hadoop源碼閱讀

1、hadoop源碼下載

下載地址：https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/  

 

2、我們看一下hadoop源碼中提供的一個程序WordCount

/**
 * Licensed to the Apache Software Foundation (ASF) under one
 * or more contributor license agreements.  See the NOTICE file
 * distributed with this work for additional information
 * regarding copyright ownership.  The ASF licenses this file
 * to you under the Apache License, Version 2.0 (the
 * "License"); you may not use this file except in compliance
 * with the License.  You may obtain a copy of the License at
 *
 *     http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */
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 {

    // Mapper<Object,Text,Text,IntWritable>
    // Object是輸入的key的類型
    // Text是輸入的value的類型
    // Text是輸出的key的類型
    // IntWritable是輸出的value的類型
  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> [<in>...] <out>");
      System.exit(2);
    }
    Job job = Job.getInstance(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);
    for (int i = 0; i < otherArgs.length - 1; ++i) {
      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
    }
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

 

Map()階段

 其中的42-55行，MapReduce程序需要繼承org.apache.hadoop.mapreduce.Mapper 這個類，並在這個類中的繼承類中自定義實現Map()方法

其中 org.apache.hadoop.mapreduce.Mapper 要求的參數有四個（keyIn、valueIn、keyOut、valueOut），即Map（）任務的輸入和輸出都是< key，value >對的形式

源代碼此處各個參數的意義是：

1. Object：輸入< key, value >對的 key 值，此處為文本數據的起始位置的偏移量。在大部分程序下這個參數可以直接使用 Long 類型，源碼此處使用Object做了泛化。
2. Text：輸入< key, value >對的 value 值，此處為一段具體的文本數據。
3. Text：輸出< key, value >對的 key 值，此處為一個單詞。
4. IntWritable：輸出< key, value >對的 value 值，此處固定為 1 。IntWritable 是 Hadoop 對 Integer 的進一步封裝，使其可以進行序列。

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

此處定義了兩個變量：

one：類型為Hadoop定義的 IntWritable 類型，其本質就是序列化的 Integer ，one 變量的值恆為 1 。 
word：因為在WordCount程序中，Map 端的任務是對輸入數據按照單詞進行切分，每個單詞為 Text 類型。

   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);
      }
    }

這段代碼為Map端的核心，定義了Map Task 所需要執行的任務的具體邏輯實現。 
map() 方法的參數為 Object key, Text value, Context context，其中：

1. key： 輸入數據在原數據中的偏移量。 
2. value：具體的數據數據，此處為一段字符串。 
3. context：用於暫時存儲 map() 處理后的結果。

方法內部首先把輸入值轉化為字符串類型，並且對Hadoop自帶的分詞器 StringTokenizer 進行實例化用於存儲輸入數據。之后對輸入數據從頭開始進行切分，把字符串中的每個單詞切分成< key, value >對的形式，如：< hello , 1>、< world, 1> …

Reduce()階段

public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {}

import org.apache.hadoop.mapreduce.Reducer 類的參數也是四個（keyIn、valueIn、keyOut、valueOut），即Reduce（）任務的輸入和輸出都是< key，value >對的形式。

源代碼中此處的各個參數的含義：

1. Text：輸入< key, value >對的key值，此處為一個單詞
2. IntWritable：輸入< key, value >對的value值。
3. Text：輸出< key, value >對的key值，此處為一個單詞
4. IntWritable：輸出< key, value >對，此處為相同單詞詞頻累加之后的值。實際上就是一個數字。

  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);
    }

Reduce()函數的三個參數：

1. Text：輸入< key, value >對的key值，也就是一個單詞
2. value：這個地方值得注意，在前面說到了，在MapReduce任務中，除了我們自定義的map()和reduce()之外，在從map 刀reduce 的過程中，系統會自動進行combine、shuffle、sort等過程對map task的輸出進行處理，因此reduce端的輸入數據已經不僅僅是簡單的< key, value >對的形式，而是一個一系列key值相同的序列化結構，如：< hello，1，1，2，2，3…>。因此，此處value的值就是單詞后面出現的序列化的結構：（1，1，1，2，2，3…….）
3. context：臨時存儲reduce端產生的結果

因此在reduce端的代碼中，對value中的值進行累加，所得到的結果就是對應key值的單詞在文本中所出現的詞頻。

 

main()函數

public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();    
        // 獲取我們在執行這個任務時傳入的參數，如輸入數據所在路徑、輸出文件的路徑的等
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        //因為此任務正常運行至少要給出輸入和輸出文件的路徑，因此如果傳入的參數少於兩個，程序肯定無法運行。
    if (otherArgs.length < 2) {
      System.err.println("Usage: wordcount <in> [<in>...] <out>");
      System.exit(2);
    }
    Job job = Job.getInstance(conf, "word count");  // 實例化job，傳入參數，job的名字叫 word count
    job.setJarByClass(WordCount.class);  //使用反射機制，加載程序
    job.setMapperClass(TokenizerMapper.class);  //設置job的map階段的執行類
    job.setCombinerClass(IntSumReducer.class);  //設置job的combine階段的執行類
    job.setReducerClass(IntSumReducer.class);  //設置job的reduce階段的執行類
    job.setOutputKeyClass(Text.class);  //設置程序的輸出的key值的類型
    job.setOutputValueClass(IntWritable.class);  //設置程序的輸出的value值的類型
    for (int i = 0; i < otherArgs.length - 1; ++i) {
      FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
    }  //獲取我們給定的參數中，輸入文件所在路徑
    FileOutputFormat.setOutputPath(job,
      new Path(otherArgs[otherArgs.length - 1]));  //獲取我們給定的參數中，輸出文件所在路徑
    System.exit(job.waitForCompletion(true) ? 0 : 1);  //等待任務完成，任務完成之后退出程序
  }
}