Hadoop(三)通过C#/python实现Hadoop MapReduce

虚幻大学 xuhss 405℃ 0评论

? 优质资源分享 ?

学习路线指引(点击解锁) 知识定位 人群定位
? Python实战微信订餐小程序 ? 进阶级 本课程是python flask+微信小程序的完美结合,从项目搭建到腾讯云部署上线,打造一个全栈订餐系统。
?Python量化交易实战? 入门级 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

目录

正文

回到顶部## MapReduce

Hadoop中将数据切分成块存在HDFS不同的DataNode中,如果想汇总,按照常规想法就是,移动数据到统计程序:先把数据读取到一个程序中,再进行汇总。

但是HDFS存的数据量非常大时,对汇总程序所在的服务器将产生巨大压力,并且网络IO也十分消耗资源。

为了解决这种问题,MapReduce提出一种想法:将统计程序移动到DataNode,每台DataNode(就近)统计完再汇总,充分利用DataNode的计算资源。YARN的调度决定了MapReduce程序所在的Node。

回到顶部## MapReduce过程

  1. 确保数据存在HDFS上
  2. MapReduce提交给ResourceManager(RM),RM创建一个Job。
  3. 文件分片,默认将一个数据块作为一个分片。
  4. Job提交给RM,RM根据Node状态选择一台合适的Node调度AM,AM向RM申请资源,RM调度合适的NM启动Container,Container执行Task。
  5. Map的输出放入环形内存缓冲区,缓存溢出时,写入磁盘,写入磁盘有以下步骤
    1. 默认根据Hash分区,分区数取决于Reduce Task的数,相同Key的记录被送到相同Reduce处理
    2. 将Map输出的结果排序
    3. 将Map数据合并
    4. MapTask处理后产生多个溢出文件,会将多个溢出文件合并,生成一个经过分区和排序的MapOutFile(MOF),这个过程称为Spill
  6. MOF输出到3%时开始进行Reduce Task
  7. MapTask与ReduceTask之间传输数据的过程称为Shuffle。

下面这个图描述了具体的流程

f2ff733a4b038eeefb92a02c0c22f58a - Hadoop(三)通过C#/python实现Hadoop MapReduce

回到顶部## Hadoop Streaming

Hadoop中可以通过Java来编写MapReduce,针对不熟悉Java的开发者,Hadoop提供了通过可执行程序或者脚本的方式创建MapReduce的Hadoop Streaming。

回到顶部## Hadoop streaming处理步骤

hadoop streaming通过用户编写的map函数中标准输入读取数据(一行一行地读取),按照map函数的处理逻辑处理后,将处理后的数据由标准输出进行输出到下一个阶段。

reduce函数也是按行读取数据,按照函数的处理逻辑处理完数据后,将它们通过标准输出写到hdfs的指定目录中。

不管使用的是何种编程语言,在map函数中,原始数据会被处理成的形式,但是key与value之间必须通过\t分隔符分隔,分隔符左边的是key,分隔符右边的是value,如果没有使用\t分隔符,那么整行都会被当作key

回到顶部## C#版MapReduce

首先,新增测试数据

vi mpdata

I love Beijing
I love China
Beijing is the capital of China

然后,将文件上传到hdfs

[root@localhost ~]# hadoop fs -put mrdata /chesterdata

新建dotnet6的console项目mapper,修改Program.cs

using System;
using System.Text.RegularExpressions;

namespace mapper
{
 class Program
 {
 static void Main(string[] args)
 {
 string line;
 //Hadoop passes data to the mapper on STDIN
            while((line = Console.ReadLine()) != null)
 {
 // We only want words, so strip out punctuation, numbers, etc.
                var onlyText = Regex.Replace(line, @"\.|;|:|,|[0-9]|'", "");
 // Split at whitespace.
                var words = Regex.Matches(onlyText, @"[\w]+");
 // Loop over the words
                foreach(var word in words)
 {
 //Emit tab-delimited key/value pairs.
 //In this case, a word and a count of 1.
                    Console.WriteLine("{0}\t1",word);
 }
 }
 }
 }
}

发布mapper

cd /demo/dotnet/mapper/
dotnet publish -c Release -r linux-x64 /p:PublishSingleFile=true

新建dotnet6的console项目reducer,修改Program.cs

using System;
using System.Collections.Generic;

namespace reducer
{
 class Program
 {
 static void Main(string[] args)
 {
 //Dictionary for holding a count of words
            Dictionary<string, int> words = new Dictionary<string, int>();

 string line;
 //Read from STDIN
            while ((line = Console.ReadLine()) != null)
 {
 // Data from Hadoop is tab-delimited key/value pairs
                var sArr = line.Split('\t');
 // Get the word
                string word = sArr[0];
 // Get the count
                int count = Convert.ToInt32(sArr[1]);

 //Do we already have a count for the word?
                if(words.ContainsKey(word))
 {
 //If so, increment the count
                    words[word] += count;
 } else
 {
 //Add the key to the collection
 words.Add(word, count);
 }
 }
 //Finally, emit each word and count
            foreach (var word in words)
 {
 //Emit tab-delimited key/value pairs.
 //In this case, a word and a count of 1.
                Console.WriteLine("{0}\t{1}", word.Key, word.Value);
 }
 }
 }
}

发布reducer

/demo/dotnet/reducer
dotnet publish -c Release -r linux-x64 /p:PublishSingleFile=true

执行mapepr reduce

hadoop jar /usr/local/hadoop323/hadoop-3.2.3/share/hadoop/tools/lib/hadoop-streaming-3.2.3.jar -input /chesterdata/mrdata -output /dotnetmroutput -mapper "./mapper" -reducer "./reducer" -file /demo/dotnet/mapper/bin/Release/net6.0/linux-x64/publish/mapper -f /demo/dotnet/reducer/bin/Release/net6.0/linux-x64/publish/reducer

查看mapreduce结果

[root@localhost reducer]# hadoop fs -ls /dotnetmroutput

-rw-r--r--   1 root supergroup          0 2022-05-01 16:40 /dotnetmroutput/\_SUCCESS
-rw-r--r--   1 root supergroup         55 2022-05-01 16:40 /dotnetmroutput/part-00000

查看part-00000内容

[root@localhost reducer]# hadoop fs -cat /dotnetmroutput/part-00000

Beijing 2
China 2
I 2
capital 1
is      1
love 2
of 1
the 1

可以看到dotnet模式的Hadoop Streaming已经执行成功。

回到顶部## Python版MapReduce

使用与dotnet模式下同样的测试数据,编写mapper

# mapper.py
import sys
import re
p = re.compile(r'\w+')
for line in sys.stdin:
 words = line.strip().split(' ')
 for word in words:
 w = p.findall(word)
 if len(w) < 1:
 continue
 s = w[0].strip().lower()
 if s != "":
 print("%s\t%s" % (s, 1))

编写reducer

# reducer.py
import sys
res = dict()
for word\_one in sys.stdin:
 word, one = word\_one.strip().split('\t')
 if word in res.keys():
 res[word] = res[word] + 1
    else:
 res[word] = 1
print(res)

执行mapreduce

hadoop jar /usr/local/hadoop323/hadoop-3.2.3/share/hadoop/tools/lib/hadoop-streaming-3.2.3.jar -input /chesterdata/mrdata -output /mroutput -mapper "python3 mapper.py" -reducer "python3 reducer.py" -file /root/mapper.py -file /root/reducer.py

查看mapreduce结果

[root@localhost lib]# hadoop fs -ls /mroutput

-rw-r--r--   1 root supergroup          0 2022-05-01 05:00 /mroutput/\_SUCCESS
-rw-r--r--   1 root supergroup         89 2022-05-01 05:00 /mroutput/part-00000

查看part-00000内容

[root@localhost lib]# hadoop fs -cat /mroutput/part-00000

{'beijing': 2, 'capital': 1, 'china': 2, 'i': 2, 'is': 1, 'love': 2, 'of': 1, 'the': 1}

可以看到python模式的Hadoop Streaming已经执行成功。

C#/.net/.net core QQ群:953553560

3e8b4709c4ea9ce765d3eb01b55c25e9 - Hadoop(三)通过C#/python实现Hadoop MapReduceaa72ad44bc362ec19eff8727f4be0e24 - Hadoop(三)通过C#/python实现Hadoop MapReduce

转载请注明:xuhss » Hadoop(三)通过C#/python实现Hadoop MapReduce

喜欢 (0)

您必须 登录 才能发表评论!