产品战略专家梁宁确认出席AICon北京站,分享AI时代下的商业逻辑与产品需求 了解详情
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 17:068519
用户头像
臧秀涛 略懂技术的运营同学。

发布了 300 篇内容, 共 134.4 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

Python进阶(二十五)Python读写文件

No Silver Bullet

Python 文件读写 11月月更

Redis Cluster 数据分片

月明风清

redis redis cluster 数据切片

Zebec Chain有望成为公链赛道新兴生力军,地平线计划持续进击

股市老人

涨姿势了,这 4 个场景可用 CSS 完全取代 JS ~

掘金安东尼

前端 11月月更

麒麟信安携手 openEuler 支撑国家电网首批数字换流站试点项目安全高效运行

openEuler

Python进阶(二十九)Python时间&日期&时间戳处理

No Silver Bullet

Python 日期处理 11月月更

JVM 引用数据类型分析

Andy

MySQL事务底层原理和MVCC机制

闫同学

MySQL 数据库 MVCC 11月月更

湖仓一体电商项目(八):业务实现之编写写入ODS层业务代码

Lansonli

湖仓一体电商项目 11月月更

极客时间运维进阶训练营第三周作业

9527

【LeetCode】分割数组Java题解

Albert

算法 LeetCode 11月月更

湖仓一体电商项目(六):大屏可视化工具腾讯云图

Lansonli

湖仓一体电商项目 11月月更

Zebec Chain有望成为公链赛道新兴生力军,地平线计划持续进击

西柚子

opensd开源啦 !这套自动化部署OpenStack工具你值得拥有

openEuler

开源 操作系统 openEuler OpenStack

探知数字化研发1-前言篇

薛飞

数字化 软件研发

就这一次!带你彻底搞清MySQL行级锁的加锁规则

Java永远的神

MySQL 数据库 索引 Java 面试题

设计模式之美-面向对象对比面向过程有哪些优势?面向过程过时了吗?

GalaxyCreater

设计模式

京东面试题:ElasticSearch深度分页解决方案

小小怪下士

Java 程序员 ES

运维进阶训练营 -W03H

赤色闪电

运维

Java实现List中集合的元素进行排序

共饮一杯无

Java List 11月月更

Python进阶(二十六)多线程实现同步的四种方式

No Silver Bullet

Python 多线程 11月月更

玩转子网划分和超网汇聚

闫同学

网络 子网划分 11月月更 超网汇聚

CSS学习笔记(六)

lxmoe

CSS 前端 学习笔记 11月月更

定了,2022双11 技术进化开启新未来

阿里技术

双11

玩转MySQL表之间的各种连接查询

闫同学

MySQL 数据库 11月月更

Vue基础学习(五)

Studying_swz

Vue 11月月更

Vue基础学习(四)

Studying_swz

Vue 11月月更

SAP UI5 数据绑定中的工厂函数

汪子熙

SAP Fiori SAP UI5 ui5 11月月更

Java Web(五)Web

浅辄

tomcat javaWeb 11月月更

计算机网络:随机访问介质访问控制之令牌传递协议

timerring

令牌桶 11月月更

湖仓一体电商项目(七):业务需求和分层设计及流程图

Lansonli

湖仓一体电商项目 11月月更

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