İşlem hattı örnekleri - MaxCompute - Alibaba Cloud Dokümantasyon Merkezi

Bu örnekte, MaxCompute MapReduce Pipeline işi kullanılarak kelime sıklıklarının nasıl sayılacağı gösterilmektedir. İşlem hattı, bir mapper (TokenizerMapper) ile iki reducer'ı (SumReducer ve IdentityReducer) birbirine bağlar; böylece Pipeline API'nin birden çok işleme aşamasını tek bir işte nasıl birleştirdiği ortaya konur.

Ön koşullar

Başlamadan önce aşağıdakileri tamamladığınızdan emin olun:

Getting started bölümünde açıklanan ortam kurulumunu tamamlayın

Test kaynaklarını hazırlayın

1. JAR paketini hazırlayın

mapreduce-examples.jar dosyasını MaxCompute istemci kurulumunuzun bin\data\resources dizinine yerleştirin.

2. Tabloları oluşturun

MaxCompute istemcisinde aşağıdaki SQL deyimlerini çalıştırın:

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

3. JAR paketini kaynak olarak ekleyin

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

-f bayrağı, aynı ada sahip mevcut bir kaynağın üzerine yazar. JAR paketini ilk kez eklerken bu bayrağı atlayın.

4. Test verilerini içe aktarın

MaxCompute istemcisinin bin dizinindeki data.txt dosyasını wc_in tablosuna yüklemek için bir Tunnel komutu kullanın:

tunnel upload data.txt wc_in;

data.txt dosyası aşağıdaki satırı içerir:

hello,odps

İşlem hattını çalıştırın

MaxCompute istemcisinde aşağıdaki komutu çalıştırın:

jar -resources mapreduce-examples.jar -classpath data\resources\mapreduce-examples.jar
com.aliyun.odps.mapred.open.example.WordCountPipeline wc_in wc_out;

Sonucu doğrulayın

İş tamamlandıktan sonra çıktıyı onaylamak için wc_out tablosunu sorgulayın:

SELECT * FROM wc_out;

Beklenen çıktı şöyledir:

+------------+------------+
| key        | cnt        |
+------------+------------+
| hello      | 1          |
| odps       | 1          |
+------------+------------+

Örnek kod

Project Object Model (POM) bağımlılık yapılandırması için Precautions bölümüne bakın.

İşlem hattının çalışma şekli

İşlem hattı üç aşamadan oluşur. Her aşama verileri aşağıdaki gibi dönüştürür:

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

Sınıf	Rol
`TokenizerMapper`	Her kaydı belirteçlere ayırır ve her belirteç için `(word, 1)` çiftini yayar
`SumReducer`	Her kelime anahtarı için sayıları toplar
`IdentityReducer`	Son `(word, count)` çiftlerini çıktı tablosuna yazar

İki reducer'lı tasarım, toplamayı çıktı biçimlendirmesinden ayırır. SumReducer tüm mapper çıktılarındaki toplamları biriktirir. IdentityReducer ise ara şemayı wc_out tablo şemasına eşleyerek iki sorumluluğu bağımsız tutar; bu sayede her reducer'ın test edilmesi ve değiştirilmesi kolaylaşır.

İşlem hattı oluşturulurken bir mapper için OutputKeySortColumns , PartitionColumns ve OutputGroupingColumns belirtilmezse çerçeve, mapper'ın OutputKey değerini bu üç parametre için varsayılan olarak kullanır.

Java kodu

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);
    }
}

Veri akışı incelemesi

Giriş verisi hello,odps olduğunda Tunnel komutu bu veriyi tek bir kayıt olarak wc_in tablosuna yükler; hello değerini key sütununa, odps değerini ise value sütununa kaydeder.

TokenizerMapper, record.getColumnCount() kullanarak her kaydın tüm sütunları üzerinde yineleme yapar. Her sütun değeri için split("\\s+") çağrısı yapar ve her belirteç için bir (word, 1) çifti yayar. hello ve odps değerlerinde boşluk karakteri bulunmadığından her biri tek bir belirteç olarak değerlendirilir. Mapper şu çıktıyı üretir:

(hello, 1)
(odps, 1)

SumReducer, her kelime anahtarı için gelen tüm değerleri alır ve sayıları toplar. Her kelime yalnızca bir kez göründüğünden reducer şu çıktıyı verir:

(hello, 1)
(odps, 1)

IdentityReducer, SumReducer aşamasından gelen (word, count) çiftlerini okur ve bunları wc_out çıktı tablosuna yazar; sütun konumlarını (key STRING, cnt BIGINT) şemasıyla eşleşecek şekilde haritalandırır.

wc_out tablosundaki son çıktı:

| hello      | 1          |
| odps       | 1          |