基於Hadoop的Map reduce編程(一)

翻譯的一篇國外的關於hadoop mapreduce的文章，文章比較長，先翻譯第一部分吧

翻譯者：pconlin900

博客：http://pconline900.javaeye.com

Hadoop是apache的一個開源的map-reduce框架，MapReduce是一個並行計算模型，用來處理海量數據。模型思想來源於google的Jeffrey Dean 和 Sanjay Ghemawat，包括map() reduce()兩個主要的功能。

這是一個很簡單的類似於Hadoop的MapReduce應用例子，應用了mapreduce的基本思想，可以幫助理解hadoop的處理思想和技術，但注意，它沒有使用hadoop框架。

例子的功能是創建一些字符串，然後統計這些字符串裡面每個字符出現的次數，最後匯總得到總的字符出現次數。

Listing 1. 主程序

public class Main
{
　　public static void main(String[] args)
　　{
　　　　MyMapReduce my = new MyMapReduce();
　　　　my.init();
　　}

Listing 2. MyMapReduce.java

import java.util.*;
public class MyMapReduce
{
List buckets = new ArrayList();
List intermediateresults = new ArrayList();
List values = new ArrayList();
public void init()
{
for(int i = 1; i<=30; i++)
{
values.add("http://pconline900.javaeye.com" + new Integer(i).toString());
}
　　
System.out.println("**STEP 1 START**-> Running Conversion into Buckets**");
System.out.println();
List b = step1ConvertIntoBuckets(values,5);
　　　　System.out.println("************STEP 1 COMPLETE*************");
　　　　System.out.println();
　　　　System.out.println();
　 System.out.println("**STEP 2 START**->Running **Map Function** concurrently for all　　　　Buckets");
System.out.println();
List res = step2RunMapFunctionForAllBuckets(b);
System.out.println("************STEP 2 COMPLETE*************");
　　　　System.out.println();
　　　　System.out.println();
System.out.println("**STEP 3 START**->Running **Reduce Function** for collating Intermediate Results and Printing Results");
System.out.println();
step3RunReduceFunctionForAllBuckets(res);
System.out.println("************STEP 3 COMPLETE*************");
　　　　　　　　　System.out.println("************pconline900 翻譯*************");
　　　　　　　　　System.out.println("***********博客：http://pconline900.javaeye.com*************");
}
public List step1ConvertIntoBuckets(List list,int numberofbuckets)
{
int n = list.size();
int m = n / numberofbuckets;
int rem = n% numberofbuckets;
int count = 0;
System.out.println("BUCKETS");
for(int j =1; j<= numberofbuckets; j++)
{
List temp = new ArrayList();
for(int i=1; i<= m; i++)
{
temp.add((String)values.get(count));
count++;
}
buckets.add(temp);
temp = new ArrayList();
}
if(rem != 0)
{
List temp = new ArrayList();
for(int i =1; i<=rem;i++)
{
temp.add((String)values.get(count));
count++;
}
buckets.add(temp);
}
　　　　System.out.println();
System.out.println(buckets);
System.out.println();
return buckets;
}
public List step2RunMapFunctionForAllBuckets(List list)
{
for(int i=0; i< list.size(); i++)
{
List elementList = (ArrayList)list.get(i);
new StartThread(elementList).start();
}
　　　　try
　　　　{
Thread.currentThread().sleep(1000);
}catch(Exception e)
{
}
return intermediateresults;
}
public void step3RunReduceFunctionForAllBuckets(List list)
{
int sum =0;
for(int i=0; i< list.size(); i++)
{
//you can do some processing here, like finding max of all results etc
int t = Integer.parseInt((String)list.get(i));
sum += t;
}
System.out.println();
System.out.println("Total Count is "+ sum);
System.out.println();
}
class StartThread extends Thread
{
private List tempList = new ArrayList();
public StartThread(List list)
{
tempList = list;
}
public void run()
{
for(int i=0; i< tempList.size();i++)
{
String str = (String)tempList.get(i);
synchronized(this)
　　　　　　　　　　 {
intermediateresults.add(new Integer(str.length()).toString());
}
}
}
}
}

init()方法創建了一些測試數據，作為測試數據。實際應用中會是海量數據處理。

step1ConvertIntoBuckets()方法將測試數據拆分到5個 bucket中，每個bucket是一個ArrayList(包含6個String數據)。bucket可以保存在內存，磁盤，或者集群中的其他節點；

step2RunMapFunctionForAllBuckets()方法創建了5個線程(每個bucket一個)，每個線程StartThread處理每個bucket並把處理結果放在intermediateresults這個arraylist中。

如果bucket分配給不同的節點處理，必須有一個master主控節點監控各個節點的計算，匯總各個節點的處理結果，若有節點失敗，master必須能夠分配計算任務給其他節點計算。

step3RunReduceFunctionForAllBuckets()方法加載intermediateresults中間處理結果，並進行匯總處理，最後得到最終的計算結果。