MaxCompute:Exemplos de pipeline

1. Preparar o pacote JAR

Coloque mapreduce-examples.jar no diretório bin\data\resources da instalação do cliente MaxCompute.

2. Criar tabelas

Execute as seguintes instruções SQL no cliente MaxCompute:

CREATE TABLE wc_in (key STRING, value STRING);
CREATE TABLE wc_out(key STRING, cnt BIGINT);

3. Adicionar o pacote JAR como recurso

add jar data\resources\mapreduce-examples.jar -f;

O flag -f substitui um recurso existente com o mesmo nome. Omita-o na primeira vez que adicionar o pacote JAR.

4. Importar os dados de teste

Use o comando Tunnel para carregar data.txt do diretório bin do cliente MaxCompute para a tabela wc_in:

tunnel upload data.txt wc_in;

O arquivo data.txt contém a seguinte linha:

hello,odps

Como o pipeline funciona

O pipeline encadeia três estágios. Cada estágio transforma os dados da seguinte forma:

wc_in (key STRING, value STRING) → TokenizerMapper → (word STRING, count BIGINT) → SumReducer → (word STRING, count BIGINT) → IdentityReducer → wc_out (key STRING, cnt BIGINT)

O design com dois reducers separa a agregação da formatação da saída. O SumReducer acumula os totais de todas as saídas do mapper. Em seguida, o IdentityReducer mapeia o schema intermediário para o schema da tabela wc_out, mantendo as duas responsabilidades independentes e facilitando o teste e a substituição de cada reducer.

Se você omitir OutputKeySortColumns , PartitionColumns e OutputGroupingColumns para um mapper durante a construção do pipeline, o framework usará o OutputKey do mapper como valor padrão para os três parâmetros.

Código Java

package com.aliyun.odps.mapred.open.example;
import java.io.IOException;
import java.util.Iterator;
import com.aliyun.odps.Column;
import com.aliyun.odps.OdpsException;
import com.aliyun.odps.OdpsType;
import com.aliyun.odps.data.Record;
import com.aliyun.odps.data.TableInfo;
import com.aliyun.odps.mapred.Job;
import com.aliyun.odps.mapred.MapperBase;
import com.aliyun.odps.mapred.ReducerBase;
import com.aliyun.odps.pipeline.Pipeline;
public class WordCountPipelineTest {
    public static class TokenizerMapper extends MapperBase {
        Record word;
        Record one;
        @Override
            public void setup(TaskContext context) throws IOException {
            word = context.createMapOutputKeyRecord();
            one = context.createMapOutputValueRecord();
            one.setBigint(0, 1L);
        }
        @Override
            public void map(long recordNum, Record record, TaskContext context)
            throws IOException {
            for (int i = 0; i < record.getColumnCount(); i++) {
                String[] words = record.get(i).toString().split("\\s+");
                for (String w : words) {
                    word.setString(0, w);
                    context.write(word, one);
                }
            }
        }
    }
    public static class SumReducer extends ReducerBase {
        private Record value;
        @Override
            public void setup(TaskContext context) throws IOException {
            value = context.createOutputValueRecord();
        }
        @Override
            public void reduce(Record key, Iterator<Record> values, TaskContext context)
            throws IOException {
            long count = 0;
            while (values.hasNext()) {
                Record val = values.next();
                count += (Long) val.get(0);
            }
            value.set(0, count);
            context.write(key, value);
        }
    }
    public static class IdentityReducer extends ReducerBase {
        private Record result;
        @Override
            public void setup(TaskContext context) throws IOException {
            result = context.createOutputRecord();
        }
        @Override
            public void reduce(Record key, Iterator<Record> values, TaskContext context)
            throws IOException {
            while (values.hasNext()) {
                result.set(0, key.get(0));
                result.set(1, values.next().get(0));
                context.write(result);
            }
        }
    }
    public static void main(String[] args) throws OdpsException {
        if (args.length != 2) {
            System.err.println("Usage: WordCountPipeline <in_table> <out_table>");
            System.exit(2);
        }
        Job job = new Job();
        /** During pipeline construction, if you do not specify OutputKeySortColumns, PartitionColumns, and OutputGroupingColumns for a mapper, the framework uses OutputKey of the mapper as the default values of these parameters.
         */
        Pipeline pipeline = Pipeline.builder()
            .addMapper(TokenizerMapper.class)
            .setOutputKeySchema(
            new Column[] { new Column("word", OdpsType.STRING) })
            .setOutputValueSchema(
            new Column[] { new Column("count", OdpsType.BIGINT) })
            .setOutputKeySortColumns(new String[] { "word" })
            .setPartitionColumns(new String[] { "word" })
            .setOutputGroupingColumns(new String[] { "word" })
            .addReducer(SumReducer.class)
            .setOutputKeySchema(
            new Column[] { new Column("word", OdpsType.STRING) })
            .setOutputValueSchema(
            new Column[] { new Column("count", OdpsType.BIGINT)})
            .addReducer(IdentityReducer.class).createPipeline();
        /** Add the pipeline to jobconf. If you want to configure a combiner, use jobconf. */
        job.setPipeline(pipeline);
        /** Configure the input and output tables. */
        job.addInput(TableInfo.builder().tableName(args[0]).build());
        job.addOutput(TableInfo.builder().tableName(args[1]).build());
        /** Submit the job and wait for it to complete. */
        job.submit();
        job.waitForCompletion();
        System.exit(job.isSuccessful() == true ? 0 : 1);
    }
}

Fluxo de dados detalhado

Com a entrada hello,odps, o comando Tunnel carrega os dados como um único registro em wc_in, armazenando hello na coluna key e odps na coluna value.

O TokenizerMapper itera sobre todas as colunas de cada registro usando record.getColumnCount(). Para cada valor de coluna, chama split("\\s+") e emite um par (word, 1) por token. Como hello e odps não contêm espaços em branco, cada um é tratado como um único token. O mapper emite:

(hello, 1)
(odps, 1)

O SumReducer recebe todos os valores de cada chave de palavra e acumula a contagem. Como cada palavra aparece apenas uma vez, emite:

(hello, 1)
(odps, 1)

O IdentityReducer lê os pares (word, count) do SumReducer e os grava na tabela de saída wc_out, mapeando as posições das colunas para corresponder ao schema (key STRING, cnt BIGINT).

Saída final em wc_out:

| hello      | 1          |
| odps       | 1          |