版本：CDH5.0.0，HDFS：2.3.0，Mapreduce:2.3.0,Yarn:2.3.0。
场景描述：求一组数据中按照不同类别的最大值，比如，如下的数据：
data1:
A,10data2:
A,11
A,12
A,13
B,21
B,31
B,41
B,51
A,20A,21A,22A,23B,201B,301B,401B,501最后输出为：
A,23B,501假如这样的逻辑的mapreduce数据流如下：
假设C组数据比较多，同时假设集群有2个节点，那么这个任务分配2个reducer，且C组数据平均分布到两个reducer中，（这样做是为了效率考虑，如果只有一个reducer，那么当一个节点在运行reducer的时候另外一个节点会处于空闲状态）那么如果在reducer之后，还可以再次做一个reducer，那么不就可以整合数据到一个文件了么，同时还可以再次比较C组数据中，以得到真正比较大的数据。
首先说下，不用上面假设的方式进行操作，那么一般的操作方法。一般有两种方法：其一，直接读出HDFS数据，然后进行整合；其二，新建另外一个Job来进行整合。这两种方法，如果就效率来说的话，可能第一种效率会高点。
考虑到前面提出的mapreduce数据流，以前曾对ChainReducer有点印象，好像可以做这个，所以就拿ChainReducer来试，同时为了学多点知识，也是用了多个Mapper（即使用ChainMapper）。
主程序代码如下：
package chain;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.conf.Configured;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapred.FileInputFormat;import org.apache.hadoop.mapred.FileOutputFormat;import org.apache.hadoop.mapred.JobClient;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapred.TextInputFormat;import org.apache.hadoop.mapred.TextOutputFormat;import org.apache.hadoop.mapred.lib.ChainMapper;import org.apache.hadoop.mapred.lib.ChainReducer;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner;public class ChainDriver2 extends Configured implements Tool{/** * ChainReducer 实战 * 验证多个reducer的整合 * 逻辑：寻找最大值 * @param args */private String input=null;private String output=null;private String delimiter=null;private int reducer=1;public static void main(String[] args) throws Exception {ToolRunner.run(new Configuration(), new ChainDriver2(),args);}@Overridepublic int run(String[] arg0) throws Exception {configureArgs(arg0);checkArgs();Configuration conf = getConf();conf.set("delimiter", delimiter);JobConf job= new JobConf(conf,ChainDriver2.class);ChainMapper.addMapper(job, MaxMapper.class, LongWritable.class,Text.class, Text.class, IntWritable.class, true, new JobConf(false)) ;ChainMapper.addMapper(job, MergeMaxMapper.class, Text.class,IntWritable.class, Text.class, IntWritable.class, true, new JobConf(false));ChainReducer.setReducer(job, MaxReducer.class, Text.class, IntWritable.class,Text.class, IntWritable.class, true, new JobConf(false));ChainReducer.addMapper(job, MergeMaxMapper.class, Text.class,IntWritable.class, Text.class, IntWritable.class, false, new JobConf(false));job.setJarByClass(ChainDriver2.class);job.setJobName("ChainReducer test job"); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); /* job.setMapperClass(MaxMapper.class); job.setReducerClass(MaxReducer.class);*/ job.setInputFormat(TextInputFormat.class);; job.setOutputFormat(TextOutputFormat.class); job.setNumReduceTasks(reducer); FileInputFormat.addInputPath(job, new Path(input)); FileOutputFormat.setOutputPath(job, new Path(output)); JobClient.runJob(job);return 0;}/** * check the args */private void checkArgs() {if(input==null||"".equals(input)){System.out.println("no input...");printUsage();System.exit(-1);}if(output==null||"".equals(output)){System.out.println("no output...");printUsage();System.exit(-1);}if(delimiter==null||"".equals(delimiter)){System.out.println("no delimiter...");printUsage();System.exit(-1);}if(reducer==0){System.out.println("no reducer...");printUsage();System.exit(-1);}}/** * configuration the args * @param args */private void configureArgs(String[] args) { for(int i=0;i<args.length;i++){ if("-i".equals(args[i])){ input=args[++i]; } if("-o".equals(args[i])){ output=args[++i]; } if("-delimiter".equals(args[i])){ delimiter=args[++i]; } if("-reducer".equals(args[i])){ try { reducer=Integer.parseInt(args[++i]);} catch (Exception e) {reducer=0;} } }}public static void printUsage(){ System.err.println("Usage:"); System.err.println("-i input \t cell data path."); System.err.println("-o output \t output data path."); System.err.println("-delimiter data delimiter , default is blanket ."); System.err.println("-reducer reducer number , default is 1 ."); }}
MaxMapper：
package chain;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.mapred.JobConf;import org.apache.hadoop.mapred.MapReduceBase;import org.apache.hadoop.mapred.Mapper;import org.apache.hadoop.mapred.OutputCollector;import org.apache.hadoop.mapred.Reporter;import org.slf4j.Logger;import org.slf4j.LoggerFactory;public class MaxMapper extends MapReduceBase implements Mapper<LongWritable ,Text,Text,IntWritable>{private Logger log = LoggerFactory.getLogger(MaxMapper.class);private String delimiter=null;@Overridepublic void configure(JobConf conf){delimiter=conf.get("delimiter");log.info("delimiter:"+delimiter);log.info("This is the begin of MaxMapper");}@Overridepublic void map(LongWritable key, Text value,OutputCollector<Text, IntWritable> out, Reporter reporter)throws IOException {// TODO Auto-generated method stubString[] values= value.toString().split(delimiter);log.info(values[0]+"-->"+values[1]);out.collect(new Text(values[0]), new IntWritable(Integer.parseInt(values[1])));}public void close(){log.info("This is the end of MaxMapper");}}
MaxReducer：
package chain;import java.io.IOException;import java.util.Iterator;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapred.MapReduceBase;import org.apache.hadoop.mapred.OutputCollector;import org.apache.hadoop.mapred.Reducer;import org.apache.hadoop.mapred.Reporter;import org.slf4j.Logger;import org.slf4j.LoggerFactory;public class MaxReducer extends MapReduceBase implements Reducer<Text,IntWritable,Text,IntWritable>{private Logger log = LoggerFactory.getLogger(MaxReducer.class);@Overridepublic void configure(JobConf conf){log.info("This is the begin of the MaxReducer");}@Overridepublic void reduce(Text key, Iterator<IntWritable> values,OutputCollector<Text, IntWritable> out, Reporter reporter)throws IOException {// TODO Auto-generated method stubint max=-1;while(values.hasNext()){int value=values.next().get();if(value>max){max=value;}}log.info(key+"-->"+max);out.collect(key, new IntWritable(max));}@Overridepublic void close(){log.info("This is the end of the MaxReducer");}}
MergeMaxMapper：
package chain;import java.io.IOException;//import java.util.ArrayList;//import java.util.HashMap;//import java.util.Map;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapred.JobConf;import org.apache.hadoop.mapred.MapReduceBase;import org.apache.hadoop.mapred.Mapper;import org.apache.hadoop.mapred.OutputCollector;import org.apache.hadoop.mapred.Reporter;import org.slf4j.Logger;import org.slf4j.LoggerFactory;public class MergeMaxMapper extends MapReduceBase implements Mapper<Text ,IntWritable,Text,IntWritable>{private Logger log = LoggerFactory.getLogger(MergeMaxMapper.class);//private Map<Text,ArrayList<IntWritable>> outMap= new HashMap<Text,ArrayList<IntWritable>>();@Overridepublic void configure(JobConf conf){log.info("This is the begin of MergeMaxMapper");}@Overridepublic void map(Text key, IntWritable value,OutputCollector<Text, IntWritable> out, Reporter reporter)throws IOException {log.info(key.toString()+"_MergeMaxMapper"+"-->"+value.get());out.collect(new Text(key.toString()+"_MergeMaxMapper"), value);}@Overridepublic void close(){log.info("this is the end of MergeMaxMapper");}}
编程思路如下：原始测试数据data1、data2首先经过MaxMapper（由于两个文件，所以生成了2个map），然后经过MergeMaxMapper，到MaxReducer，最后再次经过MergeMaxMapper。
在程序中添加了输出数据的log，可以通过log来查看各个map和reduce的数据流程。
mapper端的log（其中的一个mapper）：
2014-05-14 17:23:51,307 INFO [main] chain.MaxMapper: delimiter:,2014-05-14 17:23:51,307 INFO [main] chain.MaxMapper: This is the begin of MaxMapper2014-05-14 17:23:51,454 INFO [main] chain.MergeMaxMapper: This is the begin of MergeMaxMapper2014-05-14 17:23:51,471 INFO [main] chain.MaxMapper: A-->202014-05-14 17:23:51,476 INFO [main] chain.MergeMaxMapper: A_MergeMaxMapper-->202014-05-14 17:23:51,476 INFO [main] chain.MaxMapper: A-->212014-05-14 17:23:51,477 INFO [main] chain.MergeMaxMapper: A_MergeMaxMapper-->212014-05-14 17:23:51,477 INFO [main] chain.MaxMapper: A-->222014-05-14 17:23:51,477 INFO [main] chain.MergeMaxMapper: A_MergeMaxMapper-->222014-05-14 17:23:51,477 INFO [main] chain.MaxMapper: A-->232014-05-14 17:23:51,477 INFO [main] chain.MergeMaxMapper: A_MergeMaxMapper-->232014-05-14 17:23:51,477 INFO [main] chain.MaxMapper: B-->2012014-05-14 17:23:51,477 INFO [main] chain.MergeMaxMapper: B_MergeMaxMapper-->2012014-05-14 17:23:51,477 INFO [main] chain.MaxMapper: B-->3012014-05-14 17:23:51,477 INFO [main] chain.MergeMaxMapper: B_MergeMaxMapper-->3012014-05-14 17:23:51,478 INFO [main] chain.MaxMapper: B-->4012014-05-14 17:23:51,478 INFO [main] chain.MergeMaxMapper: B_MergeMaxMapper-->4012014-05-14 17:23:51,478 INFO [main] chain.MaxMapper: B-->5012014-05-14 17:23:51,478 INFO [main] chain.MergeMaxMapper: B_MergeMaxMapper-->5012014-05-14 17:23:51,481 INFO [main] chain.MaxMapper: This is the end of MaxMapper2014-05-14 17:23:51,481 INFO [main] chain.MergeMaxMapper: this is the end of MergeMaxMapper
通过上面log，可以看出，通过ChainMapper添加mapper的方式的mapper的处理顺序为：首先初始化第一个mapper（即调用configure方法）；接着初始第二个mapper（调用configure方法）；然后开始map函数，map函数针对一条记录，首先采用mapper1进行处理，然后使用mapper2进行处理；最后是关闭阶段，关闭的顺序同样是首先关闭mapper1（调用close方法），然后关闭mapper2。
reducer端的log（其中一个reducer）
2014-05-14 17:24:10,171 INFO [main] chain.MergeMaxMapper: This is the begin of MergeMaxMapper2014-05-14 17:24:10,311 INFO [main] chain.MaxReducer: This is the begin of the MaxReducer2014-05-14 17:24:10,671 INFO [main] chain.MaxReducer: B_MergeMaxMapper-->5012014-05-14 17:24:10,672 INFO [main] chain.MergeMaxMapper: B_MergeMaxMapper_MergeMaxMapper-->5012014-05-14 17:24:10,673 INFO [main] chain.MergeMaxMapper: this is the end of MergeMaxMapper2014-05-14 17:24:10,673 INFO [main] chain.MaxReducer: This is the end of the MaxReducer
通过上面的log可以看出，通过ChainReducer添加mapper的方式，其数据处理顺序为：首先初始化Reducer之后的Mapper，接着初始化Reducer（看configure函数即可知道）；然后处理reducer，reducer的输出接着交给mapper处理；最后先关闭Mapper，接着关闭reducer。
同时，注意到，reducer后面的mapper也是两个的，即有多少个reducer，就有多少个mapper。
通过实验得到上面的ChainReducer的数据处理流程，且ChainReducer没有addReducer的方法，也即是不能添加reducer了，那么最开始提出的mapreduce数据流程就不能采用这种方式实现了。
最后，前面提出的mapreduce数据流程应该是错的，在reducer out里面C组数据不会被拆分为两个reducer，相同的key只会向同一个reducer传输。这里同样做了个试验，通过对接近90M的数据（只有一个分组A）执行上面的程序，可以看到有2个mapper，2个reducer（此数值为设置值），但是在其中一个reducer中并没有A分组的任何数据，在另外一个reducer中才有数据。其实，不用试验也是可以的，以前看的书上一般都会说相同的key进入同一个reducer中。不过，如果是这样的话，那么这样的数据效率应该不高。
返回最开始提出的场景，最开始提出的问题，如果相同的key只会进入一个reducer中，那么最后的2个数据文件（2个reducer生成2个数据文件）其实里面不会有key冲突的数据，所以在进行后面的操作的时候可以直接读多个文件即可，就像是读一个文件一样。
会产生这样的认知错误，应该是对mapreduce 原理不清楚导致。
分享，成长，快乐
转载请注明blog地址：http://blog.csdn.net/fansy1990