在 Hadoop on HDInsight 中使用 MapReduce

了解如何在 HDInsight 群集上运行 MapReduce 作业。 使用下表找到可将 MapReduce 与 HDInsight 配合使用的各种方法:

请使用以下方法... ...实现此目的 ...使用此 群集操作系统 ...从此 客户端操作系统
SSH 通过 SSH Linux Linux、Unix、Mac OS X 或 Windows
REST 使用 REST(示例使用 cURL)远程提交作业 Linux 或 Windows Linux、Unix、Mac OS X 或 Windows
Windows PowerShell 使用 Windows PowerShell Linux 或 Windows Windows

Important

Linux 是 HDInsight 3.4 或更高版本上使用的唯一操作系统。 有关详细信息,请参阅 HDInsight 在 Windows 上停用

什么是 MapReduce

Hadoop MapReduce 是一个软件框架,用于编写处理海量数据的作业。 输入的数据将拆分为独立的区块。 每个区块跨群集中的节点并行进行处理。 MapReduce 作业包括两个函数:

  • 映射器:使用输入数据,对数据进行分析(通常使用筛选器和排序操作),并发出元组(键/值对)

  • 化简器:使用映射器发出的元组并执行汇总运算,以基于映射器数据创建更小的合并结果

下图演示了一个基本的单词计数 MapReduce 作业示例:

HDI.WordCountDiagram

此作业的输出是文本中每个单词出现次数的计数。

  • mapper 将输入文本中的每一行作为一个输入并将其拆分为多个单词。 每当一个单词出现时,mapper 发出一个键/值对,其中在该单词后跟一个 1。 输出在发送到化简器之前经过排序。
  • 随后,化简器会计算每个单词的计数的和并发出一个键/值对(包含单词,后跟该单词的总出现次数)。

MapReduce 可使用多种语言实现。 Java 是最常见的实现,本文档中使用该语言进行演示。

开发语言

基于 Java 和 Java 虚拟机的语言或框架可作为 MapReduce 作业直接运行。 在本文档中使用的示例是 Java MapReduce 应用程序。 C#、Python 等非 Java 语言或独立可执行文件必须使用 Hadoop 流式处理

Hadoop 流式处理通过 STDIN 和 STDOUT 与映射器和化简器通信。 映射器和化简器从 STDIN 中一次读取一行数据,并将输出写入 STDOUT。 映射器和化简器读取或发出的每行必须采用制表符分隔的键/值对格式:

[key]/t[value]

有关详细信息,请参阅 Hadoop Streaming(Hadoop 流式处理)。

有关将 Hadoop 流式处理与 HDInsight 配合使用的示例,请参阅以下文档:

示例数据

HDInsight 提供存储在 /example/data/HdiSamples 目录中的各种示例数据集。 这些目录位于群集的默认存储中。 在本文档中,我们使用 /example/data/gutenberg/davinci.txt 文件。 此文件包含 Leonardo Da Vinci 的笔记本。

MapReduce 示例

MapReduce 单词计数应用程序示例包含在 HDInsight 群集中。 此示例位于群集默认存储的 /example/jars/hadoop-mapreduce-examples.jar 中。

以下 Java 代码是包含在 hadoop-mapreduce-examples.jar 文件中的 MapReduce 应用程序的源代码:

package org.apache.hadoop.examples;

import java.io.IOException;
import java.util.StringTokenizer;

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {

    public static class TokenizerMapper
        extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
        StringTokenizer itr = new StringTokenizer(value.toString());
        while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
        }
    }
    }

    public static class IntSumReducer
        extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                        Context context
                        ) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
        sum += val.get();
        }
        result.set(sum);
        context.write(key, result);
    }
    }

    public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
        System.err.println("Usage: wordcount <in> <out>");
        System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

有关编写自己的 MapReduce 应用程序的说明,请参阅以下文档:

运行 MapReduce

HDInsight 可以使用各种方法运行 HiveQL 作业。 使用下表来确定哪种方法最适合用户,并访问此链接进行演练。

使用此方法... ...实现此目的 ...使用此 群集操作系统 ...从此 客户端操作系统
SSH 通过 SSH Linux Linux、Unix、Mac OS X 或 Windows
Curl 使用 REST Linux 或 Windows Linux、Unix、Mac OS X 或 Windows
Windows PowerShell 使用 Windows PowerShell Linux 或 Windows Windows

Note

在 Azure 中国区,HDInsight Linux 仅支持 3.5 或更高版本。 在 Azure 中国区无法创建 HDInsight Linux 3.2、3.3 和 3.4。 但是,可以通过 HDInsight 模拟器使用这些版本。

Important

Linux 是 HDInsight 3.4 或更高版本上使用的唯一操作系统。 有关详细信息,请参阅 HDInsight 在 Windows 上停用

后续步骤

若要了解如何使用 HDInsight 中的数据的详细信息,请参阅以下文档: