写点什么

Apache Crunch:用于简化 MapReduce 编程的 Java 库

  • 2013-03-18
  • 本文字数:2454 字

    阅读完需:约 8 分钟

Apache Crunch(孵化器项目)是基于 Google 的 FlumeJava 库编写的 Java 库,用于创建 MapReduce 流水线。与其他用来创建 MapReduce 作业的高层工具(如 Apache Hive、Apache Pig 和 Cascading 等)类似,Crunch 提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库。而与其他工具不同的是,Crunch 并不强制所有输入遵循同一数据类型。相反,Crunch 使用了一种定制的类型系统,非常灵活,能够直接处理复杂数据类型,如时间序列、HDF5 文件、Apache HBase 表和序列化对象(像 protocol buffer 或 Avro 记录)等。

Crunch 并不想阻止开发者以 MapReduce 方式思考,而是尝试使之简化。尽管 MapReduce 有诸多优点,但对很多问题而言,并非正确的抽象级别:大部分有意思的计算都是由多个 MapReduce 作业组成的,情况往往是这样——出于性能考虑,我们需要将逻辑上独立的操作(如数据过滤、数据投影和数据变换)组合为一个物理上的 MapReduce 作业。

本质上,Crunch 设计为 MapReduce 之上的一个薄层,希望在不牺牲 MapReduce 力量(或者说不影响开发者使用 MapReduce API)的前提下,更容易在正确的抽象级别解决手头问题。

尽管 Crunch 会让人想起历史悠久的 Cascading API,但是它们各自的数据模型有很大不同:按照常识简单总结一下,可以认为把问题看做数据流的人会偏爱 Crunch 和 Pig,而考虑 SQL 风格连接的人会偏爱 Cascading 和 Hive。

Crunch 的理念

PCollection 和 PTable<K, V> 是 Crunch 的核心抽象,前者代表一个分布式、不可变的对象集合,后者是 Pcollection 的一个子接口,其中包含了处理键值对的额外方法。这两个核心类支持如下四个基本操作:

  1. parallelDo:将用户定义函数应用于给定 PCollection,返回一个新的 PCollection 作为结果。
  2. groupByKey:将一个 PTable 中的元素按照键值排序并分组(等同于 MapReduce 作业中的 shuffle 阶段)
  3. combineValues:执行一个关联操作来聚合来自 groupByKey 操作的值。
  4. union:将两个或多个 Pcollection 看做一个虚拟的 PCollection。

Crunch 的所有高阶操作(joins、cogroups 和 set operations 等)都是通过这些基本原语实现的。Crunch 的作业计划器(job planner)接收流水线开发者定义的操作图,将操作分解为一系列相关的 MapReduce 作业,然后在 Hadoop 集群上执行。Crunch 也支持内存执行引擎,可用于本地数据上流水线的测试与调试。

有些问题可以从能够操作定制数据类型的大量用户定义函数受益,而 Crunch 就是为这种问题设计的。Crunch 中的用户定义函数设计为轻量级的,为满足应用程序的需要,仍然提供了完整的访问底层 MapReduce API 的功能。Crunch 开发者也可以使用 Crunch 原语来定义 API,为客户提供涉及一系列复杂 MapReduce 作业的高级 ETL、机器学习和科学计算功能。

Crunch 起步

可以从 Crunch 的网站下载最新版本的源代码或二进制文件,或者使用在 Maven Central 发布的 dependencies

源代码中有很多示例应用。下面是 Crunch 中 WordCount 应用的源代码:

复制代码
import org.apache.crunch.DoFn;
import org.apache.crunch.Emitter;
import org.apache.crunch.PCollection;
import org.apache.crunch.PTable;
import org.apache.crunch.Pair;
import org.apache.crunch.Pipeline;
import org.apache.crunch.impl.mr.MRPipeline;
import org.apache.crunch.type.writable.Writables;
public class WordCount {
public static void main(String[] args) throws Exception {
// Create an object to coordinate pipeline creation and execution.
Pipeline pipeline = new MRPipeline(WordCount.class);
// Reference a given text file as a collection of Strings.
PCollection<String> lines = pipeline.readTextFile(args[0]);
// Define a function that splits each line in a PCollection of Strings into a
// PCollection made up of the individual words in the file.
PCollection<String> words = lines.parallelDo(new DoFn<String, String>() {
public void process(String line, Emitter<String> emitter) {
for (String word : line.split("\\s+")) {
  emitter.emit(word);
}
}
}, Writables.strings()); // Indicates the serialization format
// The count method applies a series of Crunch primitives and returns
// a map of the top 20 unique words in the input PCollection to their counts.
// We then read the results of the MapReduce jobs that performed the
// computations into the client and write them to stdout.
for (Pair<String, Long> wordCount : words.count().top(20).materialize()) {
System.out.println(wordCount);
}
}
}

Crunch 优化方案

Crunch 优化器的目标是尽可能减少运行的 MapReduce 作业数。大多数 MapReduce 作业都是 IO 密集型的,因此访问数据的次数越少越好。公平地说,每种优化器(Hive、Pig、Cascading 和 Crunch)的工作方式本质上是相同的。但与其他框架不同的是,Crunch 把优化器原语暴露给了客户开发人员,对于像构造 ETL 流水线或构建并评估一组随机森林模型这样的任务而言,构造可复用的高阶操作更容易。

结论

Crunch 目前仍处于 Apache 的孵化器阶段,我们非常欢迎社区贡献(参见项目主页)让这个库更好。特别的是,我们正在寻求更高效的MapReduce 编译思想(包括基于成本考虑的优化)、新的MapReduce 设计模式,还希望支持更多的数据源和目标,如HCatalog、Solr 和ElasticSearch 等。还有很多把Crunch 带向如 Scala Clojure 等其他 JVM 语言的项目,也有很多使用 Crunch以R 语言来创建MapReduce 流水线的工具。

关于作者

Josh Wills 是 Cloudera 的数据科学主管,主要负责与客户和工程师一起基于 Hadoop 为不同行业开发解决方案。他从杜克大学获得数学专业学士学位,又从得克萨斯大学奥斯汀分校获得运筹学专业硕士学位。

查看英文原文: Apache Crunch: A Java Library for Easier MapReduce Programming

2013-03-18 17:068480
用户头像
臧秀涛 略懂技术的运营同学。

发布了 300 篇内容, 共 133.8 次阅读, 收获喜欢 35 次。

关注

评论

发布
暂无评论
发现更多内容

构师训练营 - 第十三周课后练习

joshuamai

有道乐读 x AWS | 云上的少儿图书馆!这个寒假让孩子爱上“乐读”

亚马逊云科技 (Amazon Web Services)

云计算 AWS

AWS Graviton2 | 匠“芯”定制,性能为王

亚马逊云科技 (Amazon Web Services)

云计算 AWS

架构师训练营 week13 学习笔记

花果山

架构师课程--第十三周作业

孤星

十三、数据应用二

Geek_28b526

数字货币合约交易系统软件开发|数字货币合约交易APP开发

系统开发

架构师训练营第2期 第13周总结

月下独酌

架构师训练营第2期

架构师训练营 week13 课后作业

花果山

架构师训练营第2期 第13周命题作业

月下独酌

架构师训练营第2期

软件架构-缓存技术

看山

缓存 架构

ClickHouse在大数据领域企业级应用实践和探索总结

王知无

大数据 Clickhouse

敏捷开发需要内外兼修

Bruce Talk

敏捷开发 Agile

【计算机内功修炼】七:高并发高性能服务器是如何实现的

码农的荒岛求生

高并发 事件驱动 高性能 Event Driven 高并发优化

HDFS中的常用压缩算法及区别

王知无

大数据 hdfs

第一周-胡赵凯-总结

hisun胡

产品经理训练营

在 AWS 的视角下,正确打开零信任安全模型

亚马逊云科技 (Amazon Web Services)

云计算 AWS

数字货币交易APP系统开发|数字货币交易软件开发

系统开发

十三周总结

水浴清风

面试官:Netty的线程模型可不只是主从多Reactor这么简单

中间件兴趣圈

reactor Netty nio 中间件 线程模型

项目管理系列 (5)-沟通规划

Ian哥

项目管理 沟通与管理 28天写作

第一周-胡赵凯-作业

hisun胡

产品经理训练营

给自己当前岗位所定义的理想岗位模型

邹小胖

自我思考

Hbase性能优化百科全书

王知无

大数据 HBase

如何 debug hive 源码,知其然知其所以然

王凯

hive 源码分析

币币撮合交易系统软件开发|币币撮合交易APP开发

系统开发

Flink1.12集成Hive打造自己的批流一体数仓

王知无

大数据 flink

HTML(一)——html相关介绍

程序员的时光

程序员 28天写作

Springboot 中的切面AOP处理

武哥聊编程

Java aop springboot SpringBoot 2 28天写作

最长公共前缀字符串, RxSwift的概念详细解析, 极客大学认识产品经理 John 易筋 ARTS 打卡 Week 35

John(易筋)

ARTS 打卡计划 最长公共前缀字符串 RxSwift的概念详细解析 极客大学认识产品经理 极客大学产品经理训练营

前端也要懂机器学习(下)

执鸢者

机器学习 大前端

Apache Crunch:用于简化MapReduce编程的Java库_语言 & 开发_Josh Wills_InfoQ精选文章