的,也就是说两个job或则说job之间必须是一致的。
2.输入输出路径需要区分等。


2.依赖关系组合式MapReduce

我们可以设想一下MapReduce有3个子任务job1,job2,job3构成,其中job1和job2相互独立,job3要在job1和job2完成之后才执行。这种关系就叫复杂数据依赖关系的组合时mapreduce。hadoop为这种组合关系提供了一种执行和控制机制,hadoop通过job和jobControl类提供具体的编程方法。Job除了维护子任务的配置信息,还维护子任务的依赖关系,而jobControl控制整个作业流程,把所有的子任务作业加入到JobControl中,执行JobControl的run()方法即可运行程序。

下面给出伪代码:

Configuration job1conf = new Configuration();

Job job1 = new Job(job1conf,"Job1");

.........//job1 其他设置

Configuration job2conf = new Configuration();

Job job2 = new Job(job2conf,"Job2");

.........//job2 其他设置

Configuration job3conf = new Configuration();

Job job3 = new Job(job3conf,"Job3");

.........//job3 其他设置

job3.addDepending(job1);//设置job3和job1的依赖关系

job3.addDepending(job2);

JobControl JC = new JobControl("123");

JC.addJob(job1);//把三个job加入到jobcontorl中

JC.addJob(job2);

JC.addJob(job3);

JC.run();


关键点:
下面代码:addDepending()这个函数,作用的是建立两个job之间的依赖关系。那么如何建立,看下面两行


//下面面代码的作用是设置job3和job1的依赖关系

job3.addDepending(job1);

//下面代码的作用是设置job3和job2的依赖关系

job3.addDepending(job2);


建立依赖关系之后,还有一步骤,也就是还有一个类需要我们了解JobControl,通过这个类来控制他们之间的依赖关系。如何做到,通过下面代码:


//实例化

JobControl JC = new JobControl("123");

//把三个job加入到jobcontorl中

JC.addJob(job1);

JC.addJob(job2);

JC.addJob(job3);

JC.run();


3.链式MapReduce


首先看一下例子,来说明为什么要有链式MapReduce,假设在统计单词是,会出现这样的词,make,made,making等,他们都属于一个词,在单词累加的时候,都归于一个词。解决的方法为用一个单独的Mapreduce任务可以实现,单增加了多个Mapreduce作业,将增加整个作业处理的周期,还增加了I/O操作,因而处理效率不高。

一个较好的办法就是在核心的MapReduce之外,增加一个辅助的Map过程,然后将这个辅助的Map过程和核心的Mapreudce过程合并为一个链式的Mapreduce,从而完成整个作业。hadoop提供了专门的链式ChainMapper和ChainReducer来处理链式任务,ChainMapper允许一个Map任务中添加多个Map的子任务,ChainReducer可以在Reducer执行之后,在加入多个Map的子任务。其调用形式如下:


ChainMapper.addMapper(...);

    ChainReducer.addMapper(...);

    //addMapper()调用的方法形式如下:

    public static void addMapper(JOb job,

            Class<? extends Mapper> mclass,

            Class<?> inputKeyClass,

            Class<?> inputValueClass,

            Class<?> outputKeyClass,

            Class<?> outputValueClass,

            Configuration conf

    )

其中,ChainReducer专门提供了一个setRreducer()方法来设置整个作业唯一的Reducer。


note:这些Mapper和Reducer之间传递的键和值都必须保持一致。


下面举个例子:用ChainMapper把Map1加如并执行,然后用ChainReducer把Reduce和Map2加入到Reduce过程中。代码如下:Map1.class 要实现map方法


public void function throws IOException {

        Configuration conf = new Configuration();

        Job job = new Job(conf);

        job.setJobName("ChianJOb");

        // 在ChainMapper里面添加Map1

        Configuration map1conf = new Configuration(false);

        ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,

                Text.class, Text.class, true, map1conf);

        // 在ChainReduce中加入Reducer,Map2;

        Configuration reduceConf = new Configuration(false);

        ChainReducer.setReducer(job, Reduce.class, LongWritable.class,

                Text.class, Text.class, Text.class, true, map1conf);

        Configuration map2Conf = new Configuration();

        ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,

                Text.class, Text.class, true, map1conf);

        job.waitForCompletion(true);

    }


关键点:

链式,那么什么是链式,链式是mapreduce中存在多个map.

那么是怎么实现的?通过链式ChainMapper和ChainReducer实现。


ChainMapper允许一个Map任务中添加多个Map的子任务,ChainReducer可以在Reducer执行之后,在加入多个Map的子任务。

下面为ChainMapper、ChainReducer:的具体实现。



ChainMapper.addMapper(job, Map1.class, LongWritable.class, Text.class,

Text.class, Text.class, true, map1conf);

ChainReducer.addMapper(job, Map2.class, LongWritable.class, Text.class,

Text.class, Text.class, true, map1conf);

 

hadoop本身就不适合做迭代运算,所以在实际运用中,应适当优化程序,减少MR迭代次数。如需进行大量迭代性工作,建议使用spark。

MapReduce的组合式,迭代式,链式