【大数据】MapReduce JAVA API编程实践及适用场景介绍

目录

1.前言

2.mapreduce编程示例

3.MapReduce适用场景

---

1.前言

本文是作者大数据系列专栏的其中一篇，前文我们依次聊了大数据的概论、分布式文件系统、分布式数据库、以及计算引擎mapreduce核心概念以及工作原理。

书接上文，本文将会继续聊一下mapreduce的编程实践以及mapreduce的适用场景。基于的Hadoop版本依然是前文的hadoop3.1.3。

2.mapreduce编程示例

本文依然以最经典的单词分词，即统计各个单词数量的业务场景为例。mapreduce其实就是编写map函数和reduce函数。map reduce的Java API中提供了map和reduce的标准接口，实现接口，编写自己的业务逻辑即可。

依赖：

<dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-mapreduce-client-core</artifactId><version>3.1.3</version>
</dependency>

map函数：

map阶段会从分布式文件系统HDFS中去读数据，读入的数据先进行分词，然后进行初步的统计。所以编写map函数要写的就是分词和统计：

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.io.Text;public class MyMapper extends Mapper<Object, Text, Text, IntWritable> {private Text word = new Text();@Overrideprotected void map(Object key, Text value, Mapper<Object, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {StringTokenizer itr = new StringTokenizer(value.toString());while (itr.hasMoreTokens()) {word.set(itr.nextToken());context.write(word, new IntWritable(1));}}
}

key，是每条输入的键，默认情况下处理文本文件时通常是记录的偏移量，类型为Object（实践中常为LongWritable）。

context是输出。

在new StringTokenizer这一步，文本就会进行分词。

IntWritable是int的包装类，主要是为了赋予int类型可序列化的能力，毕竟要在网络中进行传输。

reduce函数：

reduce的shuffle是底层自动执行的，所以我们只需要编写好reduce函数即可：

reduce函数的输入就是shuffle后的<key,Iterable>,context是输出。

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;public class MyReducer extends Reducer<Text, IntWritable, Text, IntWritable> {@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {int sum=0;for(IntWritable val:values){sum+=val.get();}context.write(key,new IntWritable(sum));}
}

main函数：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;public class MapReduceTest {public static void main(String[] args)throws Exception {Configuration conf = new Configuration();conf.set("fs.defaultFS", "hdfs://192.168.31.10:9000");conf.set("fs.hdfs.impl","org.apache.hadoop.hdfs.DistributedFileSystem");Job job = Job.getInstance(conf, "word count");job.setJarByClass(MapReduceTest.class); // 使用当前类的类加载器job.setMapperClass(MyMapper.class);job.setCombinerClass(MyReducer.class);job.setReducerClass(MyReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);FileInputFormat.addInputPath(job, new Path("/user/hadoop/input/input1.txt"));FileOutputFormat.setOutputPath(job, new Path("/user/hadoop/output"));job.waitForCompletion(true);}
}

3.MapReduce适用场景

mapreduce适用于哪些场景？之前聊了那么多，似乎MapReduce也就只能统计一下数量？其实不是这样的，MapReduce能用来实现一切代数关系运算，即：选择、投影、并、交、差、连接，也就是对应关系型数据库的全部操作。

以连接为例：

在存数据的时候通过一个外键来预留好关联点。map和reduce函数都是我们手动定义的，map阶段我们完全可以把外键作为key，这样在reduce的shuffle阶段数据自然就会通过外键这个key聚合在一起。

ok，我们知道了MapReduce能将数据关联在一起，那么MapReduce能做的事情可就太多了。回想一下类比我们在用关系型数据库时，想对数据进行统计分析，是不是其实就是将数据连接聚合在一起。所以我们说MapReduce可以完成一切对于数据的关系运算，也就是完成一切对于数据的计算任务。

下面举几个具体在行业内落地的应用场景：

1.搜索引擎的网页索引：

网页爬虫抓取大量网页内容。
Map阶段：解析每个网页，提取关键词，生成键值对（关键词, 网页URL）。
Reduce阶段：对关键词进行聚合，生成倒排索引，即每个关键词对应一组包含该关键词的网页列表。

2.用户行为分析：

收集用户在网站上的浏览、点击、购买等行为数据。
Map阶段：将每个事件转化为键值对（用户ID, 行为详情）。
Reduce阶段：按用户ID聚合，统计用户的总访问次数、购买行为、最常访问的页面等。

3.广告效果评估：

分析广告展示、点击和转化数据。
Map阶段：处理广告日志，产生（广告ID, 展示次数/点击次数/转化次数）键值对。
Reduce阶段：计算每个广告的CTR（点击率）和ROI（投资回报率）。

4.社交网络分析：

计算用户之间的关系，如好友数、影响力等。
Map阶段：遍历用户关系数据，输出（用户A, 用户B）键值对表示A关注B。
Reduce阶段：对每个用户进行聚合，计算其关注者和被关注者的数量。

5.新闻热点检测：

分析新闻标题和内容，找出热门话题。
Map阶段：将每条新闻转化为（关键词, 新闻ID）键值对。
Reduce阶段：对关键词进行聚合，统计出现频率，找出出现最多的关键词。

6.图像处理：

大规模图像分类或标签生成。
Map阶段：对每张图片进行预处理，生成特征向量和对应的图像ID。
Reduce阶段：使用机器学习模型对特征向量进行分类或聚类。

7.金融领域：

信用评分模型的训练。
Map阶段：处理个人信用记录，形成（用户ID, 信用特征）键值对。
Reduce阶段：用这些特征训练模型，预测用户违约概率。

8.基因组学研究：

对大规模基因序列进行比对和变异检测。
Map阶段：将基因序列片段与参考基因组进行比对，输出匹配位置。
Reduce阶段：整合比对结果，确定变异位点。