转载

码说MapReduce

MapReduce框架作为Hadoop发展初期的核心计算框架，为大数据处理技术飞速演进提供了基石。在Hadoop生态圈中，MapReduce框架由于其成熟稳定的性能，仍然是离线批处理技术的主力。以我们的北京移动大数据集群为例，Hive、SparkSql是支撑探索性数据查询的主要工具，其简单易懂的SQL语句查询，可以使具备基础数据库管理能力的人员轻松上手，完美地支撑了实时数据查询需求。

在我最初使用Java写MapReduce程序之前，总有一个疑问：既然可以用SQL这么通俗易懂的语句直接操作数据，而且不需要过多了解MapReduce执行过程，为什么还要费力地用Java垒代码，去了解MapReduce的底层执行过程。什么样的应用场景需要我们来开发MapReduce呢？

首先，Sql非常适用于处理结构化数据，对于非结构化数据以及需要特殊函数处理的数据比如文本数据，Sql则会力不从心。举一个小例子，从海量文本数据中提取各种字符编码并翻译为中文，过程中还涉及自动识别是utf-8还是ANSI亦或是其他编码格式，这个需求用MapReduce程序实现起来更为合理；另外，在处理业务逻辑较为复杂的任务时，使用Sql很难实现，其执行效率方面也很难满足业务需求。举例来说，我们需要将业务日志中的域名识别为相应的互联网应用，现实操作中需要分多种情况使用多重判断进行规则匹配，并剔除钓鱼网站和fake url，使用SQL很难实现业务逻辑。再例如，使用Sql进行多表join并叠加复杂的数学运算时，其效率也很难满足业务需求。

在我们的机器学习工具开发过程中，为了使用原有数据建立特征向量，我们需要对原有表结构进行转化，需要迭代原始数据生成具有较多特征值的特征向量。原始数据量为13亿条，共13.2GB，我们尝试使用Hive SQL进行实现，经过测试，任务执行时间过长无法满足需求。而使用MapReduce编写两个Job实现业务逻辑，同时使用哈希算法优化字符串查询效率，最终处理时长为15分钟。应对这些复杂情况，使用MapReduce编程可以使我们获得更多对程序实现的控制和方法选择，通过底层算法优化实现效率提升。

基于不同的业务场景，结合不同工具特点，我们采用SQL脚本和MapReduce开发程序结合的策略，使日常数据处理任务在效率上得到了很好地满足。在我们平台中，MapReduce程序承担了如关键字提取、应用匹配和标签规则运算等近30%的日常数据处理任务。

总之，我们在实际应用中依据灵活性和效率来选择是否自己开发程序。

概览MapReduce

认识MapReduce先从架构入手，在此我们一图以蔽之：

图 1

现在广泛使用的MapReduce v2基于YARN架构，其角色包括Resource Manager(RM)、NodeManager(NM)、Application Master(AM)。RM由Master主机承担，主要负责任务调度和资源调配，NM和AM由各工作节点Slave承担，负责任务的处理和资源读写，其计算单位抽象为container。MapReduce的计算流程可以抽象为Splitting、Mapping、Shuffling、Reducing阶段，其中shuffling包括了Grouping、Sorting、Partitioning过程。以WordCount为例，如下图：

图 2

在掌握了MapReduce架构和原理的基础上，从代码的角度认识MapReduce才是程序员的正确打开方式。

开发MapReduce

MapReduce程序中，Map和Reduce逻辑功能分别通过扩展Mapper类和Reducer类实现。具体在实现过程中，我们在主类中将Mapper和Reducer类扩展并作为内部类调用，最后通过main函数定义输入输出以及Job配置，从而作为程序主入口。

Map实现

Mapper类扩展需要实现map方法，如下：

根据需求可以扩展setup、cleanup和自定义方法等，扩展Mapper类时需要声明键值对类型，如 Mapper< NullWritable，Writable，IntWritable，Text >，依次分别为输入输出< key，value >类型，其中< NullWritable，Writable >是orc文件格式输入< key，value >类型。

需要强调的是，MapReduce中所有输入输出字段类型都必须实现Writable或者WritableComparable类型，这是因为MapReduce中磁盘读写和节点数据传输过程涉及到数据的序列化和反序列化，需要通过这两类来实现。经常用到的IntWritable、LongWritable、Text等都是实现自WritableComparable类，如果需要，我们也可以扩展这两类实现自定义数据类型。例如，在通过MapReduce实现两表和多表Join的过程中，我通过实现WritableComparable类自定义Map输出的key字段类型，来实现对于Grouping和Sorting阶段不同比较字段的控制。

setup方法在类调用起始阶段运行，可以实现初始阶段对于参数读取和变量赋值的操作。在app应用识别案例中，我们在setup阶段实现对于平台DPI文件的读取操作，以在之后的map阶段实现MapJoin操作，代码如下：

其中DPIMap是需要在主类中定义的HashMap变量，在map阶段将使用HashMap实现快速查找。

map方法是实现Mapper类的核心方法，map阶段主要逻辑都需要在map方法中实现。map方法参数定义包括输入< key，value >和上下文对象context声明。Context对象负责在MapReduce执行过程中平台配置和Job配置的传递。Job执行过程中，写入的业务逻辑会对每一条数据进行操作，并将中间结果< key，value >值通过context对象写入后台进行之后的shuffle和reduce操作。

例如我需要将业务数据中的host字段与DPI数据的host字段进行等值连接，统计出使用app的次数。我们可以在map方法中实现如下：

在此默认输入数据为ORC格式，代码中涉及对ORC文件读取方法。

Reduce实现

同Mapper类类似，扩展Reducer类需要实现reduce方法。继续以统计app次数为例，Reducer类扩展实现为：

其中reduce方法实现的逻辑为对依据key值group之后的value值集合进行加和，并写入HDFS。

在reduce方法中，接收到的value集合通过Iterable接口实现，我们可以通过iterator对象提供的API实现对value值集合的遍历。Reduce的输出我们最终写为ORC格式。

程序主入口main()方法

通过在主类中定义main()方法作为程序的入口，我们需要在此完成对程序参数传递、输入输出配置和HDFS平台配置声明等工作，以app应用识别为例，代码如下：

此例main()方法主要完成了对输入输出类型和路径的配置、任务执行队列和资源配置的定义。main()方法主要完成对程序接口的定义和资源调配，以上代码展示了一个最基本main()方法的定义。如果任务需要，我们还可以完成诸如自定义Group Comparator、Sort Comparator、Partitoner等对象的定义，并在main()方法中声明，作为MapReduce程序的comparator。

在我们平台的日常任务中，我们放弃使用占用空间较大的Text和Sequence文件格式，完全使用ORC文件格式作为数据存储格式。这样可以实现自定义MapReduce程序与Hive平台的无缝结合，更重要的是，可以为平台节省十倍的存储空间。

ORC存储方法

ORC File是Optimized Row Columnar (ORC) file的简称，它基于RCFile格式进行了优化。ORC文件格式的设计初衷是为了提高Hive数据读写以及数据处理能力，由于其实现了一定的数据压缩，可以占用更小的数据存储。

我们使用ORC格式作为MapReduce和Hive工具的统一存储格式，可以节省平台大量的存储空间，同时也实现了MapReduce程序与Hive的更好结合。

经过我们平台日常任务的实测积累，ORC文件格式可以为Hive提供稳定快速的数据读写，并且与Text文件存储相比，可以节省十倍的存储空间，可以大幅提升平台数据存储和处理能力。对于MapReduce程序读写ORC文件，无法像未压缩的Text文件一样直接读写，还需要做关于表数据结构声明等工作。

读ORC文件

仍然以app应用识别为例，主类中需要定义变量SCHEMA，声明读入表结构：

读取ORC文件格式的代码如下：

首先，需要将读入的value值强制类型转换为OrcStruct，然后根据表结构实例化StructObjectInspector对象为inspector，最后使用StructObjectInspector类提供的API对字段进行读取。

写ORC文件

与读入过程相对应，写ORC文件代码如下：

我们需要根据自定义的数据类型MyRow类实例化StructObjectInspector为inspector，然后使用OrcSerde对象将最终计算结果进行序列化并写入HDFS。其中MyRow类是通过扩展Writable类，对输出数据类型进行了定义，在类中完成了对输出表结构字段的定义和赋值，代码如下：

在上面的章节中，我们介绍了MapReduce开发在北京移动大数据平台上的应用背景和部分应用案例。尽管MapReduce由于处理机制中大量的磁盘读写带来了数据处理效率的瓶颈，但在日常离线数据处理任务中由于其成熟稳定的性能，MapReduce仍然扮演着十分重要的角色。

随着技术的不断发展，诸如Spark等更加快速的计算引擎也将逐步取代MapReduce的地位，我们也在一步步尝试替换和优化我们的应用场景，也欢迎大家多提意见和建议，谢谢！

作者简介：孙昊，毕业于Auburn Univeristy，获得EE工程硕士学位，专攻信息论与信息安全，现就职于北京移动网运中心。熟悉信息论与数理统计，善用Java、Scala语言编程，熟悉C、C++、Python语言以及H5、Javascript等网络编程语言，精通MapReduce编程框架，熟悉Storm、Spark Streaming大数据实时处理技术。2014年底加入北京移动eBDA大数据分析团队，担任团队大数据软件开发工程师，参与完成了搜索关键字产品、互联网流量视图、应用匹配产品、用户标签体系产品等大数据项目。eBDA大数据分析团队是一支扎根于北京移动网运中心，致力于提升数据价值、改善用户体验，取之于民用之于民的有理想有能力的团队。