本文为您介绍开源兼容MapReduce的应用背景,以及Hadoop MapReduce插件的基本使用方式。

产生背景

MaxCompute有一套原生的MapReduce编程模型和接口,简单来说,这套接口的输入输出都是MaxCompute中的表,处理的数据以Record为组织形式,它可以很好地描述表中的数据处理过程。

但是与社区的Hadoop相比,二者的编程接口差异较大。Hadoop用户如果要将原来的Hadoop MapReduce作业迁移到MaxCompute的MapReduce中执行,需要重写MapReduce的代码,使用MaxCompute的接口进行编译和调试,运行正常后再打成一个Jar包,才能放到MaxCompute平台中运行。这个过程十分繁琐,需要耗费很多的开发和测试人力。如果能够完全不改或者少量地修改原来的Hadoop MapReduce代码,便可以在MaxCompute平台上运行,将会比较理想。

现在MaxCompute平台提供了一个Hadoop MapReduce到MaxCompute MapReduce的适配工具,已经在一定程度上实现了Hadoop MapReduce作业的二进制级别的兼容,您可以在不改代码的情况下通过指定一些配置,便可将原来在Hadoop上运行的MapReduce Jar包直接运行在MaxCompute上。目前该工具处于测试阶段,暂时还不能支持自定义Comparator和自定义Key类型。

下文以WordCount程序为例,为您介绍HadoopMapReduce插件的基本使用方式。
说明

下载HadoopMapReduce插件

请下载Hadoop MapReduce,包名为openmr_hadoop2openmr-1.0.jar
说明 这个Jar包中已经包含hadoop-2.7.2版本的相关依赖,在作业的Jar包中请不要携带Hadoop的依赖,避免版本冲突。

准备WordCount的Jar包

编译导出WordCount的Jar包(wordcount_test.jar),WordCount程序的源码如下所示:
package com.aliyun.odps.mapred.example.hadoop;
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 java.io.IOException;
import java.util.StringTokenizer;
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();
        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);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}
				

准备测试数据

  1. 执行如下语句创建输入表wc_in和输出表wc_out。
    create table if not exists wc_in(line string);
    create table if not exists wc_out(key string, cnt bigint);
  2. 通过Tunnel命令将示例数据导入输入表wc_in中。
    需要导入文本文件data.txt的数据内容如下。
    hello maxcompute
    hello mapreduce
    您可通过MaxCompute客户端的Tunnel命令将data.txt的数据导入wc_in中,如下所示。
    tunnel upload data.txt wc_in;

准备表与HDFS文件路径的映射关系配置

在配置文件wordcount-table-res.conf 中配置表与HDFS文件路径的映射关系。配置文件如下所示。
{
  "file:/foo": {
    "resolver": {
      "resolver": "com.aliyun.odps.mapred.hadoop2openmr.resolver.TextFileResolver",
      "properties": {
          "text.resolver.columns.combine.enable": "true",
          "text.resolver.seperator": "\t"
      }
    },
    "tableInfos": [
      {
        "tblName": "wc_in",
        "partSpec": {},
        "label": "__default__"
      }
    ],
    "matchMode": "exact"
  },
  "file:/bar": {
    "resolver": {
      "resolver": "com.aliyun.odps.mapred.hadoop2openmr.resolver.BinaryFileResolver",
      "properties": {
          "binary.resolver.input.key.class" : "org.apache.hadoop.io.Text",
          "binary.resolver.input.value.class" : "org.apache.hadoop.io.LongWritable"
      }
    },
    "tableInfos": [
      {
        "tblName": "wc_out",
        "partSpec": {},
        "label": "__default__"
      }
    ],
    "matchMode": "fuzzy"
  }
}

配置项说明:

整个配置是一个JSON文件,描述HDFS上的文件与MaxCompute上的表之间的映射关系,一般要配置输入和输出两部分,一个HDFS路径对应一个resolver配置、tableInfos配置以及matchMode配置。

  • resolver:用于配置如何对待文件中的数据,目前有com.aliyun.odps.mapred.hadoop2openmr.resolver.TextFileResolver和com.aliyun.odps.mapred.hadoop2openmr.resolver.BinaryFileResolver两个内置的resolver可以选用。除了指定好resolver的名字,还需要为相应的resolver配置一些特性指导它正确的进行数据解析。
    • TextFileResolver:对于纯文本的数据,输入输出都会当成纯文本对待。当作为输入resolver配置时,需要配置的properties有text.resolver.columns.combine.enable和text.resolver.seperator。当text.resolver.columns.combine.enable配置为true时,会把输入表的所有列按照text.resolver.seperator指定的分隔符组合成一个字符串作为输入。否则,会把输入表的前两列分别作为key、value。
    • BinaryFileResolver:可以处理二进制的数据,自动将数据转换为MaxCompute可以支持的数据类型,如:Bigint、Bool、Double等。当作为输出resolver配置时,需要配置的特性有binary.resolver.input.key.class和binary.resolver.input.value.class,分别代表中间结果的key和value类型。
  • tableInfos:HDFS对应的MaxCompute表,目前只支持配置表的名称tblName,而partSpec和label请保持和示例一致。
  • matchMode:路径的匹配模式,可选项为exact和fuzzy,分别代表精确匹配和模糊匹配,如果设置为fuzzy,则可以通过正则来匹配HDFS的输入路径。

作业提交

在MaxCompute客户端运行如下命令提交作业。MaxCompute客户端安装和配置方法请参见客户端
jar -DODPS_HADOOPMR_TABLE_RES_CONF=./wordcount-table-res.conf -classpath hadoop2openmr-1.0.jar,wordcount_test.jar com.aliyun.odps.mapred.example.hadoop.WordCount /foo/bar;
说明
  • wordcount-table-res.conf是配置了/foo/bar的映射。
  • wordcount_test.jar包是您的Hadoop MapReduce的jar包。
  • com.aliyun.odps.mapred.example.hadoop.WordCount是您要运行的作业类名。
  • /foo/bar是指在HDFS上的路径,在JSON配置文件中映射成了wc_in和wc_out。
  • 配置好映射后,您需要通过datax或DataWorks数据集成功能,手动导入Hadoop HDFS的输入文件到wc_in进行MR计算,并手动导出结果数据wc_out到您的HDFS输出目录/bar。
  • 此处假设已经将hadoop2openmr-1.0.jar、wordcount_test.jar和wordcount-table-res.conf放置到odpscmd的当前目录,否则在指定配置和-classpath的路径时需要做相应的修改。
运行过程如下图所示:
当作业运行完成后,便可查看结果表wc_out的内容,验证作业是否成功结束,结果是否符合预期。