第一章 Hadoop框架

Hadoop1.x 和 Hadoop2.x 区别

  • Hadoop1.x组成
    MapReduce（计算+资源调度），HDFS（数据存储），Common（辅助工具）
  • Hadoop2.x组成
    MapReduce（计算），Yarn（资源调度），HDFS（数据存储），Common（辅助工具）

    在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大，在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算

HDFS架构概述

  1. NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
  2. DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
  3. Secondary NameNode(2nn)：辅助NameNode工作，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

Yarn架构

ResourceManager（RM）：资源由RM管理（理解为部门经理）。
（1）处理客户端请求；
（2）监控NodeManager
（3）启动或监控ApplicationMaster
（4）资源的分配与调度

NodeManager（NM）：单个节点上的资源由NM管理，但是经过RM协调。（理解为小组长）
（1）管理单个节点上的资源
（2）处理来自ResourceManager的命令
（3）处理来自ApplicationMaster的命令

ApplicationMaster（AM）：集群上某一个任务的开启关闭，协调（理解为一个个项目）
（1）负责数据的切分
（2）为应用程序申请资源并分配给内部的任务
（3）任务的监控与容错

Container ：Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等。

MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

  1. Map阶段并行处理输入数据（分：一个大的任务分给多个节点，每个节点都做一部分）
  2. Reduce阶段对Map结果进行汇总（和：将每个节点的计算结果汇总）

第二章 Hadoop运行环境搭建

  • JAVA_HOME
    1
    2
    3
    # JAVA_HOME
    export JAVA_HOME=/opt/module/jdk1.8.0_144
    export PATH=$PATH:$JAVA_HOME/bin
    1
    2
    3
    4
    #HADOOP_HOME
    export HADOOP_HOME=/opt/module/hadoop-2.7.2
    export PATH=$PATH:$HADOOP_HOME/bin
    export PATH=$PATH:$HADOOP_HOME/sbin

第三章 Hadoop运行模式

Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。
Hadoop官方网站：http://hadoop.apache.org/

本地运行模式

官方WordCount案例

  1. 创建在hadoop-2.7.2文件下面创建一个wcinput文件夹
  2. 在wcinput文件下创建一个wc.input文件
  3. 编辑wc.input文件(输入任意内容)
  4. 回到Hadoop目录/opt/module/hadoop-2.7.2
  5. 执行程序
  6. 查看结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    [Jermyn@hadoop100 hadoop-2.7.2]$ mkdir wcinput
    [Jermyn@hadoop100 hadoop-2.7.2]$ cd wcinput/
    [Jermyn@hadoop100 wcinput]$ vim wc.input
    [Jermyn@hadoop100 wcinput]$ ls
    wc.input
    [Jermyn@hadoop100 wcinput]$ cd ..
    [Jermyn@hadoop100 hadoop-2.7.2]$ ls
    bin  etc  include  input  lib  libexec  LICENSE.txt  NOTICE.txt  output  README.txt  sbin  share  wcinput
    [Jermyn@hadoop100 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput/ wcouput
    23/05/24 09:09:19 INFO Configuration.deprecation: session.id is deprecated. Instead, use dfs.metrics.session-id
    23/05/24 09:09:19 INFO jvm.JvmMetrics: Initializing JVM Metrics with processName=JobTracker, sessionId=
    ............
    ............
    ............
            File Output Format Counters
                    Bytes Written=235
    [Jermyn@hadoop100 hadoop-2.7.2]$ cd wcouput/
    [Jermyn@hadoop100 wcouput]$ ls
    part-r-00000  _SUCCESS
    [Jermyn@hadoop100 wcouput]$ cat part-r-00000
    EJERMYN 1
    HADOOP  6
    JAVA    5
    JAVAA   1
    JEERMYN 1
    JERDMYN 1
    JEREMYN 1
    JERMYCN 1
    JERMYN  1
    JERMYTN 1
    JRECMYN 1
    JREEMYN 2
    JREMYDN 1
    JREMYEN 1
    Jefrmyn 1
    Jermfdyn        1
    Jermyfn 1
    Jermyn  3
    hadoop  6
    java    2
    javaC   1
    javaEE  1
    javaSE  1
    javac   1
    [Jermyn@hadoop100 wcouput]$

伪分布式运行模式

启动HDFS并运行MapReduce程序

点击图片查看文档

  • 配置：hadoop-env.sh
    1
    2
    3
    4
    [Jermyn@hadoop100 hadoop]$ echo $JAVA_HOME
    /opt/module/jdk1.8.0_144
    [Jermyn@hadoop100 hadoop]$ vim hadoop-env.sh
    [Jermyn@hadoop100 hadoop]$
  • 配置：core-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <!-- 指定HDFS中NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop100:9000</value>
    </property>

    <!-- 指定Hadoop运行时产生文件的存储目录 -->
    <property>
    	<name>hadoop.tmp.dir</name>
    	<value>/opt/module/hadoop-2.7.2/data/tmp</value>
    </property>
  • 配置：hdfs-site.xml
    点击图片查看文档
    1
    2
    3
    4
    5
    <!-- 指定HDFS副本的数量 -->
    <property>
    	<name>dfs.replication</name>
    	<value>1</value>
    </property>
  • 启动集群
  • 格式化NameNode（第一次启动时格式化，以后就不要总格式化）
    1
    bin/hdfs namenode -format
  • 启动NameNode
    1
    sbin/hadoop-daemon.sh start namenode
  • 启动DataNode
    1
    sbin/hadoop-daemon.sh start datanode
  • 查看进程
    1
    2
    3
    4
    5
     [Jermyn@hadoop100 hadoop-2.7.2]$ jps
    3826 DataNode
    3683 NameNode
    3902 Jps
    [Jermyn@hadoop100 hadoop-2.7.2]$
  • web端查看HDFS文件系统
    http://hadoop100:50070/dfshealth.html#tab-overview

说明：在企业中遇到Bug时，经常根据日志提示信息去分析问题、解决Bug

1
2
3
4
5
6
7
8
9
10
[Jermyn@hadoop100 logs]$ pwd
/opt/module/hadoop-2.7.2/logs
[Jermyn@hadoop100 logs]$ ll
总用量 68
-rw-r--r--. 1 Jermyn root 24131 5月  24 10:31 hadoop-Jermyn-datanode-hadoop100.log
-rw-r--r--. 1 Jermyn root   717 5月  24 10:23 hadoop-Jermyn-datanode-hadoop100.out
-rw-r--r--. 1 Jermyn root 29149 5月  24 10:29 hadoop-Jermyn-namenode-hadoop100.log
-rw-r--r--. 1 Jermyn root  5007 5月  24 10:27 hadoop-Jermyn-namenode-hadoop100.out
-rw-r--r--. 1 Jermyn root     0 5月  24 10:20 SecurityAuth-Jermyn.audit
[Jermyn@hadoop100 logs]$

思考：为什么不能一直格式化NameNode，格式化NameNode，要注意什么？

1
2
3
4
5
[Jermyn@hadoop100 hadoop-2.7.2]$ cat data/tmp/dfs/data/current/VERSION | grep 'clusterID'
clusterID=CID-77af8246-5931-4a4f-bdbe-5fe9624458a3
[Jermyn@hadoop100 hadoop-2.7.2]$ cat data/tmp/dfs/name/current/VERSION | grep 'clusterID'
clusterID=CID-77af8246-5931-4a4f-bdbe-5fe9624458a3
[Jermyn@hadoop100 hadoop-2.7.2]$

注意：可以看出data和name的集群ID是相同的格式化NameNode，会产生新的集群id,导致NameNode和DataNode的集群id不一致，集群找不到已往数据。所以，格式NameNode时，一定要先删除data数据和log日志（删除data和log时候，必须把NameNode和DataNode关闭，否则删除无效），然后再格式化NameNode。

  • 在HDFS文件系统上创建一个input文件夹

    1
    bin/hdfs dfs -mkdir -p /user/Jermyn/input

    http://hadoop100:50070/explorer.html#/user/Jermyn/input

  • 将本地的 wcinput/wc.input 上传到hdfs的/user/Jermyn/input

    1
    bin/hdfs dfs -put wcinput/wc.input /user/Jermyn/input

    点击图片查看

  • 执行官方WordCount案例

    1
    bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/Jermyn/input /user/Jermyn/output

    点击图片查看

  • 查看运行的结果

    1
    bin/hadoop dfs -cat /user/Jermyn/output/p*

  • 删除输出结果

    1
    bin/hadoop dfs -rm -r /user/Jermyn/out

    启动YARN并运行MapReduce程序

  • 配置yarn-env.sh

    1
    export JAVA_HOME=/opt/module/jdk1.8.0_144

  • 配置yarn-site.xml

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <!-- Reducer获取数据的方式 -->
    <property>
     	<name>yarn.nodemanager.aux-services</name>
     	<value>mapreduce_shuffle</value>
    </property>

    <!-- 指定YARN的ResourceManager的地址 -->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop100</value>
    </property>

  • 配置：mapred-env.sh

    1
    export JAVA_HOME=/opt/module/jdk1.8.0_144

  • 配置： (对mapred-site.xml.template重新命名为) mapred-site.xml

    1
    mv mapred-site.xml.template mapred-site.xml
    1
    2
    3
    4
    5
    <!-- 指定MR运行在YARN上 -->
    <property>
    	<name>mapreduce.framework.name</name>
    	<value>yarn</value>
    </property>
    点击图片查看配置文件

启动集群

注意：启动前必须保证NameNode和DataNode已经启动
  • 启动ResourceManager
    1
    sbin/yarn-daemon.sh start resourcemanager
  • 启动NodeManager
    1
    sbin/yarn-daemon.sh start nodemanager
  • 查看进程
    1
    2
    3
    4
    5
    6
    7
    [Jermyn@hadoop100 hadoop-2.7.2]$ jps
    6016 Jps
    3826 DataNode
    3683 NameNode
    5637 ResourceManager
    5897 NodeManager
    [Jermyn@hadoop100 hadoop-2.7.2]$

    集群操作

  • YARN的浏览器页面查看
    http://hadoop100:8088/cluster
    点击图片跳转

  • 执行执行官方WordCount案例查看任务

    执行任务前必须把output删除
    1
    bin/hdfs dfs -rm -r /user/Jermyn/output
    1
    bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/Jermyn/input /user/Jermyn/output

配置历史服务器

为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：

  • 配置mapred-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    <!-- 历史服务器端地址 -->
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>hadoop100:10020</value>
    </property>
    <!-- 历史服务器web端地址 -->
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>hadoop100:19888</value>
    </property>

  • 启动历史服务器

    1
    sbin/mr-jobhistory-daemon.sh start historyserver

  • 查看历史服务器是否启动

    1
    2
    3
    4
    5
    6
    7
    8
    [Jermyn@hadoop100 hadoop-2.7.2]$ jps
    3826 DataNode
    3683 NameNode
    6836 Jps
    5637 ResourceManager
    6758 JobHistoryServer
    5897 NodeManager
    [Jermyn@hadoop100 hadoop-2.7.2]$
  • 查看JobHistory
    http://hadoop100:19888/jobhistory

配置日志的聚集

日志聚集概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。
日志聚集功能好处：可以方便的查看到程序运行详情，方便开发调试。
注意：开启日志聚集功能，需要重新启动NodeManager 、ResourceManager和HistoryManager。

  • 配置yarn-site.xml

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <!-- 日志聚集功能使能 -->
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>

    <!-- 日志保留时间设置7天 -->
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
    </property>

  • 关闭NodeManager 、ResourceManager和HistoryManage

    1
    2
    3
    sbin/yarn-daemon.sh stop nodemanager
    sbin/yarn-daemon.sh stop resourcemanager
    sbin/mr-jobhistory-daemon.sh stop historyserver

  • 启动NodeManager 、ResourceManager和HistoryManager

    1
    2
    3
    sbin/yarn-daemon.sh start nodemanager
    sbin/yarn-daemon.sh start resourcemanager
    sbin/mr-jobhistory-daemon.sh start historyserver

  • 删除HDFS上已经存在的输出文件

    1
    bin/hdfs dfs -rm -r /user/Jermyn/output

  • 执行WordCount程序

    1
    bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/Jermyn/input /user/Jermyn/output
  • 查看日志
    http://hadoop100:19888/jobhistory

配置文件说明

  1. Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。
    core-default.xml 在 hadoop-common-2.7.2.jar/ core-default.xml
    hdfs-default.xml 在 hadoop-hdfs-2.7.2.jar/ hdfs-default.xml
    yarn-default.xml 在 hadoop-yarn-common-2.7.2.jar/ yarn-default.xml
    mapred-default.xml 在 hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml
  2. core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置

完全分布式运行模式

根据 hadoop100 进行拷贝出hadoop102，hadoop103，hadoop104，然后把在hadoop100上配置的/opt/module 分发到 hadoop102，hadoop103，hadoop104，还有配置文件 /etc/profile (使用 scp -r 命令)

scp（secure copy）安全拷贝

1
2
scp    -r          $pdir/$fname              $user@hadoop$host:$pdir/$fname
命令   递归       要拷贝的文件路径/名称    目的用户@主机:目的路径/名称

rsync 远程同步工具

rsync主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。
rsync和scp区别：用rsync做文件的复制要比scp的速度快，rsync只对差异文件做更新。scp是把所有文件都复制过去。

1
2
rsync    -rvl       $pdir/$fname              $user@hadoop$host:$pdir/$fname
命令   选项参数   要拷贝的文件路径/名称    目的用户@主机:目的路径/名称

-r 递归
-v 显示复制过程
-l 拷贝符号连接

编写脚本，使用xsync实现文件在集群中传输

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
#!/bin/bash
############################################################################
# Desc    : xsync集群分发脚本
# Path    : /home/Jermyn/bin
# Auther  : Jermyn
# Date    : 2023-05-24
# Version : 1.0
############################################################################
# 前置需要一个ip.txt文件，注意：文件格式严按照“ipaddress空格hostname”格式如：“127.0.0.1 root”
p1=$1
pcount=$#
user=`whoami`
HOSTNAME=`hostname`
fname=`basename $p1`
echo fname=$fname
if((pcount==0)); then
        echo no args;
        exit;
fi

pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir

while read ip hostname
do
[ "$hostname" = "$HOSTNAME" ] && continue
        echo -e "-----------------------\033[5;34mSending a file to $hostname\033[0m-----------------------"
        rsync -rvl $pdir/$fname $user@$hostname:$pdir
        [ $? -eq 0 ]&& echo -e "           \033[5;32m已成功向$hostname传输文件\033[0m" || echo -e "           \033[5;31m文件传输失败，请检查主机$hostname\033[0m"
done < ip.txt

集群配置

集群部署规划

1
2
3
4
5
6
7
                HDFS                    YARN
hadoop102       NameNode                NodeManager
                DataNode
hadoop103       DataNode                ResourceManager 
                                        NodeManager
hadoop104       SecondaryNameNode
                DataNode                NodeManager
  • 修改配置Core-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    <!-- 指定HDFS中NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop102:9000</value>
    </property>

    <!-- 指定Hadoop运行时产生文件的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/module/hadoop-2.7.2/data/tmp</value>
    </property>

    注：伪分布是NameNode是 hadoop100
  • 修改hadoop-env.sh
    1
    export JAVA_HOME=/opt/module/jdk1.8.0_144
    注：伪分布已添加，此处不做修改
  • 修改hdfs-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <!-- 指定HDFS副本的数量 -->
    <property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>

    <!-- 指定Hadoop辅助名称节点主机配置 -->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop104:50090</value>
    </property>
    注：伪分布是dfs.replication是1，其实默认配置是3，伪分布式的时候不用改，因为只有一台节点的时候，不会产生3个副本，还是一个，如果节点多的话才会增加，snn的配置是新增加的
  • 配置yarn-env.sh
    1
    export JAVA_HOME=/opt/module/jdk1.8.0_144
    注：伪分布已添加，此处不做修改
  • 修改配置yarn-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <!-- Reducer获取数据的方式 -->
    <property>
    	<name>yarn.nodemanager.aux-services</name>
    	<value>mapreduce_shuffle</value>
    </property>

    <!-- 指定YARN的ResourceManager的地址 -->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop103</value>
    </property>
    注:伪分布式rm配置是hadoop100 在此改为hadoop103

  • 配置mapred-env.sh

    1
    export JAVA_HOME=/opt/module/jdk1.8.0_144
    • 配置mapred-site.xml
      1
      cp mapred-site.xml.template mapred-site.xml
      1
      2
      3
      4
      5
      <!-- 指定MR运行在Yarn上 -->
      <property>
          <name>mapreduce.framework.name</name>
          <value>yarn</value>
      </property>
      注:伪分布式修改过，此处不用修改

  • 在集群上分发配置好的Hadoop配置文件

    1
    xsync /opt/module/hadoop-2.7.2/

    集群单点启动

    注意:此处如果是第一次启动，一定要注意需要格式化namenode，原因上面1.3.2思考已经注明，我这里是已经配置过伪分布，也格式化过，所以这里需要删除data/和log/文件夹
    1
    hadoop namenode -format
  • 在hadoop102、hadoop103以及hadoop104上分别启动DataNode
    1
    sbin/hadoop-daemon.sh start datanode
  • jps 查看进程
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    [Jermyn@hadoop102 hadoop-2.7.2]$ jps
    3384 NameNode
    3516 Jps
    3308 DataNode

    [Jermyn@hadoop103 hadoop-2.7.2]$ jps
    3227 Jps
    3117 DataNode

    [Jermyn@hadoop104 hadoop-2.7.2]$ jps
    3200 Jps
    3082 DataNode

SSH无密登录配置

  • 免密登录原理
  • 生成公钥和私钥：
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    [Jermyn@hadoop102 hadoop-2.7.2]$ ssh-keygen -t rsa
    Generating public/private rsa key pair.
    Enter file in which to save the key (/home/Jermyn/.ssh/id_rsa):
    Enter passphrase (empty for no passphrase):
    Enter same passphrase again:
    Your identification has been saved in /home/Jermyn/.ssh/id_rsa.
    Your public key has been saved in /home/Jermyn/.ssh/id_rsa.pub.
    The key fingerprint is:
    SHA256:xAXniHrEhQ4pWD2L1xsyS8ixH5jv8Zsx9X8zghOE23o Jermyn@hadoop102
    The key's randomart image is:
    +---[RSA 2048]----+
    | o.. . .o.o      |
    |. o =..+ =       |
    | . O *+ +..      |
    |  B Bo+.. .      |
    |   =.=.oS+       |
    |    =.....o      |
    |   . oo  ..o     |
    |    . .+. E.. +  |
    |      o. . ..o o |
    +----[SHA256]-----+
    [Jermyn@hadoop102 hadoop-2.7.2]$
  • 将公钥拷贝到要免密登录的目标机器上
    1
    2
    3
    ssh-copy-id hadoop102
    ssh-copy-id hadoop103
    ssh-copy-id hadoop104
  • .ssh文件夹下（~/.ssh）的文件功能解释
    1
    2
    3
    4
    known_hosts         记录ssh访问过计算机的公钥(public key)
    id_rsa              生成的私钥
    id_rsa.pub          生成的公钥
    authorized_keys	    存放授权过得无密登录服务器公钥
    注意： 还需要在hadoop102上采用root账号，配置一下无密登录到hadoop102、hadoop103、hadoop104； 还需要在hadoop103上采用Jermyn账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。(103上有一个resourcemanager在控制其他节点，所以也需要免密登录其他节点)

群起集群

  • 配置/etc/hadoop/slaves

    1
    2
    3
    4
    5
    vim /etc/hadoop/slaves

    hadoop102
    hadoop103
    hadoop104
    注意：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。

  • 启动HDFS

    1
    2
    3
    4
    5
    6
    7
    8
    [Jermyn@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
    Starting namenodes on [hadoop102]
    hadoop102: starting namenode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-namenode-hadoop102.out
    hadoop103: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop103.out
    hadoop102: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop102.out
    hadoop104: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop104.out
    Starting secondary namenodes [hadoop104]
    hadoop104: starting secondarynamenode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-secondarynamenode-hadoop104.out

    -启动YARN，在hadoop103

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
     [Jermyn@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh
    starting yarn daemons
    starting resourcemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-resourcemanager-hadoop103.out
    hadoop102: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop102.out
    hadoop104: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop104.out
    hadoop103: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop103.out
    [Jermyn@hadoop103 hadoop-2.7.2]$ jps
    4871 NodeManager
    4711 ResourceManager
    5065 Jps
    4575 DataNode
  • Web端查看SecondaryNameNode
    http://hadoop104:50090/status.html

集群基本测试：上传小文件和大文件

  • 上传小文件
    1
    2
    3
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -put wcinput/ /user/Jermyn/input put: /user/Jermyn/input: No such file or directory
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -mkdir -p /user/Jermyn/input
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -put wcinput/ /user/Jermyn/input
  • 上传大文件
    1
    hdfs dfs -put /opt/software/hadoop-2.7.2.tar.gz /user/Jermyn/input
    可以直接点击下载在win下载，且两个块自动进行组合
  • 将两个文件下载（拼接）
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    [Jermyn@hadoop102 subdir3]$ cat blk_1073742741 >> tmp.txt
    [Jermyn@hadoop102 subdir3]$ cat blk_1073742742 >> tmp.txt
    [Jermyn@hadoop102 subdir3]$ tar -zxvf tmp.txt
    hadoop-2.7.2/
    hadoop-2.7.2/NOTICE.txt
    hadoop-2.7.2/etc/
    hadoop-2.7.2/etc/hadoop/
    hadoop-2.7.2/etc/hadoop/kms-log4j.properties
    hadoop-2.7.2/etc/hadoop/mapred-env.sh
    hadoop-2.7.2/etc/hadoop/hdfs-site.xml
    hadoop-2.7.2/etc/hadoop/httpfs-signature.secret
    hadoop-2.7.2/etc/hadoop/mapred-site.xml.template
    ...........................
    [Jermyn@hadoop102 subdir3]$ ll -ah
    总用量 379M
    drwxr-xr-x. 3 Jermyn root  16K 5月  25 15:38 .
    drwxr-xr-x. 6 Jermyn root 4.0K 5月  25 14:28 ..
    -rw-r--r--. 1 Jermyn root  293 5月  25 15:19 blk_1073742740
    -rw-r--r--. 1 Jermyn root   11 5月  25 15:19 blk_1073742740_1916.meta
    -rw-r--r--. 1 Jermyn root 128M 5月  25 15:22 blk_1073742741
    -rw-r--r--. 1 Jermyn root 1.1M 5月  25 15:22 blk_1073742741_1917.meta
    -rw-r--r--. 1 Jermyn root  61M 5月  25 15:22 blk_1073742742
    -rw-r--r--. 1 Jermyn root 485K 5月  25 15:22 blk_1073742742_1918.meta
    drwxr-xr-x. 9 Jermyn root 4.0K 5月  22 2017 hadoop-2.7.2
    -rw-r--r--. 1 Jermyn root 189M 5月  25 15:37 tmp.txt

hadoop相关执行命令

  • 启动NameNode
    1
    sbin/hadoop-daemon.sh start namenode
  • 启动DataNode
    1
    sbin/hadoop-daemon.sh start datanode
  • 在HDFS文件系统上创建一个input文件夹
    1
    bin/hdfs dfs -mkdir -p /user/Jermyn/input
  • 将本地的 wcinput/wc.input 上传到hdfs的/user/Jermyn/input
    1
    bin/hdfs dfs -put wcinput/wc.input /user/Jermyn/input
  • 执行官方WordCount案例
    1
    bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/Jermyn/input /user/Jermyn/output
  • 查看运行的结果
    1
    bin/hadoop dfs -cat /user/Jermyn/output/p*
  • 删除输出结果
    1
    bin/hadoop dfs -rm -r /user/Jermyn/out

  • 关闭NodeManager 、ResourceManager和HistoryManage

    1
    2
    3
    sbin/yarn-daemon.sh stop nodemanager
    sbin/yarn-daemon.sh stop resourcemanager
    sbin/mr-jobhistory-daemon.sh stop historyserver

  • 启动NodeManager 、ResourceManager和HistoryManager

    1
    2
    3
    sbin/yarn-daemon.sh start nodemanager
    sbin/yarn-daemon.sh start resourcemanager
    sbin/mr-jobhistory-daemon.sh start historyserver
  • 启动HDFS
    1
    sbin/start-dfs.sh
    -启动YARN，在hadoop103
    1
    sbin/start-yarn.sh

集群时间同步

时间同步的方式：找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，比如，每隔十分钟，同步一次时间。

  • 时间服务器配置（必须root用户）
    • 检查ntp是否安装
      1
      rpm -qa|grep ntp
    • 修改ntp配置文件/ etc/ntp.conf
      修改内容如下:
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      修改1（授权192.168.1.0-192.168.1.255网段上的所有机器可以从这台机器上查询和同步时间）
      #restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap为
      restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap

      修改2（集群在局域网中，不使用其他互联网上的时间）
      server 0.centos.pool.ntp.org iburst
      server 1.centos.pool.ntp.org iburst
      server 2.centos.pool.ntp.org iburst
      server 3.centos.pool.ntp.org iburst为
      #server 0.centos.pool.ntp.org iburst
      #server 1.centos.pool.ntp.org iburst
      #server 2.centos.pool.ntp.org iburst
      #server 3.centos.pool.ntp.org iburst

      添加3（当该节点丢失网络连接，依然可以采用本地时间作为时间服务器为集群中的其他节点提供时间同步）
      server 127.127.1.0
      fudge 127.127.1.0 stratum 10
    • 修改/etc/sysconfig/ntpd 文件
      1
      2
      3
      增加内容如下（让硬件时间与系统时间一起同步）

      SYNC_HWCLOCK=yes
    • 查看ntpd状态
      1
      service ntpd status
    • 启动ntpd
      1
      service ntpd start
    • 查看ntpd状态
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
      25
      26
      27
      28
      29
      [root@hadoop102 ~]# service ntpd status
      Redirecting to /bin/systemctl status ntpd.service
      ● ntpd.service - Network Time Service
         Loaded: loaded (/usr/lib/systemd/system/ntpd.service; disabled; vendor preset: disabled)
         Active: inactive (dead)
      [root@hadoop102 ~]# service ntpd start
      Redirecting to /bin/systemctl start ntpd.service
      [root@hadoop102 ~]# service ntpd status
      Redirecting to /bin/systemctl status ntpd.service
      ● ntpd.service - Network Time Service
         Loaded: loaded (/usr/lib/systemd/system/ntpd.service; disabled; vendor preset: disabled)
         Active: active (running) since 四 2023-05-25 17:18:05 CST; 2s ago
        Process: 12860 ExecStart=/usr/sbin/ntpd -u ntp:ntp $OPTIONS (code=exited, status=0/SUCCESS)
       Main PID: 12863 (ntpd)
          Tasks: 1
         CGroup: /system.slice/ntpd.service
                 └─12863 /usr/sbin/ntpd -u ntp:ntp -g

      5月 25 17:18:05 hadoop102 ntpd[12863]: Listen normally on 2 lo 127.0.0.1 UDP 123
      5月 25 17:18:05 hadoop102 ntpd[12863]: Listen normally on 3 ens33 192.168.10.102 UDP 123
      5月 25 17:18:05 hadoop102 ntpd[12863]: Listen normally on 4 virbr0 192.168.122.1 UDP 123
      5月 25 17:18:05 hadoop102 ntpd[12863]: Listen normally on 5 lo ::1 UDP 123
      5月 25 17:18:05 hadoop102 ntpd[12863]: Listen normally on 6 ens33 fe80::4e60:766f:adbc:1548 UDP 123
      5月 25 17:18:05 hadoop102 ntpd[12863]: Listening on routing socket on fd #23 for interface updates
      5月 25 17:18:05 hadoop102 ntpd[12863]: 0.0.0.0 c016 06 restart
      5月 25 17:18:05 hadoop102 ntpd[12863]: 0.0.0.0 c012 02 freq_set kernel 0.000 PPM
      5月 25 17:18:05 hadoop102 ntpd[12863]: 0.0.0.0 c011 01 freq_not_set
      5月 25 17:18:06 hadoop102 ntpd[12863]: 0.0.0.0 c514 04 freq_mode
      [root@hadoop102 ~]#
    • 设置ntpd服务开机启动
      1
      2
      3
      [root@hadoop102 ~]# chkconfig ntpd on
      注意：正在将请求转发到“systemctl enable ntpd.service”。
      Created symlink from /etc/systemd/system/multi-user.target.wants/ntpd.service to /usr/lib/systemd/system/ntpd.service.
    • 其他机器配置（必须root用户）
      1
      2
      3
      4
      5
      6
      7
      8
      9
      （1）在其他机器配置10分钟与时间服务器同步一次
      [root@hadoop103桌面]# crontab -e
      编写定时任务如下：
      */10 * * * * /usr/sbin/ntpdate hadoop102
      （2）修改任意机器时间
      [root@hadoop103桌面]# date -s "2017-9-11 11:11:11"
      （3）十分钟后查看机器是否与时间服务器同步
      [root@hadoop103桌面]# date
      说明：测试的时候可以将10分钟调整为1分钟，节省时间。

第四章 HDFS 概述

HDFS优缺点

  • 优点

    • 高容错性：
      （1）数据自动保存多个副本。它通过增加副本的形式，提高容错性；
      （2）某一个副本丢失以后，它可以自动恢复。
    • 适合处理大数据：
      （1）数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
      （2）文件规模：能够处理百万规模以上的文件数量，数量相当之大。
    • 可构建在廉价机器上，通过多副本机制，提高可靠性。

  • 缺点

    • 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。
    • 无法高效的对大量小文件进行存储。
      （1）存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；
      （2）小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
    • 不支持并发写入、文件随机修改。
      （1）一个文件只能有一个写，不允许多个线程同时写；
      （2）仅支持数据append（追加），不支持文件的随机修改。

HDFS组成架构

  1. NameNode（nn）：就是Master，它是一个主管、管理者。
    （1）管理HDFS的名称空间；
    （2）配置副本策略；
    （3）管理数据块（Block）映射信息；
    （4）处理客户端读写请求。
  2. DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。
    （1）存储实际的数据块；
    （2）执行数据块的读/写操作。
  3. Client：就是客户端。
    （1）文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传；
    （2）与NameNode交互，获取文件的位置信息；
    （3）与DataNode交互，读取或者写入数据；
    （4）Client提供一些命令来管理HDFS，比如NameNode格式化；
    （5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；
  4. Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。
    （1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
    （2）在紧急情况下，可辅助恢复NameNode。

HDFS文件块大小

HDFS中的文件在物理上是分块存储（Block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在Hadoop2.x版本中是128M，老版本中是64M。

第五章 HDFS的Shell操作

1
2
bin/hadoop fs 具体命令
bin/hdfs dfs 具体命令

常用命令实操

  1. 启动Hadoop集群
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    [Jermyn@hadoop102 ~]$ start-dfs.sh
    Starting namenodes on [hadoop102]
    hadoop102: starting namenode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-namenode-hadoop102.out
    hadoop103: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop103.out
    hadoop104: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop104.out
    hadoop102: starting datanode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-datanode-hadoop102.out
    Starting secondary namenodes [hadoop104]
    hadoop104: starting secondarynamenode, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-secondarynamenode-hadoop104.out
    [Jermyn@hadoop102 ~]$ jps
    2305 DataNode
    2409 NodeManager
    2729 Jps
    2190 NameNode

    [Jermyn@hadoop103 ~]$ start-yarn.sh
    starting yarn daemons
    starting resourcemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-resourcemanager-hadoop103.out
    hadoop104: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop104.out
    hadoop103: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop103.out
    hadoop102: starting nodemanager, logging to /opt/module/hadoop-2.7.2/logs/yarn-Jermyn-nodemanager-hadoop102.out
    [Jermyn@hadoop103 ~]$ jps
    2561 Jps
    2066 ResourceManager
    2005 DataNode
    2191 NodeManager
  2. -help：输出这个命令参数(查某个命令的使用)
    1
    2
    3
    4
    5
    6
    [Jermyn@hadoop102 ~]$ hadoop fs -help mkdir
    -mkdir [-p] <path> ... :
      Create a directory in specified location.

      -p  Do not fail if the directory already exists
    [Jermyn@hadoop102 ~]$
  3. -ls: 显示目录信息　
    1
    2
    3
    4
    [Jermyn@hadoop102 ~]$ hadoop fs -ls /
    Found 1 items
    drwxr-xr-x   - Jermyn supergroup          0 2023-05-25 14:24 /user
    [Jermyn@hadoop102 ~]$
  4. -mkdir：在HDFS上创建目录
    1
    [Jermyn@hadoop102 ~]$ hadoop fs -mkdir -p /folder1/folder2/folder3
  5. -moveFromLocal：从本地剪切粘贴到HDFS
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    [Jermyn@hadoop102 module]$ ll
    总用量 8
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:38 demo.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    [Jermyn@hadoop102 module]$ hadoop fs -moveFromLocal ./demo.txt /folder1/folder2/folder3
    [Jermyn@hadoop102 module]$ ll
    总用量 8
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    [Jermyn@hadoop102 module]$
  6. -appendToFile：追加一个文件到已经存在的文件末尾
    1
    2
    3
    4
    5
    [Jermyn@hadoop102 module]$ vim demo2.txt
    [Jermyn@hadoop102 module]$ cat demo2.txt
    hello hadoop2.7.2
    [Jermyn@hadoop102 module]$ hadoop fs -appendToFile ./demo2.txt /folder1/folder2/folder3/demo.txt
    [Jermyn@hadoop102 module]$
  7. -cat：显示文件内容
    1
    2
    [Jermyn@hadoop102 module]$ cat demo2.txt
    hello hadoop2.7.2
  8. -chgrp 、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限
    1
    2
    [Jermyn@hadoop102 module]$ hadoop fs -chgrp Jermyn /folder1/folder2/folder3/demo.txt
    [Jermyn@hadoop102 module]$
  9. -copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去
    1
    2
    [Jermyn@hadoop102 module]$ hadoop fs -copyFromLocal ./DEMO.txt /folder1/folder2/folder3
    [Jermyn@hadoop102 module]$
  10. -copyToLocal：从HDFS拷贝到本地
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    [Jermyn@hadoop102 module]$ ll
    总用量 12
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:43 demo2.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:52 DEMO.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    [Jermyn@hadoop102 module]$ hadoop fs -copyToLocal /folder1/folder2/folder3/demo.txt ./
    [Jermyn@hadoop102 module]$ ll
    总用量 16
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:43 demo2.txt
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:57 demo.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:52 DEMO.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    [Jermyn@hadoop102 module]$
  11. -cp ：从HDFS的一个路径拷贝到HDFS的另一个路径
    1
    2
    3
    4
    5
    6
    7
    [Jermyn@hadoop102 module]$ hadoop fs -cp /user/Jermyn/input/wcinput /folder1/folder2/folder3
    [Jermyn@hadoop102 module]$ hadoop fs -ls /folder1/folder2/folder3
    Found 3 items
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-26 10:54 /folder1/folder2/folder3/DEMO.txt
    -rw-r--r--   3 Jermyn Jermyn             18 2023-05-26 10:44 /folder1/folder2/folder3/demo.txt
    drwxr-xr-x   - Jermyn supergroup          0 2023-05-26 10:59 /folder1/folder2/folder3/wcinput
    [Jermyn@hadoop102 module]$
  12. -mv：在HDFS目录中移动文件
    1
    2
    3
    4
    5
    6
    7
    [Jermyn@hadoop102 module]$ hadoop fs -mv /folder1/folder2/folder3/demo.txt /user/Jermyn/input
    [Jermyn@hadoop102 module]$ hadoop fs -ls /user/Jermyn/input
    Found 3 items
    -rw-r--r--   3 Jermyn Jermyn             18 2023-05-26 10:44 /user/Jermyn/input/demo.txt
    -rw-r--r--   3 Jermyn supergroup  197657687 2023-05-25 15:22 /user/Jermyn/input/hadoop-2.7.2.tar.gz
    drwxr-xr-x   - Jermyn supergroup          0 2023-05-25 15:19 /user/Jermyn/input/wcinput
    [Jermyn@hadoop102 module]$
  13. -get：等同于copyToLocal，就是从HDFS下载文件到本地
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    [Jermyn@hadoop102 module]$ hadoop fs -get /folder1/folder2/folder3/wcinput /opt/module/
    [Jermyn@hadoop102 module]$ ll
    总用量 20
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:43 demo2.txt
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:57 demo.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:52 DEMO.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    drwxr-xr-x.  2 Jermyn root   4096 5月  26 11:09 wcinput
    [Jermyn@hadoop102 module]$
  14. -put：等同于copyFromLocal
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    [Jermyn@hadoop102 module]$ ll
    总用量 20
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:43 demo2.txt
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:57 demo.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:52 DEMO.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log1.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log2.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log3.txt
    drwxr-xr-x.  2 Jermyn root   4096 5月  26 11:09 wcinput
    [Jermyn@hadoop102 module]$ hadoop fs -put log* /log
  15. -getmerge：合并下载多个文件，比如HDFS的目录 /user/Jermyn/test下有多个文件:log.1, log.2,log.3,…
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    [Jermyn@hadoop102 module]$ hadoop fs -getmerge /log/log* /opt/module/log_mege.txt
    [Jermyn@hadoop102 module]$ ll
    总用量 20
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:43 demo2.txt
    -rw-r--r--.  1 Jermyn root     18 5月  26 10:57 demo.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 10:52 DEMO.txt
    drwxr-xr-x. 15 Jermyn Jermyn 4096 5月  25 10:52 hadoop-2.7.2
    drwxr-xr-x.  8 Jermyn Jermyn 4096 5月  24 18:55 jdk1.8.0_144
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log1.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log2.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:12 log3.txt
    -rw-r--r--.  1 Jermyn root      0 5月  26 11:16 log_mege.txt
    drwxr-xr-x.  2 Jermyn root   4096 5月  26 11:09 wcinput
    [Jermyn@hadoop102 module]$
  16. -tail：显示一个文件的末尾
    1
    2
    3
    4
    5
    6
    7
    8
    9
    [Jermyn@hadoop102 module]$ hadoop fs -tail /user/Jermyn/input/wcinput/wc.input
    JERMYN JREMYEN Jermfdyn java JAVA hadoop HADOOP
    JERMYTN JREMYDN Jefrmyn java JAVA hadoop HADOOP
    JERMYCN JRECMYN Jermyfn javaC JAVAA hadoop HADOOP
    EJERMYN JREEMYN Jermyn javac JAVA hadoop HADOOP
    JEERMYN JREEMYN Jermyn javaSE JAVA hadoop HADOOP
    JERDMYN JEREMYN Jermyn javaEE JAVA hadoop HADOOP

    [Jermyn@hadoop102 module]$
  17. -rm：删除文件或文件夹
    1
    2
    3
    4
    [Jermyn@hadoop102 module]$ hadoop fs -rm -R /folder1
    23/05/26 11:21:44 INFO fs.TrashPolicyDefault: Namenode trash configuration: Deletion interval = 0 minutes, Emptier interval = 0 minutes.
    Deleted /folder1
    [Jermyn@hadoop102 module]$
  18. -rmdir：删除空目录
    1
    2
    3
    [Jermyn@hadoop102 module]$ hadoop fs -mkdir /FolderEmpt
    [Jermyn@hadoop102 module]$ hadoop fs -rmdir /FolderEmpt
    [Jermyn@hadoop102 module]$
  19. -du统计文件夹的大小信息
    1
    2
    3
    4
    [Jermyn@hadoop102 module]$ hadoop fs -du /
    0          /log
    197657998  /user
    [Jermyn@hadoop102 module]$
  20. -setrep：设置HDFS中文件的副本数量
    1
    2
    3
    [Jermyn@hadoop102 module]$ hadoop fs -setrep 7 /user/Jermyn/input/wcinput/wc.input
    Replication 7 set: /user/Jermyn/input/wcinput/wc.input
    [Jermyn@hadoop102 module]$
    这里设置的副本数只是记录在NameNode的元数据中，是否真的会有这么多副本，还得看DataNode的数量，因为目前只有3台设备，最多也就3个副本，只有节点数的增加到7台时，副本数才能达到7

第六章 HDFS客户端操作

HDFS客户端环境准备

  1. Win下面配置高级环境变量
    1
    2
    3
    4
    HADOOP_HOME=D:\PATH_EN\hadoop-2.7.2

    path添加：
    PATH=%HADOOP_HOME%\bin
  2. 创建一个Maven工程HdfsClient
  3. 导入相应的依赖坐标+日志添加
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
             xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
        <modelVersion>4.0.0</modelVersion>
        <groupId>org.example</groupId>
        <artifactId>HdfsClient</artifactId>
        <packaging>jar</packaging>
        <version>1.0-SNAPSHOT</version>
        <name>HdfsClient</name>
        <url>http://maven.apache.org</url>
        <dependencies>
            <dependency>
                <groupId>junit</groupId>
                <artifactId>junit</artifactId>
                <version>3.8.1</version>
                <scope>test</scope>
            </dependency>
            <dependency>
                <groupId>junit</groupId>
                <artifactId>junit</artifactId>
                <version>RELEASE</version>
            </dependency>
            <dependency>
                <groupId>org.apache.logging.log4j</groupId>
                <artifactId>log4j-core</artifactId>
                <version>2.8.2</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-common</artifactId>
                <version>2.7.2</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-client</artifactId>
                <version>2.7.2</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-hdfs</artifactId>
                <version>2.7.2</version>
            </dependency>
        </dependencies>
    </project>
  4. 注意：如果Eclipse/Idea打印不出日志，需要在项目的src/main/resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入
    1
    2
    3
    4
    5
    6
    7
    8
    log4j.rootLogger=INFO, stdout
    log4j.appender.stdout=org.apache.log4j.ConsoleAppender
    log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
    log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
    log4j.appender.logfile=org.apache.log4j.FileAppender
    log4j.appender.logfile.File=target/spring.log
    log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
    log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
  5. 创建HdfsClient类测试
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    package cn.jermyn.hdfs;


    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.FileSystem;
    import org.apache.hadoop.fs.Path;

    import java.io.IOException;
    import java.net.URI;
    import java.net.URISyntaxException;
    import java.util.Properties;

    public class HDFSClient {

        public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException {

            /*
             * hadoop在访问hdfs的时候会进行权限认证，取用户名的过程是这样的：
             * 读取HADOOP_USER_NAME系统环境变量，如果不为空，那么拿它作username，如果为空
             * 读取HADOOP_USER_NAME这个java环境变量，如果为空
             * 从com.sun.security.auth.NTUserPrincipal或者com.sun.security.auth.UnixPrincipal的实例获取username。
             * 如果以上尝试都失败，那么抛出异常LoginException("Can’t find user name")
             */
    //        Properties properties = System.getProperties();
    //        properties.setProperty("HADOOP_USER_NAME", "Jermyn");

            Configuration conf = new Configuration();
            conf.set("fs.defaultFS", "hdfs://hadoop102:9000");

            // 1.获取hdfs客户端对象
    //        FileSystem fileSystem = FileSystem.get(conf);
            FileSystem fileSystem = FileSystem.get(new URI("hdfs://hadoop102:9000"), conf, "Jermyn");
            
            // 2.在hdfs上创建路径
            fileSystem.mkdirs(new Path("/hdfsClient/demo/test"));

            // 3.关闭资源
            fileSystem.close();

            System.out.println("OVER");
        }
    }

HDFS的API操作

HDFS文件上传（测试参数优先级）

  1. 编写源代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    @Test
    public void testCopyFromLocalFile() throws URISyntaxException, IOException, InterruptedException {

        // 1.获取fs对象
        Configuration conf = new Configuration();
        FileSystem fileSystem = FileSystem.get(new URI("hdfs://hadoop102:9000"), conf, "Jermyn");

        // 2.执行上传API
        Path src = new Path("D:/TestData.txt");

        // 第一次客户端代码中设置的值默认副本为3
    //        Path dst = new Path("/hdfsClient/demo/test");

        // 第二次配置xml，副本设为1
    //        Path dst = new Path("/hdfsClient/demo/test/TestData2.txt");

        // 第三次设置副本数
        conf.set("dfs.replication","2");
        Path dst = new Path("/hdfsClient/demo/test/TestData3.txt");

        fileSystem.copyFromLocalFile(src, dst);

        // 3.关闭对象
        fileSystem.close();

        System.out.println("over");
    }
  2. 将hdfs-site.xml拷贝到项目的根目录下
    1
    2
    3
    4
    5
    6
    7
    8
    9
    <?xml version="1.0" encoding="UTF-8"?>
    <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

    <configuration>
        <property>
            <name>dfs.replication</name>
            <value>1</value>
        </property>
    </configuration>
  3. 参数优先级
    参数优先级排序：（1）客户端代码中设置的值 >（2）ClassPath下的用户自定义配置文件 >（3）然后是服务器的默认配置

HDFS文件下载

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
@Test
public void testCopyToLocalFile() throws URISyntaxException, IOException, InterruptedException {

    // 1.获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fileSystem = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "Jermyn");

    // 2.执行下载操作
    // boolean delSrc 指是否将原文件删除
    boolean delSrc = false;

    // Path src 指要下载的文件路径
    Path src = new Path("/hdfsClient/demo/test/TestData.txt");

    // Path dst 指将文件下载到的路径
    Path dst = new Path("C:\\Users\\Administrator\\Desktop");

    // boolean useRawLocalFileSystem 是否开启文件校验
    boolean useRawLocalFileSystem = true;
    fileSystem.copyToLocalFile(delSrc, src, dst, useRawLocalFileSystem);

    // 3.关闭资源
    fileSystem.close();

    System.out.println("OVER");
}

HDFS文件的删除

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
@Test
public void testDelete() throws URISyntaxException, IOException, InterruptedException {

    // 1 获取文件系统
    Configuration conf = new Configuration();
    FileSystem fileSystem = FileSystem.get(new URI("hdfs://hadoop102:9000"), conf, "Jermyn");

    // 2 执行删除
    // 要删除的路径
    Path f = new Path("/hdfsClient/demo/test/TestData3.txt");
    
    // 如果path是一个目录并设置为true，则删除该目录，否则抛出异常。在文件的情况下，递归可以设置为true或false。
    boolean recursive= true;
    fileSystem.delete(f, recursive);

    // 3 关闭资源
    fileSystem.close();

    System.out.println("OVER");
}

HDFS文件名更改

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{

    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "Jermyn");

    // src -要重命名的路径
    Path src = new Path("/hdfsClient/demo/test/TestData2.txt");

    // dst -重命名后的新路径
    Path dst = new Path("/hdfsClient/demo/test/TestData3.txt");

    // 2 修改文件名称
    fs.rename(src,dst);

    // 3 关闭资源
    fs.close();

    System.out.println("OVER");
}

HDFS文件详情查看

查看文件名称、权限、长度、块信息

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
@Test
public void testListFiles() throws URISyntaxException, IOException, InterruptedException {
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "Jermyn");

    // 2 获取文件详情

    // f 是递归路径
    Path f = new Path("/");
    // 递归地遍历
    boolean recursive = true;
    // 返回遍历文件状态的迭代器
    RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(f, recursive);
    while (listFiles.hasNext()) {
        LocatedFileStatus status = listFiles.next();
        // 输出详情
        // 文件名称
        System.out.println("文件名称："+status.getPath().getName());
        // 长度
        System.out.println("文件的大小（长度）："+status.getLen());
        // 权限
        System.out.println("文件的权限："+status.getPermission());
        // 分组
        System.out.println("文件的所属组："+status.getGroup());

        System.out.println("----------------------------------");

        // 文件的块位置
        BlockLocation[] blockLocations = status.getBlockLocations();
        for (BlockLocation blockLocation : blockLocations) {
            for (String host : blockLocation.getHosts()) {
                System.out.println("承载此文件的主机名："+host);
            }
            System.out.println("--------------------------------------");
        }
    }
    fs.close();
    System.out.println("OVER");
}

点击查看运行结果
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
D:\PATH_EN\JDK17\bin\java.exe...
文件名称：TestData.txt
文件的大小（长度）：0
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
文件名称：TestData3.txt
文件的大小（长度）：0
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
文件名称：log1.txt
文件的大小（长度）：0
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
文件名称：log2.txt
文件的大小（长度）：0
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
文件名称：log3.txt
文件的大小（长度）：0
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
文件名称：demo.txt
文件的大小（长度）：18
文件的权限：rw-r--r--
文件的所属组：Jermyn
----------------------------------
承载此文件的主机名：hadoop104
承载此文件的主机名：hadoop102
承载此文件的主机名：hadoop103
--------------------------------------
文件名称：hadoop-2.7.2.tar.gz
文件的大小（长度）：197657687
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
承载此文件的主机名：hadoop104
承载此文件的主机名：hadoop102
承载此文件的主机名：hadoop103
--------------------------------------
承载此文件的主机名：hadoop104
承载此文件的主机名：hadoop102
承载此文件的主机名：hadoop103
--------------------------------------
文件名称：wc.input
文件的大小（长度）：293
文件的权限：rw-r--r--
文件的所属组：supergroup
----------------------------------
承载此文件的主机名：hadoop104
承载此文件的主机名：hadoop102
承载此文件的主机名：hadoop103
--------------------------------------
OVER

Process finished with exit code 0

HDFS文件和文件夹判断

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
@Test
public void testListStatus() throws IOException, URISyntaxException, InterruptedException {
    // 1 获取文件系统
    Configuration configuration = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "Jermyn");

    Path path = new Path("/");
    FileStatus[] fileStatuses = fs.listStatus(path);
    for (FileStatus fileStatus : fileStatuses) {

        // 判断是文件还是文件夹
        if (fileStatus.isFile()) {
            System.out.println("f：" + fileStatus.getPath().getName());
        } else {
            System.out.println("d：" + fileStatus.getPath().getName());
        }
    }
    fs.close();
}

HDFS的I/O流操作

HDFS文件上传

  1. 需求：把本机桌面(C:\Users\Administrator\Desktop)上的文件Test.txt上传到HDFS(/hdfsClient/demo/test/Test.txt)目录
  2. 编写代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    @Test
    public void getFileFromHDFS() throws URISyntaxException, IOException, InterruptedException {

        // 1 获取文件系统
        Configuration configuration = new Configuration();
        FileSystem fs = FileSystem.get(
                new URI("hdfs://hadoop102:9000"),
                configuration,
                "Jermyn");

        // 2 获取输入流
        FileInputStream fis = new FileInputStream(
                new File("C:\\Users\\Administrator\\Desktop\\Test.txt"));


        // 3 获取输出流
        Path f = new Path("/hdfsClient/demo/test/Test.txt");
        FSDataOutputStream fos = fs.create(f);

        // 4 流的对拷
        IOUtils.copyBytes(fis, fos, configuration);

        // 5 关闭资源
        IOUtils.closeStream(fos);
        IOUtils.closeStream(fis);
        fs.close();
    }

HDFS文件下载

  1. 需求：从HDFS(/log)上下载log1.txt文件到本地桌面（C:\Users\Administrator\Desktop）上
  2. 编写代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    @Test
    public void getFileFromHDFS() throws URISyntaxException, IOException, InterruptedException {
        // 1 获取文件系统
        Configuration configuration = new Configuration();
        FileSystem fs = FileSystem.get(
                new URI("hdfs://hadoop102:9000"),
                configuration,
                "Jermyn");

        // 2 获取输入流
        Path f = new Path("/log/log1.txt");
        FSDataInputStream fis = fs.open(f);

        // 3 获取输出流
        FileOutputStream fos = new FileOutputStream(new File("C:\\Users\\Administrator\\Desktop\\log.txt"));

        // 4 流的对拷
        IOUtils.copyBytes(fis, fos, configuration);

        // 5 关闭资源
        IOUtils.closeStream(fis);
        IOUtils.closeStream(fos);
        fs.close();
    }

定位文件读取

  1. 需求：分块读取HDFS上的大文件，比如根目录下的/user/Jermyn/input/hadoop-2.7.2.tar.gz
  2. 编写代码
  • 下载第一块
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    @Test
    public void readFileSeek1() throws URISyntaxException, IOException, InterruptedException {
        // 1 获取文件系统
        Configuration configuration = new Configuration();
        FileSystem fs = FileSystem.get(
                new URI("hdfs://hadoop102:9000"),
                configuration,
                "Jermyn");

        // 2 获取输入流
        Path f = new Path("/user/Jermyn/input/hadoop-2.7.2.tar.gz");
        FSDataInputStream fis = fs.open(f);

        // 3 获取输出流
        FileOutputStream fos = new FileOutputStream(
                new File("C:\\Users\\Administrator\\Desktop\\hadoop-2.7.2.tar.gz.block1"));

        // 4 流的对拷(只拷贝128)
        byte[] bytes = new byte[1024];
        for (int i = 0; i < 1024 * 128; i++) {
            fis.read(bytes);
            fos.write(bytes);
        }

        // 5 关闭资源
        IOUtils.closeStream(fis);
        IOUtils.closeStream(fos);
        fs.close();
    }
  • 下载第二块
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    @Test
    public void readFileSeek2() throws URISyntaxException, IOException, InterruptedException {
        // 1 获取文件系统
        Configuration configuration = new Configuration();
        FileSystem fs = FileSystem.get(
                new URI("hdfs://hadoop102:9000"),
                configuration,
                "Jermyn");

        // 2 获取输入流
        Path f = new Path("/user/Jermyn/input/hadoop-2.7.2.tar.gz");
        FSDataInputStream fis = fs.open(f);

        // 3 设置指定的读取节点
        fis.seek(1024 * 1024 * 128);

        // 4 获取输出流
        FileOutputStream fos = new FileOutputStream(
                new File("C:\\Users\\Administrator\\Desktop\\hadoop-2.7.2.tar.gz.block2"));

        // 5 流的对拷
        IOUtils.copyBytes(fis, fos, configuration);

        // 6 关闭资源
        IOUtils.closeStream(fis);
        IOUtils.closeStream(fos);
        fs.close();
    }
  • 合并文件
    在Window命令窗口中进入到目录E:\，然后执行如下命令，对数据进行合并 type hadoop-2.7.2.tar.gz.part2 >> hadoop-2.7.2.tar.gz.part1
    合并完成后，将hadoop-2.7.2.tar.gz.part1重新命名为hadoop-2.7.2.tar.gz。解压发现该tar包非常完整。

第七章 HDFS的数据流

HDFS写数据流程

剖析文件写入

点击下图可放大查看


HDFS写数据流程

第一步

客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。

第二步

NameNode返回是否可以上传。

第三步

客户端请求第一个 Block上传到哪几个DataNode服务器上。

第四步

NameNode返回3个DataNode节点，分别为dn1、dn2、dn3（如何返回合适的datanode详细可见7.1.2）。

第五步

客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。

第六步

dn1、dn2、dn3逐级应答客户端。

第七步

客户端开始往dn1上传第一个Block（先从磁盘读取数据放到一个本地内存缓存），以Packet为单位，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。

第八步

当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器。（重复执行3-7步）。

网络拓扑-节点距离计算

在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。
节点距离：两个节点到达最近的共同祖先的距离总和。

机架感知（副本存储节点选择）

  1. 官方ip地址
    点击图片跳转链接
  2. Hadoop2.7.2副本节点选择

HDFS读数据流程


HDFS读数据流程

第一步

客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。

第二步

挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。

第三步

DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。

第四步

客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

第八章 NameNode和SecondaryNameNode

NN和2NN工作机制

思考：NameNode中的元数据是存储在哪里的？

首先，我们做个假设，如果存储在NameNode节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，元数据需要存放在内存中。但如果只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage。这样又会带来新的问题，当在内存中的元数据更新时，如果同时更新FsImage，就会导致效率过低，但如果不更新，就会发生一致性问题，一旦NameNode节点断电，就会产生数据丢失。因此，引入Edits文件(只进行追加操作，效率很高)。每当元数据有更新或者添加元数据时，修改内存中的元数据并追加到Edits中。这样，一旦NameNode节点断电，可以通过FsImage和Edits的合并，合成元数据。但是，如果长时间添加数据到Edits中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行FsImage和Edits的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于FsImage和Edits的合并。


NN和2NN工作机制

NN第1步

第一次启动NameNode格式化后，创建Fsimage和Edits文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。

NN第2步

客户端对元数据进行增删改的请求。

NN第3步

NameNode记录操作日志，更新滚动日志（即：nd向将操作写到edits在进行相应操作）。

NN第4步

NameNode在内存中对数据进行增删改。

2NN第1步

Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。
CheckPoint：将edits和fsimage进行合并成为最新的元数据，序列化到fsimage中

2NN第2步

Secondary NameNode请求执行CheckPoint。

2NN第3步

NameNode滚动正在写的Edits日志。正在写入的edits叫edits_inprogress_001,滚动生成edits_001，同时生成edits_inprogress_002（空的内容），此后在进行的操作写入到edits_inprogress_002中，

2NN第4步

将滚动前的编辑日志（edits_001）和镜像文件（fsimage）拷贝到Secondary NameNode

2NN第5步

Secondary NameNode加载编辑日志和镜像文件到内存，并合并。

2NN第6步

生成新的镜像文件fsimage.chkpoint。

2NN第7步

拷贝fsimage.chkpoint到NameNode。

2NN第8步

NameNode将fsimage.chkpoint重新命名成fsimage。

NN和2NN工作机制详解：

Fsimage：NameNode内存中元数据序列化后形成的文件。
Edits：记录客户端更新元数据信息的每一步操作（可通过Edits运算出元数据）。
NameNode启动时，先滚动Edits并生成一个空的edits.inprogress，然后加载Edits和Fsimage到内存中，此时NameNode内存就持有最新的元数据信息。Client开始对NameNode发送元数据的增删改的请求，这些请求的操作首先会被记录到edits.inprogress中（查询元数据的操作不会被记录在Edits中，因为查询操作不会更改元数据信息），如果此时NameNode挂掉，重启后会从Edits中读取元数据的信息。然后，NameNode会在内存中执行元数据的增删改的操作。
由于Edits中记录的操作会越来越多，Edits文件会越来越大，导致NameNode在启动加载Edits时会很慢，所以需要对Edits和Fsimage进行合并（所谓合并，就是将Edits和Fsimage加载到内存中，照着Edits中的操作一步步执行，最终形成新的Fsimage）。SecondaryNameNode的作用就是帮助NameNode进行Edits和Fsimage的合并工作。
SecondaryNameNode首先会询问NameNode是否需要CheckPoint（触发CheckPoint需要满足两个条件中的任意一个，定时时间到和Edits中数据写满了）。直接带回NameNode是否检查结果。SecondaryNameNode执行CheckPoint操作，首先会让NameNode滚动Edits并生成一个空的edits.inprogress，滚动Edits的目的是给Edits打个标记，以后所有新的操作都写入edits.inprogress，其他未合并的Edits和Fsimage会拷贝到SecondaryNameNode的本地，然后将拷贝的Edits和Fsimage加载到内存中进行合并，生成fsimage.chkpoint，然后将fsimage.chkpoint拷贝给NameNode，重命名为Fsimage后替换掉原来的Fsimage。NameNode在启动时就只需要加载之前未合并的Edits和Fsimage即可，因为合并过的Edits中的元数据信息已经被记录在Fsimage中。

Fsimage和Edits解析

NameNode被格式化之后，将在/opt/module/hadoop-2.7.2/data/tmp/dfs/name/current目录中产生如下文件

  1. Fsimage文件：HDFS文件系统元数据的一个永久性的检查点，其中包含HDFS文件系统的所有目录和文件inode的序列化信息。
  2. Edits文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到Edits文件中。
  3. seentxid文件保存的是一个数字，就是最后一个edits的数字(即最新的操作的edits的文件id)
  4. 每次NameNode启动的时候都会将Fsimage文件读入内存，加载Edits里面的更新操作，保证内存中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。

oiv查看Fsimage文件

  1. 查看oiv和oev命令
    1
    2
    3
    4
    5
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs | grep -E  'oiv|oev'
      oiv                  apply the offline fsimage viewer to an fsimage
      oiv_legacy           apply the offline fsimage viewer to an legacy fsimage
      oev                  apply the offline edits viewer to an edits file
    [Jermyn@hadoop102 hadoop-2.7.2]$
  2. 基本语法
    1
    hdfs oiv -p 文件类型 -i镜像文件 -o 转换后文件输出路径
  3. 案例实操
    1
    2
    3
    4
    5
    6
    [Jermyn@hadoop102 current]$ pwd
    /opt/module/hadoop-2.7.2/data/tmp/dfs/name/current

    [Jermyn@hadoop102 current]$ hdfs oiv -p XML -i fsimage_0000000000000000025 -o /opt/module/hadoop-2.7.2/fsimage.xml

    [Jermyn@hadoop102 current]$ cat /opt/module/hadoop-2.7.2/fsimage.xml
  • 思考：可以看出，Fsimage中没有记录块所对应DataNode，为什么？
    在集群启动后，要求DataNode上报数据块信息，并间隔一段时间后再次上报。

oev查看Edits文件

  1. 基本语法
    1
    hdfs oev -p 文件类型 -i编辑日志 -o 转换后文件输出路径
  2. 实例实操
    1
    2
    3
    [Jermyn@hadoop102 current]$ hdfs oev -p XML -i edits_0000000000000000012-0000000000000000013 -o /opt/module/hadoop-2.7.2/edits.xml

    [Jermyn@hadoop102 current]$ cat /opt/module/hadoop-2.7.2/edits.xml

CheckPoint时间设置

  1. 通常情况下，SecondaryNameNode每隔一小时执行一次。
    1
    vim hdfs-default.xml
    1
    2
    3
    4
    <property>
      <name>dfs.namenode.checkpoint.period</name>
      <value>3600</value>
    </property>
  2. 一分钟检查一次操作次数，3当操作次数达到1百万时，SecondaryNameNode执行一次。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <property>
      <name>dfs.namenode.checkpoint.txns</name>
      <value>1000000</value>
    <description>操作动作次数</description>
    </property>

    <property>
      <name>dfs.namenode.checkpoint.check.period</name>
      <value>60</value>
    <description> 1分钟检查一次操作次数</description>
    </property >

    NameNode故障处理

    NameNode故障后，可以采用如下两种方法恢复数据。
  • 方法一：将SecondaryNameNode中数据拷贝到NameNode存储数据的目录(我们发现2NN和NN相比NN多个seentxid文件，其他都一样，所以此方法是将2NN的所有文件拷贝到NN所在的相应目录下)
  1. kill -9 NameNode进程
  2. 删除NameNode存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
    1
    rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
  3. 拷贝SecondaryNameNode中数据到原NameNode存储数据目录
    1
    scp -r Jermyn@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary/* ./name/
  4. 重新启动NameNode
    1
    sbin/hadoop-daemon.sh start namenode
  • 方法二：使用-importCheckpoint选项启动NameNode守护进程，从而将SecondaryNameNode中数据拷贝到NameNode目录中。（CheckPoint触发条件是①定时时间到②edits中数据满，显然数据满不了了，所以我们修改定时任务，时间缩短，让他尽快触发进行Checkpoint，把内存的数据导出）
  1. 修改hdfs-site.xml中的
    1
    2
    3
    4
    5
    6
    7
    8
    9
    <property>
      <name>dfs.namenode.checkpoint.period</name>
      <value>120</value>
    </property>

    <property>
      <name>dfs.namenode.name.dir</name>
      <value>/opt/module/hadoop-2.7.2/data/tmp/dfs/name</value>
    </property>
  2. kill -9 NameNode进程
  3. 删除NameNode存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
    1
    rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
  4. 如果SecondaryNameNode不和NameNode在一个主机节点上，需要将SecondaryNameNode存储数据的目录拷贝到NameNode存储数据的平级目录，并删除in_use.lock文件
    1
    2
    3
    4
    5
    6
    7
    8
    9
    [Jermyn@hadoop102 dfs]$ scp -r Jermyn@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary ./

    [Jermyn@hadoop102 namesecondary]$ rm -rf in_use.lock

    [Jermyn@hadoop102 dfs]$ pwd
    /opt/module/hadoop-2.7.2/data/tmp/dfs

    [Jermyn@hadoop102 dfs]$ ls
    data  name  namesecondary
  5. 导入检查点数据（等待一会ctrl+c结束掉）
    1
    bin/hdfs namenode -importCheckpoint
  6. 启动NameNode
    1
    sbin/hadoop-daemon.sh start namenode

集群安全模式

  • 概述
  1. NN启动
    NameNode启动时，首先将镜像文件（Fsimage）载入内存，并执行编辑日志（Edits）中的各项操作。一旦在内存中成功建立文件系统元数据的映像，则创建一个新的Fsimage文件和一个空的编辑日志。此时，NameNode开始监听DataNode请求。这个过程期间，NameNode一直运行在安全模式，即NameNode的文件系统对于客户端来说是只读的。（相当于开始是是把数据加载到内存中，没有加载完成的时候就进行处理数据，肯定不可以）
  2. DN启动
    系统中的数据块的位置并不是由NameNode维护的，而是以块列表的形式存储在DataNode中。在系统的正常操作期间，NameNode会在内存中保留所有块位置的映射信息。在安全模式下，各个DataNode会向NameNode发送最新的块列表信息，NameNode了解到足够多的块位置信息之后，即可高效运行文件系统。
  3. 安全模式推出判断
    如果满足“最小副本条件”，NameNode会在30秒钟之后就退出安全模式。所谓的最小副本条件指的是在整个文件系统中99.9%的块满足最小副本级别（默认值：dfs.replication.min=1）。在启动一个刚刚格式化的HDFS集群时，因为系统中还没有任何块，所以NameNode不会进入安全模式。
  • 基本语法集群处于安全模式，不能执行重要操作（写操作）。集群启动完成后，自动退出安全模式。
    1
    2
    3
    4
    bin/hdfs dfsadmin -safemode get		（功能描述：查看安全模式状态）
    bin/hdfs dfsadmin -safemode enter  	（功能描述：进入安全模式状态）
    bin/hdfs dfsadmin -safemode leave	（功能描述：离开安全模式状态）
    bin/hdfs dfsadmin -safemode wait	（功能描述：等待安全模式状态）

NameNode多目录配置

  1. NameNode的本地目录可以配置成多个，且每个目录存放内容相同，增加了可靠性
  2. 具体配置如下
  • 在hdfs-site.xml文件中增加如下内容
    1
    2
    3
    4
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:///${hadoop.tmp.dir}/dfs/name1,file:///${hadoop.tmp.dir}/dfs/name2</value>
    </property>
  • 停止集群，删除data和logs中所有数据。
    1
    2
    3
    [Jermyn@hadoop102 hadoop-2.7.2]$ rm -rf data/ logs/
    [Jermyn@hadoop103 hadoop-2.7.2]$ rm -rf data/ logs/
    [Jermyn@hadoop104 hadoop-2.7.2]$ rm -rf data/ logs/
  • 格式化集群并启动。
    1
    2
    [Jermyn@hadoop102 hadoop-2.7.2]$ bin/hdfs namenode –format
    [Jermyn@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
  • 查看结果
    1
    2
    3
    4
    5
    [Jermyn@hadoop102 dfs]$ ll
    总用量 12
    drwx------. 3 Jermyn Jermyn 4096 12月 11 08:03 data
    drwxrwxr-x. 3 Jermyn Jermyn 4096 12月 11 08:03 name1
    drwxrwxr-x. 3 Jermyn Jermyn 4096 12月 11 08:03 name2

第九章 DataNode

DataNode工作机制

  1. 一个数据块在DataNode上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。(即：数据和指示数据的信息)
  2. DataNode启动后向NameNode注册，通过后，周期性（1小时）的向NameNode上报所有的块信息（即：向NN报告我这个DN还活着，同时报告我存的数据信息）。
  3. 心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。（即：NN和DN每3秒通信一次）
  4. 集群运行中可以安全加入和退出一些机器。

数据完整性

思考：如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号（1）和绿灯信号（0），但是存储该数据的磁盘坏了，一直显示是绿灯，是否很危险？同理DataNode节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？
如下是DataNode节点保证数据完整性的方法

  1. 当DataNode读取Block的时候，它会计算CheckSum。
  2. 如果计算后的CheckSum，与Block创建时值不一样，说明Block已经损坏。
  3. Client读取其他DataNode上的Block。
  4. DataNode在其文件创建后周期验证CheckSum

掉线时限参数设置


需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
<property>
  <name>dfs.namenode.heartbeat.recheck-interval</name>
  <value>300000</value>
  <description>
    This time decides the interval to check for expired datanodes.
    With this value and dfs.heartbeat.interval, the interval of
    deciding the datanode is stale or not is also calculated.
    The unit of this configuration is millisecond.
  </description>
</property>

<property>
  <name>dfs.heartbeat.interval</name>
  <value>3</value>
  <description>Determines datanode heartbeat interval in seconds.</description>
</property>

服役新数据节点(添加新工作节点)

  • 环境准备
    • 在hadoop104主机上再克隆一台hadoop105主机
    • 修改IP地址和主机名称
    • 删除原来HDFS文件系统留存的文件（/opt/module/hadoop-2.7.2/data和log）
      1
      2
      [Jermyn@hadoop105 hadoop-2.7.2]$ rm -rf ./data
      [Jermyn@hadoop105 hadoop-2.7.2]$ rm -rf ./log
    • source一下配置文件
      1
      [Jermyn@hadoop105 hadoop-2.7.2]$ source /etc/profile
  • 服役新节点具体步骤
    • 直接启动DataNode，即可关联到集群
      1
      2
      [Jermyn@hadoop105 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
      [Jermyn@hadoop105 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
    • 在hadoop105上上传文件
      1
      [Jermyn@hadoop105 hadoop-2.7.2]$ hadoop fs -put /opt/module/hadoop-2.7.2/LICENSE.txt /
    • 如果数据不均衡，可以用命令实现集群的再平衡
      1
      2
      3
       [Jermyn@hadoop102 sbin]$ ./start-balancer.sh
      starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-balancer-hadoop102.out
      Time Stamp               Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved

退役旧数据节点

添加白名单

添加到白名单的主机节点，都允许访问NameNode，不在白名单的主机节点，都会被退出。

配置白名单的具体步骤如下：

  • 在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts文件
    1
    2
    3
    4
    [Jermyn@hadoop102 hadoop]$ pwd
    /opt/module/hadoop-2.7.2/etc/hadoop
    [Jermyn@hadoop102 hadoop]$ touch dfs.hosts
    [Jermyn@hadoop102 hadoop]$ vi dfs.hosts
  • 添加如下主机名称（不添加hadoop105）
    1
    2
    3
    hadoop102
    hadoop103
    hadoop104
  • 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts属性
    1
    2
    3
    4
    <property>
        <name>dfs.hosts</name>
        <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts</value>
    </property>
  • 配置文件分发
    1
    [Jermyn@hadoop102 hadoop]$ xsync hdfs-site.xml
  • 刷新NameNode
    1
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
  • 更新ResourceManager节点
    1
    2
    [Jermyn@hadoop102 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
    17/06/24 14:17:11 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.10.103:8033
  • 如果数据不均衡，可以用命令实现集群的再平衡
    1
    2
    3
    [Jermyn@hadoop102 sbin]$ ./start-balancer.sh
    starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-balancer-hadoop102.out
    Time Stamp               Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved

黑名单退役

在黑名单上面的主机都会被强制退出。
  • 在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts.exclude文件
    1
    2
    3
    4
    [Jermyn@hadoop102 hadoop]$ pwd
    /opt/module/hadoop-2.7.2/etc/hadoop
    [Jermyn@hadoop102 hadoop]$ touch dfs.hosts.exclude
    [Jermyn@hadoop102 hadoop]$ vi dfs.hosts.exclude
  • 添加如下主机名称（要退役的节点）
    1
    hadoop105
  • 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts.exclude属性
    1
    2
    3
    4
    <property>
    <name>dfs.hosts.exclude</name>
          <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts.exclude</value>
    </property>
  • 刷新NameNode、刷新ResourceManager
    1
    2
    3
    4
    5
    [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
    Refresh nodes successful

    [Jermyn@hadoop102 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
    17/06/24 14:55:56 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.1.103:8033

  • 检查Web浏览器，退役节点的状态为decommission in progress（退役中），说明数据节点正在复制块到其他节点

  • 等待退役节点状态为decommissioned（所有块已经复制完成），停止该节点及节点资源管理器。注意：如果副本数是3，服役的节点小于等于3，是不能退役成功的，需要修改副本数后才能退役

    1
    2
    3
    4
    5
    # stopping datanode
    [Jermyn@hadoop105 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop datanode

    # stopping nodemanager
    [Jermyn@hadoop105 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
  • 如果数据不均衡，可以用命令实现集群的再平衡
    1
    2
    3
    [Jermyn@hadoop102 hadoop-2.7.2]$ sbin/start-balancer.sh 
    starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-Jermyn-balancer-hadoop102.out
    Time Stamp               Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved
    注意：不允许白名单和黑名单中同时出现同一个主机名称。

Datanode多目录配置

  1. DataNode也可以配置成多个目录，每个目录存储的数据不一样。即：数据不是副本
  2. 添加配置 hdfs-site.xml
    1
    2
    3
    4
    <property>
            <name>dfs.datanode.data.dir</name>
            <value>file:///${hadoop.tmp.dir}/dfs/data1,file:///${hadoop.tmp.dir}/dfs/data2</value>
    </property>

    第十章 HDFS 2.X新特性

    集群间数据拷贝

  3. scp实现两个远程主机之间的文件复制
    1
    2
    3
    4
    5
    6
    7
    8
    # 推 push
    scp -r hello.txt root@hadoop103:/user/Jermyn/hello.txt		

    # 拉 pull
    scp -r root@hadoop103:/user/Jermyn/hello.txt  hello.txt	

    # 是通过本地主机中转实现两个远程主机的文件复制；如果在两个远程主机之间ssh没有配置的情况下可以使用该方式。
    scp -r root@hadoop103:/user/Jermyn/hello.txt root@hadoop104:/user/Jermyn
  4. 采用distcp命令实现两个Hadoop集群之间的递归数据复制
    1
    2
    [Jermyn@hadoop102 hadoop-2.7.2]$  bin/hadoop distcp
    hdfs://haoop102:9000/user/Jermyn/hello.txt hdfs://hadoop103:9000/user/Jermyn/hello.txt

小文件存档

  1. HDFS存储小文件弊端
    每个文件均按块存储，每个块的元数据存储在NameNode的内存中，因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存。但注意，存储小文件所需要的磁盘容量和数据块的大小无关。例如，一个1MB的文件设置为128MB的块存储，实际使用的是1MB的磁盘空间，而不是128MB。
  2. 解决存储小文件办法之一
    HDFS存档文件或HAR文件，是一个更高效的文件存档工具，它将文件存入HDFS块，在减少NameNode内存使用的同时，允许对文件进行透明的访问。具体说来，HDFS存档文件对内还是一个一个独立文件，对NameNode而言却是一个整体，减少了NameNode的内存。
  3. 案例实操
  • 需要启动YARN进程
    1
    start-yarn.sh
  • 归档文件把/log目录里面的所有文件归档成一个叫input.har的归档文件，并把归档后文件存储到/user/Jermyn/output路径下。
    1
    [Jermyn@hadoop102 hadoop-2.7.2]$ bin/hadoop archive -archiveName input.har -p /log /user/Jermyn/output
  • 查看归档(hadoop fs -lsr har://)
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -lsr /user/Jermyn/output/input.har
    lsr: DEPRECATED: Please use 'ls -R' instead.
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-29 22:37 /user/Jermyn/output/input.har/_SUCCESS
    -rw-r--r--   5 Jermyn supergroup        271 2023-05-29 22:37 /user/Jermyn/output/input.har/_index
    -rw-r--r--   5 Jermyn supergroup         22 2023-05-29 22:37 /user/Jermyn/output/input.har/_masterindex
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-29 22:37 /user/Jermyn/output/input.har/part-0
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -lsr har:///user/Jermyn/output/input.har
    lsr: DEPRECATED: Please use 'ls -R' instead.
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-26 11:13 har:///user/Jermyn/output/input.har/log1.txt
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-26 11:13 har:///user/Jermyn/output/input.har/log2.txt
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-26 11:13 har:///user/Jermyn/output/input.har/log3.txt
    [Jermyn@hadoop102 hadoop-2.7.2]$
  • 解归档文件
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -cp har:///user/Jermyn/output/input.har/* /user/Jermyn/input
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -ls /user/Jermyn/input
    Found 6 items
    -rw-r--r--   3 Jermyn Jermyn             18 2023-05-26 10:44 /user/Jermyn/input/demo.txt
    -rw-r--r--   3 Jermyn supergroup  197657687 2023-05-25 15:22 /user/Jermyn/input/hadoop-2.7.2.tar.gz
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-29 22:43 /user/Jermyn/input/log1.txt
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-29 22:43 /user/Jermyn/input/log2.txt
    -rw-r--r--   3 Jermyn supergroup          0 2023-05-29 22:43 /user/Jermyn/input/log3.txt
    drwxr-xr-x   - Jermyn supergroup          0 2023-05-25 15:19 /user/Jermyn/input/wcinput
    [Jermyn@hadoop102 hadoop-2.7.2]$

回收站

开启回收站功能，可以将删除的文件在不超时的情况下，恢复原数据，起到防止误删除、备份等作用。
  1. 回收站参数设置及工作机制
    • 默认值fs.trash.interval=0，0表示禁用回收站;其他值表示设置文件的存活时间。
    • 默认值fs.trash.checkpoint.interval=0，检查回收站的间隔时间。如果该值为0，则该值设置和fs.trash.interval的参数值相等。
    • 要求fs.trash.checkpoint.interval<=fs.trash.interval。
  2. 回收站工作机制：
  3. 启用回收站:修改core-site.xml，配置垃圾回收时间为1分钟。
    1
    vim core-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    <property>
      <name>fs.trash.checkpoint.interval</name>
      <value>1</value>
      <description>Number of minutes between trash checkpoints.
      Should be smaller or equal to fs.trash.interval. If zero,
      the value is set to the value of fs.trash.interval.
      Every time the checkpointer runs it creates a new checkpoint 
      out of current and removes checkpoints created more than 
      fs.trash.interval minutes ago.
      </description>
    </property>
  4. 查看回收站,回收站在集群中的路径：/user/Jermyn/.Trash/….
  5. 修改访问垃圾回收站用户名称
    进入垃圾回收站用户名称，默认是dr.who，修改为Jermyn用户
    1
    vim core-site.xml
    1
    2
    3
    4
    5
    6
    7
    8
    9
    <property>
      <description>
        The user name to filter as, on static web filters
        while rendering content. An example use is the HDFS
        web UI (user to be used for browsing files).
      </description>
      <name>hadoop.http.staticuser.user</name>
      <value>Jermyn</value>
    </property>
  6. 分发core-site.xml到其他节点
    1
    [Jermyn@hadoop102 hadoop-2.7.2]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/core-site.xml
  7. 通过程序删除的文件不会经过回收站，需要调用moveToTrash()才进入回收站
    1
    2
    Trash trash = New Trash(conf);
    trash.moveToTrash(path);
  8. 恢复回收站数据
    1
    2
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -mv
    /user/Jermyn/.Trash/Current/user/Jermyn/input    /user/Jermyn/input
  9. 清空回收站
    1
    [Jermyn@hadoop102 hadoop-2.7.2]$ hadoop fs -expunge

快照管理

  1. 快照相当于对目录做一个备份。并不会立即复制所有文件，而是记录文件变化。
    • hdfs dfsadmin -allowSnapshot 路径 （功能描述：开启指定目录的快照功能）
    • hdfs dfsadmin -disallowSnapshot 路径 （功能描述：禁用指定目录的快照功能，默认是禁用）
    • hdfs dfs -createSnapshot 路径 （功能描述：对目录创建快照）
    • hdfs dfs -createSnapshot 路径 名称 （功能描述：指定名称创建快照）
    • hdfs dfs -renameSnapshot 路径 旧名称 新名称 （功能描述：重命名快照）
    • hdfs lsSnapshottableDir （功能描述：列出当前用户所有可快照目录）
    • hdfs snapshotDiff 路径1 路径2 （功能描述：比较两个快照目录的不同之处）
    • hdfs dfs -deleteSnapshot（功能描述：删除快照）
  2. 案例实操
    • 开启/禁用指定目录的快照功能
      1
      2
      3
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -allowSnapshot /user/Jermyn/input

      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -disallowSnapshot /user/Jermyn/input
    • 对目录创建快照
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -createSnapshot /user/Jermyn/input
    • 通过web访问hdfs://hadoop102:50070/user/Jermyn/input/.snapshot/s…..// 快照和源文件使用相同数据
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -lsr /user/Jermyn/input/.snapshot/
    • 指定名称创建快照
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -createSnapshot /user/Jermyn/input  miao170508
    • 重命名快照
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs dfs -renameSnapshot /user/Jermyn/input/  miao170508 Jermyn170508
    • 列出当前用户所有可快照目录
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs snapshotDiff /user/Jermyn/input/  .  .snapshot/Jermyn170508
    • 比较两个快照目录的不同之处
      1
      [Jermyn@hadoop102 hadoop-2.7.2]$ hdfs snapshotDiff /user/Jermyn/input/  .  .snapshot/Jermyn170508

第十一章 MapReduce概述

MapReduce优缺点

优点

  1. MapReduce 易于编程
    它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行。
  2. 良好的扩展性
    当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。
  3. 高容错性
    MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。
  4. 适合PB级以上海量数据的离线处理
    可以实现上千台服务器集群并发工作，提供数据处理能力。

缺点

  1. 不擅长实时计算
    MapReduce无法像MySQL一样，在毫秒或者秒级内返回结果。
  2. 不擅长流式计算
    流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。
  3. 不擅长DAG（有向图）计算
    多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做，而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。

MapReduce核心思想

  1. 分布式的运算程序往往需要分成至少2个阶段。
  2. 第一个阶段的MapTask并发实例，完全并行运行，互不相干。
  3. 第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
  4. MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。总结：分析WordCount数据流走向深入理解MapReduce核心思想。

MapReduce进程

一个完整的MapReduce程序在分布式运行时有三类实例进程：

  • MrAppMaster：负责整个程序的过程调度及状态协调。
  • MapTask：负责Map阶段的整个数据处理流程。
  • ReduceTask：负责Reduce阶段的整个数据处理流程。

常用数据序列化类型

常用的数据类型对应的Hadoop数据序列化类型

MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver。

  1. Mapper阶段
    • 用户自定义的Mapper要继承自己的父类
    • Mapper的输入数据是KV对的形式（KV的类型可自定义）
    • Mapper中的业务逻辑写在map()方法中
    • Mapper的输出数据是KV对的形式（KV的类型可自定义）
    • map()方法（MapTask进程）对每一个调用一次
  2. Reducer阶段
    • 用户自定义的Reducer要继承自己的父类
    • Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
    • Reducer的业务逻辑写在reduce()方法中
    • ReduceTask进程对每一组相同k的组调用一次reduce()方法
  3. Driver阶段
    相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

WordCount案例实操

  1. 需求:在给定的文本文件中统计输出每一个单词出现的总次数
  2. 需求分析
  3. 环境准备
  • 创建配置maven工程
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    <dependencies>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>RELEASE</version>
        </dependency>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-core</artifactId>
            <version>2.8.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.7.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>2.7.2</version>
        </dependency>
    </dependencies>
  • 在项目的src/main/resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。
    1
    2
    3
    4
    5
    6
    7
    8
    log4j.rootLogger=INFO, stdout
    log4j.appender.stdout=org.apache.log4j.ConsoleAppender
    log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
    log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
    log4j.appender.logfile=org.apache.log4j.FileAppender
    log4j.appender.logfile.File=target/spring.log
    log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
    log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
  • 编写程序
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
package cn.jermyn.mr.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;


/*
 * map 阶段
 * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 * KEYIN 输入数据的key
 * VALUEIN 输入数据的value Jermyn Jermyn
 * KEYOUT 输出数据的key的类型 Jermyn,1
 * VALUEOUT 输出数据的value类型
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    Text k = new Text();
    IntWritable v = new IntWritable(1);
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {


        // 1.获取一行（line="Jermyn Jermyn"）
        String line = value.toString();

        // 2.切割（以空格）
        String[] words = line.split(" ");

        // 3.循环写出
        for (String word : words) {

            // Jermyn
            k.set(word);

            context.write(k, v);
        }
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
package cn.jermyn.mr.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * reduce阶段
 * Reducer<KEYIN,VALUEIN,KEYOUT,VALUEOUT>
 * KEYIN,VALUEIN map阶段输出的key和value
 * KEYOUT,VALUEOUT reduce 阶段输出的目的格式
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {


    IntWritable value = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {

        int sum = 0;
        // 1.累加求和
        for (IntWritable value : values) {
            sum += value.get();
        }

        value.set(sum);
        // 2.写出
        context.write(key, value);
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
package cn.jermyn.mr.wordcount;

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.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;


import java.io.IOException;

public class WordCountDriver {

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

        Configuration conf = new Configuration();
        // 1.获取Job对象
        Job job = Job.getInstance(conf);

        // 2.设置jar存储位置
        job.setJarByClass(WordCountDriver.class);

        // 3.关联Map和Reduce类
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        // 4.设置Mapper阶段输出的数据的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        // 5.设置最终数据输出的key和value类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 6.设置输入路径和输出路径
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        // 7.提交Job
        boolean resule = job.waitForCompletion(true);

        System.exit(resule ? 0 : 1);
    }
}
点击查看运行结果
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
PS C:\Users\Administrator\Desktop\output> pwd

Path
----
C:\Users\Administrator\Desktop\output


PS C:\Users\Administrator\Desktop\output> ls


    目录: C:\Users\Administrator\Desktop\output


Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a----         2023/5/30     17:21             12 .part-r-00000.crc
-a----         2023/5/30     17:21              8 ._SUCCESS.crc
-a----         2023/5/30     17:21             81 part-r-00000
-a----         2023/5/30     17:21              0 _SUCCESS


PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
        1
JERMYN  2
Jermyn  3
JermynJermyn    1
hadoop102       3
hadoop103       2
hadoop105       2
jermyn  2
PS C:\Users\Administrator\Desktop\output>
  • 集群上测试
    • 用maven打jar包，需要添加的打包插件依赖
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
      25
      26
      27
      28
      29
      30
      31
      32
      33
      34
      35
      36
      37
      38
      39
      40
      41
      42
      43
      44
      45
      46
      47
      48
      49
      50
      51
      52
      53
      54
      55
      56
      57
      58
      59
      60
      61
      62
      63
      64
      65
      66
      67
      68
      69
      70
      71
      72
      73
      74
      75
      76
      77
      78
      79
       <?xml version="1.0" encoding="UTF-8"?>
      <project xmlns="http://maven.apache.org/POM/4.0.0"
               xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
               xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
          <modelVersion>4.0.0</modelVersion>

          <groupId>cn.jermyn</groupId>
          <artifactId>MapReduceMaven</artifactId>
          <version>1.0-SNAPSHOT</version>

          <properties>
              <maven.compiler.source>11</maven.compiler.source>
              <maven.compiler.target>11</maven.compiler.target>
              <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
          </properties>

          <dependencies>
              <dependency>
                  <groupId>junit</groupId>
                  <artifactId>junit</artifactId>
                  <version>RELEASE</version>
              </dependency>
              <dependency>
                  <groupId>org.apache.logging.log4j</groupId>
                  <artifactId>log4j-core</artifactId>
                  <version>2.8.2</version>
              </dependency>
              <dependency>
                  <groupId>org.apache.hadoop</groupId>
                  <artifactId>hadoop-common</artifactId>
                  <version>2.7.2</version>
              </dependency>
              <dependency>
                  <groupId>org.apache.hadoop</groupId>
                  <artifactId>hadoop-client</artifactId>
                  <version>2.7.2</version>
              </dependency>
              <dependency>
                  <groupId>org.apache.hadoop</groupId>
                  <artifactId>hadoop-hdfs</artifactId>
                  <version>2.7.2</version>
              </dependency>
          </dependencies>

          <build>
              <plugins>
                  <plugin>
                      <artifactId>maven-compiler-plugin</artifactId>
                      <version>2.3.2</version>
                      <configuration>
                          <source>1.8</source>
                          <target>1.8</target>
                      </configuration>
                  </plugin>
                  <plugin>
                      <artifactId>maven-assembly-plugin </artifactId>
                      <configuration>
                          <descriptorRefs>
                              <descriptorRef>jar-with-dependencies</descriptorRef>
                          </descriptorRefs>
                          <archive>
                              <manifest>
                                  <mainClass>cn.jermyn.mr.wordcount.WordCountDriver</mainClass>
                              </manifest>
                          </archive>
                      </configuration>
                      <executions>
                          <execution>
                              <id>make-assembly</id>
                              <phase>package</phase>
                              <goals>
                                  <goal>single</goal>
                              </goals>
                          </execution>
                      </executions>
                  </plugin>
              </plugins>
          </build>
      </project>
    • 将程序打成jar包，然后拷贝到Hadoop集群中
    • 执行WordCount程序
      1
      [Jermyn@hadoop102 module]$ hadoop jar wc.jar cn.jermyn.mr.wordcount.WordCountDriver /user/Jermyn/input/wcinput/wc.input /user/Jermyn/output

第十二章 Hadoop序列化

自定义bean对象实现序列化接口（Writable）

在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在Hadoop框架内部传递一个bean对象，那么该对象就需要实现序列化接口。

实现bean对象序列化步骤

第1步

必须实现Writable接口

第2步

反序列化时，需要反射调用空参构造函数，所以必须有空参构造

1
2
3
public FlowBean() {
	super();
}

第3步

重写序列化方法:

1
2
3
4
5
6
@Override
public void write(DataOutput out) throws IOException {
	out.writeLong(upFlow);
	out.writeLong(downFlow);
	out.writeLong(sumFlow);
}

第4步

重写反序列化方法:

1
2
3
4
5
6
@Override
public void readFields(DataInput in) throws IOException {
	upFlow = in.readLong();
	downFlow = in.readLong();
	sumFlow = in.readLong();
}

第5步

注意反序列化的顺序和序列化的顺序完全一致

第6步

要想把结果显示在文件中，需要重写toString()，可用”\t”分开，方便后续用。

第7步

如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为MapReduce框中的Shuffle过程要求对key必须能排序。

1
2
3
4
5
@Override
public int compareTo(FlowBean o) {
	// 倒序排列，从大到小
	return this.sumFlow > o.getSumFlow() ? -1 : 1;
}

序列化案例实操

  1. 需求:统计每一个手机号耗费的总上行流量、下行流量、总流量
  2. 需求分析
  3. 编写MapReduce程序
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.io.Writable;

    import java.io.DataInput;
    import java.io.DataOutput;
    import java.io.IOException;

    public class FlowBean implements Writable {


        private long upFlow; // 上行流量
        private long downFlow; // 下行流量
        private long sumFlow; // 总流量

        public FlowBean(long upFlow, long downFlow) {
            this.upFlow = upFlow;
            this.downFlow = downFlow;
            sumFlow = upFlow + downFlow;
        }

        public FlowBean() {
        }

        public long getUpFlow() {
            return upFlow;
        }

        public void setUpFlow(long upFlow) {
            this.upFlow = upFlow;
        }

        public long getDownFlow() {
            return downFlow;
        }

        public void setDownFlow(long downFlow) {
            this.downFlow = downFlow;
        }

        public long getSumFlow() {
            return sumFlow;
        }

        public void setSumFlow(long sumFlow) {
            this.sumFlow = sumFlow;
        }

        // 序列化方法
        @Override
        public void write(DataOutput dataOutput) throws IOException {
            dataOutput.writeLong(upFlow);
            dataOutput.writeLong(downFlow);
            dataOutput.writeLong(sumFlow);
        }

        // 反序列方法
        @Override
        public void readFields(DataInput dataInput) throws IOException {
            // 必须和序列化顺序一致
            upFlow = dataInput.readLong();
            downFlow = dataInput.readLong();
            sumFlow = dataInput.readLong();
        }


        @Override
        public String toString() {
            return upFlow + "\t" + downFlow + "\t" + sumFlow;
        }

        public void set(long upFlow1, long downFlow1) {
            upFlow = upFlow1;
            downFlow = downFlow1;
            sumFlow = upFlow1 + downFlow1;
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    /**
     * map 阶段
     * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
     * KEYIN 输入数据的key
     * VALUEIN 输入数据的value
     * KEYOUT 输出数据的key的类型
     * VALUEOUT 输出数据的value类型
     */
    public class FlowCountMapper extends Mapper<LongWritable, Text, Text, FlowBean> {


        Text k = new Text();
        FlowBean v = new FlowBean();

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, FlowBean>.Context context) throws IOException, InterruptedException {

            // 1.获取第一行
            String line = value.toString();

            // 2.切割以“\t”
            String[] keys = line.split("\t");

            // 3.封装对象
            k.set(keys[1]);
            long upFlow = Long.parseLong(keys[keys.length - 3]);
            long downFlow = Long.parseLong(keys[keys.length - 2]);


            v.set(upFlow,downFlow);
            // 4. 写出
            context.write(k, v);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class FlowCountReducer extends Reducer<Text, FlowBean, Text, FlowBean> {
        FlowBean v = new FlowBean();

        @Override
        protected void reduce(Text key, Iterable<FlowBean> values, Reducer<Text, FlowBean, Text, FlowBean>.Context context) throws IOException, InterruptedException {

            //1.累加求和
            long sumUpFlow = 0;
            long sumDownFlow = 0;
            for (FlowBean flowbean : values) {
                sumUpFlow += flowbean.getUpFlow();
                sumDownFlow += flowbean.getDownFlow();
            }
            v.set(sumUpFlow, sumDownFlow);

            //2.写出
            context.write(key, v);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class FlowSumDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\phone.txt", "C:\\Users\\Administrator\\Desktop\\output"};

            Configuration conf = new Configuration();
            // 1.获取Job对象
            Job job = Job.getInstance(conf);

            // 2.设置jar的路径
            job.setJarByClass(FlowSumDriver.class);

            // 3.关联Map和Reduce类
            job.setMapperClass(FlowCountMapper.class);
            job.setReducerClass(FlowCountReducer.class);

            // 4.设置Mapper阶段输出的key和value的数据类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(FlowBean.class);


            // 5.设置最终输出的key和value类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(FlowBean.class);

            // 6.设置输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 7.提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }
    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----         2023/5/31     11:05             16 .part-r-00000.crc
    -a----         2023/5/31     11:05              8 ._SUCCESS.crc
    -a----         2023/5/31     11:05            550 part-r-00000
    -a----         2023/5/31     11:05              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    13470253144     180     180     360
    13509468723     7335    110349  117684
    13560439638     918     4938    5856
    13568436656     3597    25635   29232
    13590439668     1116    954     2070
    13630577991     6960    690     7650
    13682846555     1938    2910    4848
    13729199489     240     0       240
    13736230513     2481    24681   27162
    13768778790     120     120     240
    13846544121     264     0       264
    13956435636     132     1512    1644
    13966251146     240     0       240
    13975057813     11058   48243   59301
    13992314666     3008    3720    6728
    15043685818     3659    3538    7197
    15910133277     3156    2936    6092
    15959002129     1938    180     2118
    18271575951     1527    2106    3633
    18390173782     9531    2412    11943
    84188413        4116    1432    5548
    PS C:\Users\Administrator\Desktop\output>

第十三章 MapReduce框架原理

InputFormat数据输入

切片与MapTask并行度决定机制

数据块：Block是HDFS物理上把数据分成一块一块。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。

第（4）点，例如多了一个100M的数据需要处理，并不会放在DN2的MapTask处理而是单独启动一个MapTask处理

Job提交流程源码和切片源码详解

  • Job提交流程源码详解

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    waitForCompletion()

    submit();

    // 1建立连接
    	connect();	
    		// 1）创建提交Job的代理
    		new Cluster(getConfiguration());
    			// （1）判断是本地yarn还是远程
    			initialize(jobTrackAddr, conf); 

    // 2 提交job
    submitter.submitJobInternal(Job.this, cluster)
    	// 1）创建给集群提交数据的Stag路径
    	Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

    	// 2）获取jobid ，并创建Job路径
    	JobID jobId = submitClient.getNewJobID();

    	// 3）拷贝jar包到集群
    copyAndConfigureFiles(job, submitJobDir);	
    	rUploader.uploadFiles(job, jobSubmitDir);

    // 4）计算切片，生成切片规划文件
    writeSplits(job, submitJobDir);
    		maps = writeNewSplits(job, jobSubmitDir);
    		input.getSplits(job);

    // 5）向Stag路径写XML配置文件
    writeConf(conf, submitJobFile);
    	conf.writeXml(out);

    // 6）提交Job,返回提交状态
    status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());

  • FileInputFormat切片源码解析(input.getSplits(job))

FileInputFormat切片机制

  1. 切片机制
    • 简单地按照文件的内容长度进行切片
    • 切片大小，默认等于Block大小
    • 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片
  2. 案例分析
    • 输入数据有两个文件：
         file1.txt    320M   
   file2.txt    10M
    • 经过FileInputFormat的切片机制运算后，形成的切片信息如下：
         file1.txt.split1--  0~128
   file1.txt.split2--  128~256
   file1.txt.split3--  256~320
   file2.txt.split1--  0~10M
  • 源码中计算切片大小的公式
      Math.max(minSize, Math.min(maxSize, blockSize)); 
  mapreduce.input.fileinputformat.split.minsize=1 默认值为1
  mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue 默认值Long.MAXValue
  因此，默认情况下，切片大小=blocksize。
  • 切片大小设置
    maxsize（切片最大值）：参数如果调得比blockSize小，则会让切片变小，而且就等于配置的这个参数的值。
    minsize（切片最小值）：参数调的比blockSize大，则可以让切片变得比blockSize还大。
  • 获取切片信息API
    1
    2
    3
    4
    5
    // 获取切片的文件名称
    String name = inputSplit.getPath().getName();

    // 根据文件类型获取切片信息
    FileSplit inputSplit = (FileSplit) context.getInputSplit();

CombineTextInputFormat切片机制(小文件处理)

框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

  1. 应用场景：
    CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。
  2. 虚拟存储切片最大值设置
    1
    CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
    注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。
  3. 切片机制
    生成切片过程包括：虚拟存储过程和切片过程二部分。
  • 虚拟存储过程：
    将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。
    例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。
  • 切片过程：
    • 判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。
    • 如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
  • 测试举例：
    有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）最终会形成3个切片，大小分别为：（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M

CombineTextInputFormat案例实操

  • 默认情况下

    1
    2
    3
    4
    5
    6
    -rw-r--r--.  1 Jermyn root   2.1M 5月  31 18:59 1.txt
    -rw-r--r--.  1 Jermyn root   5.4M 5月  31 18:59 2.txt
    -rw-r--r--.  1 Jermyn root   1.3M 5月  31 18:59 3.txt
    -rw-r--r--.  1 Jermyn root   4.4M 5月  31 18:59 4.txt

    （2.1M 5.4M 1.3M 4.4M） 4个切片

  • 驱动类中添加代码如下：

    1
    2
    3
    4
    5
    // 如果不设置InputFormat，它默认用的是TextInputFormat.class
    job.setInputFormatClass(CombineTextInputFormat.class);

    //虚拟存储切片最大值设置4m
    CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);
    点击查看运行结果
    1
    INFO [org.apache.hadoop.mapreduce.JobSubmitter] - number of splits:3

    2.1M (2.7M 2.7M) 1.3M (2.2M 2.2M) 6个文件块
    （2.1M 2.7M）（2.7M 1.3M）（2.2M 2.2M） 3个切片

  • 在WordcountDriver中增加如下代码：
    1
    2
    3
    4
    5
    // 如果不设置InputFormat，它默认用的是TextInputFormat.class
    job.setInputFormatClass(CombineTextInputFormat.class);

    //虚拟存储切片最大值设置20m
    CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);
    点击查看运行结果
    1
    INFO [org.apache.hadoop.mapreduce.JobSubmitter] - number of splits:1

    2.1M (2.7M 2.7M) 1.3M (2.2M 2.2M) 6个文件块
    （2.1M 2.7M 2.7M 1.3M 2.2M 2.2M） 1个切片

FileInputFormat实现类

FileInputFormat常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、NLineInputFormat、CombineTextInputFormat和自定义InputFormat等。

  1. TextInputFormat
    TextInputFormat是默认的FileInputFormat实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text类型。
    以下是一个示例，比如，一个分片包含了如下4条文本记录。
    1
    2
    3
    4
    Rich learning form
    Intelligent learning engine
    Learning more convenient
    From the real demand for more close to the enterprise
    1
    2
    3
    4
    5
    每条记录表示为以下键/值对：
    (0,Rich learning form)
    (19,Intelligent learning engine)
    (47,Learning more convenient)
    (72,From the real demand for more close to the enterprise)
  2. KeyValueTextInputFormat
    每一行均为一条记录，被分隔符分割为key，value。可以通过在驱动类中设置conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, “\t”);来设定分隔符。默认分隔符是tab（\t）。
    以下是一个示例，输入是一个包含4条记录的分片。其中——>表示一个（水平方向的）制表符。
    1
    2
    3
    4
    line1 ——>Rich learning form
    line2 ——>Intelligent learning engine
    line3 ——>Learning more convenient
    line4 ——>From the real demand for more close to the enterprise
    1
    2
    3
    4
    5
    每条记录表示为以下键/值对：
    (line1,Rich learning form)
    (line2,Intelligent learning engine)
    (line3,Learning more convenient)
    (line4,From the real demand for more close to the enterprise)
    此时的键是每行排在制表符之前的Text序列。
  3. NLineInputFormat
    如果使用NlineInputFormat，代表每个map进程处理的InputSplit不再按Block块去划分，而是按NlineInputFormat指定的行数N来划分。即输入文件的总行数/N=切片数，如果不整除，切片数=商+1。
    以下是一个示例，仍然以上面的4行输入为例。
    1
    2
    3
    4
    Rich learning form
    Intelligent learning engine
    Learning more convenient
    From the real demand for more close to the enterprise
    例如，如果N是2，则每个输入分片包含两行。开启2个MapTask。
    1
    2
    (0,Rich learning form)
    (19,Intelligent learning engine)
    另一个 mapper 则收到后两行：
    1
    2
    (47,Learning more convenient)
    (72,From the real demand for more close to the enterprise)
    这里的键和值与TextInputFormat生成的一样。

KeyValueTextInputFormat使用案例

查看KVText.txt
  1. 需求:统计输入文件中每一行的第一个单词相同的行数。
  2. 需求分析
  3. 代码实现
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    package cn.jermyn.mr.kvtext;

    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class KVTextMapper extends Mapper<Text, Text, Text, IntWritable> {


        @Override
        protected void map(Text key, Text value, Mapper<Text, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
            // 1 设置value
            IntWritable v = new IntWritable(1);

            // 2 写出
            context.write(key, v);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    package cn.jermyn.mr.kvtext;

    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class KVTextReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

        IntWritable v = new IntWritable();

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {


            // 1 汇总统计
            int sum = 0;
            for (IntWritable value : values) {
                int i = value.get();
                sum += i;
            }

            // 2 输出
            v.set(sum);
            context.write(key, v);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    package cn.jermyn.mr.kvtext;

    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.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.input.KeyValueLineRecordReader;
    import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class KVTextDriver {


        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\KVText.txt", "C:\\Users\\Administrator\\Desktop\\output"};


            Configuration conf = new Configuration();

            //1.获取job
            Job job = Job.getInstance(conf);

            //设置分割符为空格
            conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, " ");

            // 设置输入的数据类型为KVText
            job.setInputFormatClass(KeyValueTextInputFormat.class);

            //2.设置jar包的存储位置
            job.setJarByClass(KVTextDriver.class);

            //3.关联Map和Reducer类
            job.setMapperClass(KVTextMapper.class);
            job.setReducerClass(KVTextReducer.class);

            //4.设置Map阶段输出的k和v的类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(IntWritable.class);

            //5.设置最终阶段输出的kv的类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(IntWritable.class);

            //6.设置输入路径和输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            //7.提交Job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }

    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----         2023/5/31     22:22             12 .part-r-00000.crc
    -a----         2023/5/31     22:22              8 ._SUCCESS.crc
    -a----         2023/5/31     22:22             20 part-r-00000
    -a----         2023/5/31     22:22              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    banzhang        2
    xihuan  2
    PS C:\Users\Administrator\Desktop\output>

NLineInputFormat使用案例

  1. 需求:对每个单词进行个数统计，要求根据每个输入文件的行数来规定输出多少个切片。此案例要求每三行放入一个切片中。
    Nline.txt
  2. 需求分析
  3. 编辑代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    package cn.jermyn.mr.nline;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class NLineMapper extends Mapper<LongWritable, Text, Text, LongWritable> {
        Text k = new Text();
        LongWritable val = new LongWritable(1);

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context) throws IOException, InterruptedException {

            // 获取一行
            String values = value.toString();

            // 划分
            String[] s = values.split(" ");


            // 封装
            for (String s1 : s) {
                k.set(s1);
                context.write(k, val);
            }
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    package cn.jermyn.mr.nline;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class NLineReducer extends Reducer<Text, LongWritable, Text, LongWritable> {

        @Override
        protected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {

            // 获取
            Long sum = 0L;
            for (LongWritable value : values) {
                sum += value.get();
            }

            // 封装
            LongWritable longWritable = new LongWritable(sum);
            context.write(key, longWritable);
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    package cn.jermyn.mr.nline;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.input.NLineInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class NLineDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {


            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\Nline.txt",
                    "C:\\Users\\Administrator\\Desktop\\output"};

            Configuration entries = new Configuration();
            // 获取一个job
            Job job = Job.getInstance(entries);


            // 设置每个切片InputSplit中划分三条记录
            NLineInputFormat.setNumLinesPerSplit(job, 3);

            // 使用NLineInputFormat处理记录数
            job.setInputFormatClass(NLineInputFormat.class);

            // 获取jar包存储的位置
            job.setJarByClass(NLineDriver.class);

            // 关联Map和reduce
            job.setMapperClass(NLineMapper.class);
            job.setReducerClass(NLineReducer.class);

            // 设置Map阶段输出的KV数据类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(LongWritable.class);

            // 设置最终的输出数据类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(LongWritable.class);

            // 设置文件读取的路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }
    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/3      9:06             12 .part-r-00000.crc
    -a----          2023/6/3      9:06              8 ._SUCCESS.crc
    -a----          2023/6/3      9:06             87 part-r-00000
    -a----          2023/6/3      9:06              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    1       1
    10      1
    11      1
    2       1
    3       1
    4       1
    5       1
    6       1
    7       1
    8       1
    9       1
    banzhang        12
    hadoop  6
    hao     6
    ni      6
    xihuan  6
    PS C:\Users\Administrator\Desktop\output>

自定义InputFormat案例实操(小文件)

无论HDFS还是MapReduce，在处理小文件时效率都非常低，但又难免面临处理大量小文件的场景，此时，就需要有相应解决方案。可以自定义InputFormat实现小文件的合并。

  1. 需求：将多个小文件合并成一个SequenceFile文件（SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式），SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value。
    one.txt two.txt three.txt
  2. 需求分析
  3. 代码编写
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    package cn.jermyn.mr.customizeinputformat;

    import org.apache.hadoop.io.BytesWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.InputSplit;
    import org.apache.hadoop.mapreduce.RecordReader;
    import org.apache.hadoop.mapreduce.TaskAttemptContext;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

    import java.io.IOException;

    public class AllFileInputFormat extends FileInputFormat<Text, BytesWritable> {
        @Override
        public RecordReader createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {

            AllRecordReader recordReader = new AllRecordReader();

            recordReader.initialize(split, context);

            return recordReader;
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    104
    105
    106
    107
    108
    109
    110
    111
    112
    113
    114
    115
    116
    117
    118
    package cn.jermyn.mr.customizeinputformat;

    import org.apache.commons.io.IOUtils;
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.FSDataInputStream;
    import org.apache.hadoop.fs.FileSystem;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.BytesWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.InputSplit;
    import org.apache.hadoop.mapreduce.RecordReader;
    import org.apache.hadoop.mapreduce.TaskAttemptContext;
    import org.apache.hadoop.mapreduce.lib.input.FileSplit;

    import java.io.IOException;

    public class AllRecordReader extends RecordReader<Text, BytesWritable> {
        private Configuration configuration;
        private FileSplit split;

        private boolean isProgress = true;
        private BytesWritable value = new BytesWritable();
        private Text k = new Text();


        @Override
        public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {

            this.split = (FileSplit) split;
            configuration = context.getConfiguration();
        }


        @Override
        public boolean nextKeyValue() throws IOException, InterruptedException {

            if (isProgress) {
                // 1 定义缓存区
                byte[] contents = new byte[(int) split.getLength()];
                FileSystem fs = null;
                FSDataInputStream fis = null;

                try {
                    // 2 获取文件系统
                    Path path = split.getPath();
                    fs = path.getFileSystem(configuration);

                    // 3 读取数据
                    fis = fs.open(path);

                    // 4 读取文件内容
                    IOUtils.readFully(fis, contents, 0, contents.length);

                    // 5 输出文件内容
                    value.set(contents, 0, contents.length);

                    // 6 获取文件路径及名称
                    String name = split.getPath().toString();

                    // 7 设置输出的key值
                    k.set(name);

                } catch (Exception e) {

                } finally {
                    org.apache.hadoop.io.IOUtils.closeStream(fis);
                }

                isProgress = false;

                return true;
            }

            return false;
        }


        /**
         * @return
         * @throws IOException
         * @throws InterruptedException
         */
        @Override
        public Text getCurrentKey() throws IOException, InterruptedException {
            k = new Text();
            return k;
        }

        /**
         * @return
         * @throws IOException
         * @throws InterruptedException
         */
        @Override
        public BytesWritable getCurrentValue() throws IOException, InterruptedException {
            value = new BytesWritable();
            return value;
        }

        /**
         * @return
         * @throws IOException
         * @throws InterruptedException
         */
        @Override
        public float getProgress() throws IOException, InterruptedException {
            return 0;
        }

        /**
         * @throws IOException
         */
        @Override
        public void close() throws IOException {

        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    package cn.jermyn.mr.customizeinputformat;

    import org.apache.hadoop.io.BytesWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class SequenceFileMapper extends Mapper<Text, BytesWritable, Text, BytesWritable> {

        @Override
        protected void map(Text key, BytesWritable value, Mapper<Text, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {
            context.write(key, value);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    package cn.jermyn.mr.customizeinputformat;

    import org.apache.hadoop.io.BytesWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class SequenceFileReducer extends Reducer<Text, BytesWritable, Text, BytesWritable> {

        @Override
        protected void reduce(Text key, Iterable<BytesWritable> values, Reducer<Text, BytesWritable, Text, BytesWritable>.Context context) throws IOException, InterruptedException {

            for (BytesWritable value : values) {
                context.write(key, value);
            }
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    package cn.jermyn.mr.customizeinputformat;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.BytesWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
    import org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat;

    import java.io.IOException;

    public class SequenceFileDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input","C:\\Users\\Administrator\\Desktop\\output"};

            Configuration entries = new Configuration();
            // 获取一个job
            Job job = Job.getInstance(entries);

            // 设置输入的inputFormat
            job.setInputFormatClass(AllFileInputFormat.class);

            // 设置输出的outputFormat
            job.setOutputFormatClass(SequenceFileOutputFormat.class);

            // 设置jar包的位置
            job.setJarByClass(SequenceFileDriver.class);

            // 关联映射的 Map和reduce
            job.setMapperClass(SequenceFileMapper.class);
            job.setReducerClass(SequenceFileReducer.class);

            // 设置map阶段输出的数据的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(BytesWritable.class);

            // 设置最终阶段输出的数据的kv类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(BytesWritable.class);

            // 设置输入和输出的路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }

    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/3     15:08             12 .part-r-00000.crc
    -a----          2023/6/3     15:08              8 ._SUCCESS.crc
    -a----          2023/6/3     15:08            126 part-r-00000
    -a----          2023/6/3     15:08              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    SEQorg.apache.hadoop.io.Text"org.apache.hadoop.io.BytesWritableS圝谻斈XG`3!FGzE
    PS C:\Users\Administrator\Desktop\output>

MapReduce工作流程

MapReduce详细工作流程一（Map）


MapReduce详细工作流程一（Reduce）


流程详解

上面的流程是整个MapReduce最全工作流程，但是Shuffle过程只是从第7步开始到第16步结束，具体Shuffle过程详解，如下：

  1. MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中
  2. 从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
  3. 多个溢出文件会被合并成大的溢出文件
  4. 在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
  5. ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
  6. ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
  7. 合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）

    注意：Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。缓冲区的大小可以通过参数调整，参数：io.sort.mb默认100M

Shuffle机制

Shuffle机制

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。


Partition分区

  1. 问题引出
    要求将统计结果按照条件输出到不同文件中（分区）。比如：将统计结果按照手机归属地不同省份输出到不同文件中（分区）
  2. 默认Partitioner分区
    1
    2
    3
    4
    5
    6
    public class HashPartitioner<K, V> extends Partitioner<K, V> {

      public int getPartition(K key, V value, int numReduceTasks) {
        return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
      }
    }
    默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。
  3. 自定义Partitioner步骤
    1. 自定义类继承Partitioner，重写getPartition()方法
      1
      2
      3
      4
      5
      6
      7
      8
       public class CustomPartitioner extends Partitioner<Text, FlowBean> {
       	@Override
      	public int getPartition(Text key, FlowBean value, int numPartitions) {
                // 控制分区代码逻辑
          … …
      		return partition;
      	}
      }
    2. 在Job驱动中，设置自定义Partitioner
      1
      job.setPartitionerClass(CustomPartitioner.class);
    3. 自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的ReduceTask
      1
      job.setNumReduceTasks(5);
  4. 分区总结
    1. 如果ReduceTask的数量> getPartition的结果数，则会多产生几个空的输出文件part-r-000xx；
    2. 如果1 < ReduceTask的数量 < getPartition的结果数，则有一部分分区数据无处安放，会Exception；
    3. 如果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个ReduceTask，最终也就只会产生一个结果文件 part-r-00000
    4. 分区号必须从零开始，逐一累加。
  5. 案例分析:
    1
    2
    3
    4
    例如：假设自定义分区数为5，则
    job.setNumReduceTasks(1);   会正常运行，只不过会产生一个输出文件
    job.setNumReduceTasks(2);   会报错
    job.setNumReduceTasks(6);   大于5，程序会正常运行，会产生空文件

Partition分区案例实操

  1. 需求:将统计结果按照手机归属地不同省份输出到不同文件中（分区）
  2. 期望输出数据:手机号136、137、138、139开头都分别放到一个独立的4个文件中，其他开头的放到一个文件中。
  3. 需求分析
  4. 编写代码

    在案例12.2的基础上，增加一个分区类

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Partitioner;

    public class ProvincePartitioner extends Partitioner<Text, FlowBean> {
        // key是手机号
        // value 是流量信息
        @Override
        public int getPartition(Text text, FlowBean flowBean, int numPartitions) {

            int partition = 4;
            // 获取手机号前3位
            String pre3OfPhoneNum = text.toString().substring(0, 3);
            if ("136".equals(pre3OfPhoneNum)) {
                partition = 0;
            } else if ("137".equals(pre3OfPhoneNum)) {
                partition = 1;
            } else if ("138".equals(pre3OfPhoneNum)) {
                partition = 2;
            } else if ("139".equals(pre3OfPhoneNum)) {
                partition = 3;
            }
            return partition;
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    package cn.jermyn.mr.flowsum;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class FlowSumDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\phone.txt", "C:\\Users\\Administrator\\Desktop\\output"};

            Configuration conf = new Configuration();
            // 1.获取Job对象
            Job job = Job.getInstance(conf);

            //指定自定义数据分区
            job.setPartitionerClass(ProvincePartitioner.class);

            //同时指定相应数量的reduce task
            job.setNumReduceTasks(5);

            // 2.设置jar的路径
            job.setJarByClass(FlowSumDriver.class);

            // 3.关联Map和Reduce类
            job.setMapperClass(FlowCountMapper.class);
            job.setReducerClass(FlowCountReducer.class);

            // 4.设置Mapper阶段输出的key和value的数据类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(FlowBean.class);


            // 5.设置最终输出的key和value类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(FlowBean.class);

            // 6.设置输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 7.提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }
    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/3     17:12             12 .part-r-00000.crc
    -a----          2023/6/3     17:12             12 .part-r-00001.crc
    -a----          2023/6/3     17:12             12 .part-r-00002.crc
    -a----          2023/6/3     17:12             12 .part-r-00003.crc
    -a----          2023/6/3     17:12             12 .part-r-00004.crc
    -a----          2023/6/3     17:12              8 ._SUCCESS.crc
    -a----          2023/6/3     17:12             53 part-r-00000
    -a----          2023/6/3     17:12             75 part-r-00001
    -a----          2023/6/3     17:12             22 part-r-00002
    -a----          2023/6/3     17:12            105 part-r-00003
    -a----          2023/6/3     17:12            295 part-r-00004
    -a----          2023/6/3     17:12              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    13630577991     6960    690     7650
    13682846555     1938    2910    4848
    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00001
    13729199489     240     0       240
    13736230513     2481    24681   27162
    13768778790     120     120     240
    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00002
    13846544121     264     0       264
    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00003
    13956435636     132     1512    1644
    13966251146     240     0       240
    13975057813     11058   48243   59301
    13992314666     3008    3720    6728
    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00004
    13470253144     180     180     360
    13509468723     7335    110349  117684
    13560439638     918     4938    5856
    13568436656     3597    25635   29232
    13590439668     1116    954     2070
    15043685818     3659    3538    7197
    15910133277     3156    2936    6092
    15959002129     1938    180     2118
    18271575951     1527    2106    3633
    18390173782     9531    2412    11943
    84188413        4116    1432    5548
    PS C:\Users\Administrator\Desktop\output>

WritableComparable排序

  • 排序是MapReduce框架中最重要的操作之一。
  • MapTask和ReduceTask均会对数据按照key进行排序。该操作属于Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要。
  • 默认排序是按照字典顺序排序，且实现该排序的方法是快速排序。
  • 对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序。
  • 对于ReduceTask，它从每个MapTask上远程拷贝相应的数据文件，如果文件大小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序。
  1. 排序的分类
    • 部分排序:MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序。
    • 全排序:最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构。
    • 辅助排序：（GroupingComparator分组） 在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序。
    • 二次排序:在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序。
  2. 自定义排序WritableComparable
    原理分析:bean对象做为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    @Override
    public int compareTo(FlowBean o) {

    	int result;
    		
    	// 按照总流量大小，倒序排列
    	if (sumFlow > bean.getSumFlow()) {
    		result = -1;
    	}else if (sumFlow < bean.getSumFlow()) {
    		result = 1;
    	}else {
    		result = 0;
    	}

    	return result;
    }

WritableComparable排序案例实操（全排序）

  1. 需求:根据案例12.2产生的结果再次对总流量进行排序。
    phone.txt
  2. 需求分析
  3. 代码实现
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    package cn.jermyn.mr.writablecomparable;

    import org.apache.hadoop.io.WritableComparable;

    import java.io.DataInput;
    import java.io.DataOutput;
    import java.io.IOException;

    public class FlowBean implements WritableComparable<FlowBean> {

        private long upFlow;
        private long downFlow;
        private long sumFlow;

        public FlowBean() {
        }

        public FlowBean(long upFlow, long downFlow, long sumFlow) {
            this.upFlow = upFlow;
            this.downFlow = downFlow;
            this.sumFlow = sumFlow;
        }

        public long getUpFlow() {
            return upFlow;
        }

        public void setUpFlow(long upFlow) {
            this.upFlow = upFlow;
        }

        public long getDownFlow() {
            return downFlow;
        }

        public void setDownFlow(long downFlow) {
            this.downFlow = downFlow;
        }

        public long getSumFlow() {
            return sumFlow;
        }

        public void setSumFlow(long sumFlow) {
            this.sumFlow = sumFlow;
        }

        @Override
        public String toString() {
            return upFlow + "\t" + downFlow + "\t" + sumFlow;
        }


        @Override
        public int compareTo(FlowBean o) {
            int result;
            if (this.sumFlow > o.sumFlow) {
                result = -1;
            } else if (this.sumFlow < o.sumFlow) {
                result = 1;
            } else {
                result = 0;
            }
            return result;
        }

        @Override
        public void write(DataOutput out) throws IOException {
            out.writeLong(upFlow);
            out.writeLong(downFlow);
            out.writeLong(sumFlow);
        }

        /**
         * 反序列化方法 注意反序列化的顺序和序列化的顺序完全一致
         *
         * @param in
         * @throws IOException
         */
        @Override
        public void readFields(DataInput in) throws IOException {
            upFlow = in.readLong();
            downFlow = in.readLong();
            sumFlow = in.readLong();
        }

        public void set(long upFlow, long downFlow) {
            this.upFlow = upFlow;
            this.downFlow = downFlow;
            this.sumFlow = upFlow + downFlow;
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    package cn.jermyn.mr.writablecomparable;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class FlowCountSortMapper extends Mapper<LongWritable, Text, FlowBean, Text> {

        FlowBean bean = new FlowBean();
        Text v = new Text();

        @Override
        protected void map(LongWritable key, Text value, Context context)	throws IOException, InterruptedException {

            // 1 获取一行
            String line = value.toString();

            // 2 截取
            String[] fields = line.split("\t");

            // 3 封装对象
            String phoneNbr = fields[0];
            long upFlow = Long.parseLong(fields[1]);
            long downFlow = Long.parseLong(fields[2]);

            bean.set(upFlow, downFlow);
            v.set(phoneNbr);

            // 4 输出
            context.write(bean, v);
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    package cn.jermyn.mr.writablecomparable;

    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class FlowCountSortReducer extends Reducer<FlowBean, Text, Text, FlowBean> {

        @Override
        protected void reduce(FlowBean key, Iterable<Text> values, Reducer<FlowBean, Text, Text, FlowBean>.Context context) throws IOException, InterruptedException {

            for (Text value : values) {
                context.write(value, key);
            }
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    package cn.jermyn.mr.writablecomparable;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class FlowCountSortDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\output\\part-r-00000",
                    "C:\\Users\\Administrator\\Desktop\\output1"};

            Configuration configuration = new Configuration();
            // 获取一个job
            Job job = Job.getInstance(configuration);

            // 设置jar包的位置
            job.setJarByClass(FlowCountSortDriver.class);

            // 关联map和reduce类
            job.setMapperClass(FlowCountSortMapper.class);
            job.setReducerClass(FlowCountSortReducer.class);

            // 设置Map阶段输出的kv
            job.setMapOutputKeyClass(FlowBean.class);
            job.setMapOutputValueClass(Text.class);

            // 设置最终的输出的kv
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(FlowBean.class);

            // 设置文件输入输入的路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }

    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    PS C:\Users\Administrator\Desktop\output1> ls


        目录: C:\Users\Administrator\Desktop\output1


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/3     21:16             16 .part-r-00000.crc
    -a----          2023/6/3     21:16              8 ._SUCCESS.crc
    -a----          2023/6/3     21:16            550 part-r-00000
    -a----          2023/6/3     21:16              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output1> cat .\part-r-00000
    13509468723     7335    110349  117684
    13975057813     11058   48243   59301
    13568436656     3597    25635   29232
    13736230513     2481    24681   27162
    18390173782     9531    2412    11943
    13630577991     6960    690     7650
    15043685818     3659    3538    7197
    13992314666     3008    3720    6728
    15910133277     3156    2936    6092
    13560439638     918     4938    5856
    84188413        4116    1432    5548
    13682846555     1938    2910    4848
    18271575951     1527    2106    3633
    15959002129     1938    180     2118
    13590439668     1116    954     2070
    13956435636     132     1512    1644
    13470253144     180     180     360
    13846544121     264     0       264
    13729199489     240     0       240
    13768778790     120     120     240
    13966251146     240     0       240
    PS C:\Users\Administrator\Desktop\output1>

WritableComparable排序案例实操（区内排序）

  1. 需求:要求每个省份手机号输出的文件中按照总流量内部排序。
  2. 需求分析:基于前一个需求，增加自定义分区类，分区按照省份手机号设置。
  3. 案例实操
    • 增加自定义分区类
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      12
      13
      14
      15
      16
      17
      18
      19
      20
      21
      22
      23
      24
       package cn.jermyn.mr.writablecomparable;

      import org.apache.hadoop.io.Text;
      import org.apache.hadoop.mapreduce.Partitioner;

      public class ProvincePartitioner extends Partitioner<FlowBean, Text> {
          @Override
          public int getPartition(FlowBean flowBean, Text value, int numPartitions) {

              int partition = 4;
              // 获取手机号前3位
              String pre3OfPhoneNum = value.toString().substring(0, 3);
              if ("136".equals(pre3OfPhoneNum)) {
                  partition = 0;
              } else if ("137".equals(pre3OfPhoneNum)) {
                  partition = 1;
              } else if ("138".equals(pre3OfPhoneNum)) {
                  partition = 2;
              } else if ("139".equals(pre3OfPhoneNum)) {
                  partition = 3;
              }
              return partition;
          }
      }
    • 在驱动类中添加分区类
      1
      2
      3
      4
      5
       // 加载自定义分区类
      job.setPartitionerClass(ProvincePartitioner.class);

      // 设置Reducetask个数
      job.setNumReduceTasks(5);

Combiner合并(优化)

  1. Combiner是MR程序中Mapper和Reducer之外的一种组件。
  2. Combiner组件的父类就是Reducer。
  3. Combiner和Reducer的区别在于运行的位置
    1. Combiner是在每一个MapTask所在的节点运行;
    2. Reducer是接收全局所有Mapper的输出结果；
  4. Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量。
  5. Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv应该跟Reducer的输入kv类型要对应起来。
  6. 自定义Combiner实现步骤:1.自定义一个Combiner继承Reducer，重写Reduce方法 2. 在Job驱动类中设置
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    public class WordcountCombiner extends Reducer<Text, IntWritable, Text,IntWritable>{

    	@Override
    	protected void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {

            // 1 汇总操作
    		int count = 0;
    		for(IntWritable v :values){
    			count += v.get();
    		}

            // 2 写出
    		context.write(key, new IntWritable(count));
    	}
    }
    1
    job.setCombinerClass(WordcountCombiner.class);

Combiner合并案例实操

  1. 需求:统计过程中对每一个MapTask的输出进行局部汇总，以减小网络传输量即采用Combiner功能。
    combiner.txt
  2. 需求分析
  3. 案例实操-方案一
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    package cn.jermyn.mr.wordcount;

    import org.apache.hadoop.io.IntWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class WordCountCombiner extends Reducer<Text, IntWritable, Text, IntWritable> {
        IntWritable v = new IntWritable();

        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {

            // 累加求和
            int sum = 0;
            for (IntWritable value : values) {
                sum += value.get();
            }

            v.set(sum);

            // 写出
            context.write(key, v);
        }

    }
    在WordcountDriver驱动类中指定Combiner
    1
    2
    // 指定需要使用combiner，以及用哪个类作为combiner的逻辑
    job.setCombinerClass(WordcountCombiner.class);
  4. 案例实操-方案二
    将WordcountReducer作为Combiner在WordcountDriver驱动类中指定
    1
    2
    // 指定需要使用Combiner，以及用哪个类作为Combiner的逻辑
    job.setCombinerClass(WordcountReducer.class);

GroupingComparator分组（辅助排序）

  • 对Reduce阶段的数据根据某一个或几个字段进行分组。
  • 分组排序步骤：
    • 自定义类继承WritableComparator
    • 重写compare()方法
      1
      2
      3
      4
      5
      @Override
      public int compare(WritableComparable a, WritableComparable b) {
      		// 比较的业务逻辑
      		return result;
      }
    • 创建一个构造将比较对象的类传给父类
      1
      2
      3
      protected OrderGroupingComparator() {
      		super(OrderBean.class, true);
      }

GroupingComparator分组案例实操

  1. 需求:有如下订单数据

    现在需要求出每一个订单中最贵的商品。
  2. 需求分析
    1. 利用“订单id和成交金额”作为key，可以将Map阶段读取到的所有订单数据按照id升序排序，如果id相同再按照金额降序排序，发送到Reduce。
    2. 在Reduce端利用groupingComparator将订单id相同的kv聚合成组，然后取第一个即是该订单中最贵商品，
  3. 代码实现
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    package cn.jermyn.mr.order;

    import org.apache.hadoop.io.WritableComparable;

    import java.io.DataInput;
    import java.io.DataOutput;
    import java.io.IOException;

    public class OrderBean  implements WritableComparable<OrderBean> {

        private int id;
        private double price;

        public OrderBean(int id, double price) {
            this.id = id;
            this.price = price;
        }

        public OrderBean() {
        }

        public int getId() {
            return id;
        }

        public void setId(int id) {
            this.id = id;
        }

        public double getPrice() {
            return price;
        }

        public void setPrice(double price) {
            this.price = price;
        }


        @Override
        public String toString() {
            return id + "\t" + price;
        }

        @Override
        public int compareTo(OrderBean o) {
            // 按照id升二次排序是价格降
            int result;
            if (this.id > o.id) {
                result = 1;
            } else if (this.id < o.id) {
                result = -1;

            } else {
                result = Double.compare(o.price, this.price);
            }
            return result;
        }

        @Override
        public void write(DataOutput out) throws IOException {
            out.writeInt(id);
            out.writeDouble(price);
        }

        @Override
        public void readFields(DataInput in) throws IOException {
            id = in.readInt();
            price = in.readDouble();
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    package cn.jermyn.mr.order;


    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class OrderMapper extends Mapper<LongWritable, Text, OrderBean, NullWritable> {

        OrderBean k = new OrderBean();

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, OrderBean, NullWritable>.Context context) throws IOException, InterruptedException {

            // 获取一行
            String string = value.toString();

            // 切割
            String[] fields = string.split("\t");

            // 封装
            k.setId(Integer.parseInt(fields[0]));
            k.setPrice(Double.parseDouble(fields[2]));
            context.write(k, NullWritable.get());
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    package cn.jermyn.mr.order;

    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class OrderReducer extends Reducer<OrderBean, NullWritable, OrderBean, NullWritable> {

        @Override
        protected void reduce(OrderBean key, Iterable<NullWritable> values, Reducer<OrderBean, NullWritable, OrderBean, NullWritable>.Context context) throws IOException, InterruptedException {
            context.write(key,NullWritable.get());
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    package cn.jermyn.mr.order;

    import org.apache.hadoop.io.WritableComparable;
    import org.apache.hadoop.io.WritableComparator;

    public class OrderGroupingComparator extends WritableComparator {

        protected OrderGroupingComparator() {
            super(OrderBean.class, true);
        }

        @Override
        public int compare(WritableComparable a, WritableComparable b) {
            OrderBean aBean = (OrderBean) a;
            OrderBean bBean = (OrderBean) b;

            int result;
            if (aBean.getId() > bBean.getId()) {
                result = 1;
            } else if (aBean.getId() < bBean.getId()) {
                result = -1;
            } else {
                result = 0;
            }
            return result;
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    package cn.jermyn.mr.order;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class OrderDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args=new String[]{"C:\\Users\\Administrator\\Desktop\\input\\GroupingComparator.txt",
                    "C:\\Users\\Administrator\\Desktop\\output"};

            Configuration entries = new Configuration();
            // 获取一个job
            Job job = Job.getInstance(entries);

            // 设置jar的位置
            job.setJarByClass(OrderDriver.class);

            // 关联mapper 和reducer类
            job.setMapperClass(OrderMapper.class);
            job.setReducerClass(OrderReducer.class);

            // 设置map阶段输出的kv数据类型
            job.setMapOutputKeyClass(OrderBean.class);
            job.setMapOutputValueClass(NullWritable.class);

            // 设置最终阶段输出的kv数据类型
            job.setOutputKeyClass(OrderBean.class);
            job.setOutputValueClass(NullWritable.class);

            // 设置文件输入输出的位置
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            job.setGroupingComparatorClass(OrderGroupingComparator.class);

            // 提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }

    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/4     11:03             12 .part-r-00000.crc
    -a----          2023/6/4     11:03              8 ._SUCCESS.crc
    -a----          2023/6/4     11:03             24 part-r-00000
    -a----          2023/6/4     11:03              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    1       222.8
    2       722.4
    3       232.8
    PS C:\Users\Administrator\Desktop\output>

MapTask工作机制


MapTask工作机制

第1步

Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value。

第2步

Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value。

第3步

Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中。

第4步

Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作。
溢写阶段详情：
步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序。
步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作。
步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中。

第5步

Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件。
当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件。
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销。

ReduceTask工作机制

  1. ReduceTask工作机制

    ReduceTask工作机制

    第1步

    Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中。

    第2步

    Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多。

    第3步

    Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可。

    第4步

    Reduce阶段：reduce()函数将计算结果写到HDFS上。

  2. 设置ReduceTask并行度（个数）
    ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：
    1
    2
    // 默认值是1，手动设置为4
    job.setNumReduceTasks(4);
  3. 注意事项
    1. ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致。
    2. ReduceTask默认值就是1，所以输出文件个数为一个。
    3. 如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜
    4. ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask。
    5. 具体多少个ReduceTask，需要根据集群性能而定。
    6. 如果分区数不是1，但是ReduceTask为1，是否执行分区过程。答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1肯定不执行。

OutputFormat数据输出

OutputFormat接口实现类

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。

  1. 文本输出TextOutputFormat
    默认的输出格式是TextOutputFormat，它把每条记录写为文本行。它的键和值可以是任意类型，因为TextOutputFormat调用toString()方法把它们转换为字符串。
  2. SequenceFileOutputFormat
    将SequenceFileOutputFormat输出作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。
  3. 自定义OutputFormat
    根据用户需求，自定义实现输出。

自定义OutputFormat

  1. 使用场景
    为了实现控制最终文件的输出路径和输出格式，可以自定义OutputFormat。
    例如：要在一个MapReduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义OutputFormat来实现。
  2. 自定义OutputFormat步骤
    1. 自定义一个类继承FileOutputFormat。
    2. 改写RecordWriter，具体改写输出数据的方法write()。

自定义OutputFormat案例实操

  1. 需求:过滤输入的log日志，包含jermyn的网站输出到C:\Users\Administrator\Desktop\output\jermyn，不包含jermyn的网站输出到C:\Users\Administrator\Desktop\output\others。
    log.txt
  2. 需求分析
  3. 案例实操
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    package cn.jermyn.mr.outputformat;

    import org.apache.hadoop.fs.FSDataOutputStream;
    import org.apache.hadoop.fs.FileSystem;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.IOUtils;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.RecordWriter;
    import org.apache.hadoop.mapreduce.TaskAttemptContext;

    import java.io.IOException;

    public class FRecordWriter extends RecordWriter<Text, NullWritable> {

        FSDataOutputStream fosAtJermyn;
        FSDataOutputStream fosAtOther;

        public FRecordWriter(TaskAttemptContext job) {

            try {
                // 1 获取文件系统
                FileSystem fs = FileSystem.get(job.getConfiguration());

                // 2 创建输出到jermyn.log的输出流

                fosAtJermyn = fs.create(
                        new Path("C:\\Users\\Administrator\\Desktop\\output\\jermyn\\jermyn.log"));

                // 3 创建输出到other.log的输出流
                fosAtOther = fs.create(
                        new Path("C:\\Users\\Administrator\\Desktop\\output\\other\\other.log"));

            } catch (IOException e) {
                throw new RuntimeException(e);
            }

        }

        @Override
        public void write(Text key, NullWritable value) throws IOException, InterruptedException {
            // 判断key中是否有jermyn，有的话写出到jermyn.log 没有的话就写到other.log
            if (key.toString().contains("jermyn")) {
                //jermyn输出流
                fosAtJermyn.write(key.toString().getBytes());
            }else {
                //other输出流
                fosAtOther.write(key.toString().getBytes());
            }
        }

        @Override
        public void close(TaskAttemptContext context) throws IOException, InterruptedException {
            IOUtils.closeStream(fosAtJermyn);
            IOUtils.closeStream(fosAtOther);
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    package cn.jermyn.mr.outputformat;

    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.RecordWriter;
    import org.apache.hadoop.mapreduce.TaskAttemptContext;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class OutputFormat extends FileOutputFormat<Text, NullWritable> {

        @Override
        public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {


            return new FRecordWriter(job);
        }
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    package cn.jermyn.mr.outputformat;

    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;

    public class FilterReducer extends Reducer<Text, NullWritable, Text, NullWritable> {
        Text k = new Text();

        @Override
        protected void reduce(Text key, Iterable<NullWritable> values, Reducer<Text, NullWritable, Text, NullWritable>.Context context) throws IOException, InterruptedException {

            String string = key.toString();
            string = string + "\n";

            for (NullWritable nu : values) {
                k.set(string);
                context.write(k, NullWritable.get());
            }
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    package cn.jermyn.mr.outputformat;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class FilterMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {

            context.write(value,NullWritable.get());
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    package cn.jermyn.mr.outputformat;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;

    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    import java.io.IOException;

    public class FilterDriver {

        public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\log.txt",
                    "C:\\Users\\Administrator\\Desktop\\output"};
            Configuration entries = new Configuration();
            // 获取一个job
            Job job = Job.getInstance(entries);

            // 设置jar的路径
            job.setJarByClass(FilterDriver.class);

            // 关联mapper和reducer
            job.setMapperClass(FilterMapper.class);
            job.setReducerClass(FilterReducer.class);

            // 要将自定义的输出格式组件设置到job中
            job.setOutputFormatClass(OutputFormat.class);

            // 设置map阶段输出的kv数据类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(NullWritable.class);

            // 设置最终阶段输出的kv数据类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);

            // 设置文件的输入输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 提交job
            boolean b = job.waitForCompletion(true);
            System.exit(b ? 0 : 1);
        }
    }

    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    PS C:\Users\Administrator\Desktop\output\jermyn> ls
        目录: C:\Users\Administrator\Desktop\output\jermyn


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/4     16:56             12 .jermyn.log.crc
    -a----          2023/6/4     16:56             43 jermyn.log


    PS C:\Users\Administrator\Desktop\output\jermyn> cat .\jermyn.log
    http://www.jermyn.cn
    PS C:\Users\Administrator\Desktop\output\jermyn> cd ..
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    d-----          2023/6/4     16:56                jermyn
    d-----          2023/6/4     16:56                other
    -a----          2023/6/4     16:56              8 ._SUCCESS.crc
    -a----          2023/6/4     16:56              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cd .\other\
    PS C:\Users\Administrator\Desktop\output\other> ls


        目录: C:\Users\Administrator\Desktop\output\other


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/4     16:56             12 .other.log.crc
    -a----          2023/6/4     16:56            171 other.log


    PS C:\Users\Administrator\Desktop\output\other> cat .\other.log
    http://cn.bing.com
    http://www.baidu.com
    http://www.google.com
    http://www.sin2a.com
    http://www.sin2desa.com
    http://www.sina.com
    http://www.sindsafa.com
    http://www.sohu.com
    PS C:\Users\Administrator\Desktop\output\other>

Join多种应用

Reduce Join

  • Reduce Join工作原理
    • Map端的主要工作：为来自不同表或文件的key/value对，打标签以区别不同来源的记录。然后用连接字段作为key，其余部分和新加的标志作为value，最后进行输出。
    • Reduce端的主要工作：在Reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录(在Map阶段已经打标志)分开，最后进行合并就ok了。

Reduce Join案例实操

  1. 需求
    order.txt
    1
    2
    3
    4
    5
    6
    7
    8
    订单数据表t_order
    id	pid	amount
    1001	01	1
    1002	02	2
    1003	03	3
    1004	01	4
    1005	02	5
    1006	03	6
    pd.txt
    1
    2
    3
    4
    5
    商品信息表t_product
    pid	pname
    01	小米
    02	华为
    03	格力
    将商品信息表中数据根据商品pid合并到订单数据表中。
    1
    2
    3
    4
    5
    6
    7
    8
    最终数据形式
    id	pname	amount
    1001	小米	1
    1004	小米	4
    1002	华为	2
    1005	华为	5
    1003	格力	3
    1006	格力	6
  2. 需求分析
    通过将关联条件作为Map输出的key，将两表满足Join条件的数据并携带数据所来源的文件信息，发往同一个ReduceTask，在Reduce中进行数据的串联
  3. 代码实现
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    package cn.jermyn.mr.table;

    import org.apache.hadoop.io.Writable;

    import java.io.DataInput;
    import java.io.DataOutput;
    import java.io.IOException;

    public class TableBean implements Writable {

        private String id; // 订单号
        private String pid; // 产品号
        private int amount; // 产品数量
        private String pName; // 产品名称
        private String flag;  // 表的名称

        public TableBean() {
        }

        public TableBean(String id, String pid, int amount, String pName, String flag) {
            this.id = id;
            this.pid = pid;
            this.amount = amount;
            this.pName = pName;
            this.flag = flag;
        }


        /**
         *  序列化
         * @param out <code>DataOuput</code> to serialize this object into.
         * @throws IOException
         */
        @Override
        public void write(DataOutput out) throws IOException {
            out.writeUTF(id);
            out.writeUTF(pid);
            out.writeInt(amount);
            out.writeUTF(pName);
            out.writeUTF(flag);
        }

        /**
         *  反序列化,注意和序列的顺序一致
         * @param in <code>DataInput</code> to deseriablize this object from.
         * @throws IOException
         */
        @Override
        public void readFields(DataInput in) throws IOException {
            id=in.readUTF();
            pid=in.readUTF();
            amount=in.readInt();
            pName=in.readUTF();
            flag=in.readUTF();
        }

        public String getId() {
            return id;
        }

        public void setId(String id) {
            this.id = id;
        }

        public String getPid() {
            return pid;
        }

        public void setPid(String pid) {
            this.pid = pid;
        }

        public int getAmount() {
            return amount;
        }

        public void setAmount(int amount) {
            this.amount = amount;
        }

        public String getpName() {
            return pName;
        }

        public void setpName(String pName) {
            this.pName = pName;
        }

        public String getFlag() {
            return flag;
        }

        public void setFlag(String flag) {
            this.flag = flag;
        }

        @Override
        public String toString() {
            return id + "\t" + pName + "\t" + amount + "\t" ;
        }

    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    package cn.jermyn.mr.table;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;
    import org.apache.hadoop.mapreduce.lib.input.FileSplit;

    import java.io.File;
    import java.io.IOException;

    public class TableMapper extends Mapper<LongWritable, Text, Text, TableBean> {
        String name;
        TableBean tableBean = new TableBean();
        Text k = new Text();

        /**
         *  启动 maptask 会先执行setup加载配置信息
         * @param context
         * @throws IOException
         * @throws InterruptedException
         */
        @Override
        protected void setup(Mapper<LongWritable, Text, Text, TableBean>.Context context) throws IOException, InterruptedException {

            // 因为我们有两个文件，默认情况下会分两个切片，也是两个maptask，
            // 可以通过切片获取到文件的传入路径，进而得到文件名（即订单名）
            FileSplit inputSplit = (FileSplit) context.getInputSplit();
            name = inputSplit.getPath().getName();
        }

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, TableBean>.Context context) throws IOException, InterruptedException {

            // 获取一行
            String line = value.toString();

            // 得到文件名后和"order","pb"相匹配目的是new出相对应的实例对象，用来封装，
            // 获取相应字段，按照order和pb
            if (name.startsWith("order")) {
                String[] fields = line.split("\t");

                tableBean.setId(fields[0]);
                tableBean.setPid(fields[1]);
                tableBean.setAmount(Integer.parseInt(fields[2]));
                tableBean.setpName("");
                tableBean.setFlag("order");

                // 根据商品pid合并到订单数据表中，所以以pid为key，TableBean实例为value
                k.set(fields[1]);
            } else {
                String[] fields = line.split("\t");

                tableBean.setId("");
                tableBean.setPid(fields[0]);
                tableBean.setAmount(0);
                tableBean.setpName(fields[1]);
                tableBean.setFlag("pd");

                // 根据商品pid合并到订单数据表中，所以以pid为key，TableBean实例为value
                k.set(fields[0]);
            }

            // 封装
            context.write(k, tableBean);
        }
    }


    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    package cn.jermyn.mr.table;

    import org.apache.commons.beanutils.BeanUtils;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Reducer;

    import java.io.IOException;
    import java.lang.reflect.InvocationTargetException;
    import java.util.ArrayList;

    public class TableReducer extends Reducer<Text, TableBean, TableBean, NullWritable> {

        @Override
        protected void reduce(Text key, Iterable<TableBean> values, Reducer<Text, TableBean, TableBean, NullWritable>.Context context) throws IOException, InterruptedException {

            // 对于一个商品信息表可以有多个订单表，所以封装TableBean实例封装数组
            ArrayList<TableBean> orderBeans = new ArrayList<>();

            // 商品信息表只有一个
            TableBean pdBean = new TableBean();

            // 此时的values中是一个的TableBean对象，包含order和pb
            for (TableBean tableBean : values) {
                // 如果实例对象的flag是order，需要将其添加到orderBeans中
                if ("order".equals(tableBean.getFlag())) {

                    // 在迭代器中的value存储的地址，不可以直接添加到数组
                    TableBean tmpBean = new TableBean();
                    try {
                        // 通过工具类来进行拷贝
                        BeanUtils.copyProperties(tmpBean, tableBean);
                    } catch (IllegalAccessException | InvocationTargetException e) {
                        throw new RuntimeException(e);
                    }
                    // 添加到数组中
                    orderBeans.add(tmpBean);

                // 如果实例对象的flag是pb
                } else {
                    try {
                        // 直接进行拷贝
                        BeanUtils.copyProperties(pdBean, tableBean);
                    } catch (IllegalAccessException | InvocationTargetException e) {
                        throw new RuntimeException(e);
                    }
                }
            }


            // 遍历订单表构成的数组，把每个orderBean实例的pname属性，设置为相同pid的name
            for (TableBean orderBean : orderBeans) {
                orderBean.setpName(pdBean.getpName());

                // 封装
                context.write(orderBean, NullWritable.get());
            }
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    package cn.jermyn.mr.table;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;


    public class TableDriver {

        public static void main(String[] args) throws Exception {

            // 0 根据自己电脑路径重新配置
            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input",
                    "C:\\Users\\Administrator\\Desktop\\output"};

            // 1 获取配置信息，或者job对象实例
            Configuration configuration = new Configuration();
            Job job = Job.getInstance(configuration);

            // 2 指定本程序的jar包所在的本地路径
            job.setJarByClass(TableDriver.class);

            // 3 指定本业务job要使用的Mapper/Reducer业务类
            job.setMapperClass(TableMapper.class);
            job.setReducerClass(TableReducer.class);

            // 4 指定Mapper输出数据的kv类型
            job.setMapOutputKeyClass(Text.class);
            job.setMapOutputValueClass(TableBean.class);

            // 5 指定最终输出的数据的kv类型
            job.setOutputKeyClass(TableBean.class);
            job.setOutputValueClass(NullWritable.class);

            // 6 指定job的输入原始文件所在目录
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 7 将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);
        }
    }
    点击查看运行结果
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    PS C:\Users\Administrator\Desktop\output> ls


        目录: C:\Users\Administrator\Desktop\output


    Mode                 LastWriteTime         Length Name
    ----                 -------------         ------ ----
    -a----          2023/6/4     21:39             12 .part-r-00000.crc
    -a----          2023/6/4     21:39              8 ._SUCCESS.crc
    -a----          2023/6/4     21:39             90 part-r-00000
    -a----          2023/6/4     21:39              0 _SUCCESS


    PS C:\Users\Administrator\Desktop\output> cat .\part-r-00000
    1004    灏忕背  4
    1001    灏忕背  1
    1005    鍗庝负  5
    1002    鍗庝负  2
    1006    鏍煎姏  6
    1003    鏍煎姏  3
    PS C:\Users\Administrator\Desktop\output>
  4. 总结
    缺点：这种方式中，合并的操作是在Reduce阶段完成，Reduce端的处理压力太大，Map节点的运算负载则很低，资源利用率不高，且在Reduce阶段极易产生数据倾斜。
    解决方案：Map端实现数据合并

Map Join

  1. 使用场景：Map Join适用于一张表十分小、一张表很大的场景。
  2. 优点:在Reduce端处理过多的表，非常容易产生数据倾斜。怎么办？
    在Map端缓存多张表，提前处理业务逻辑，这样增加Map端业务，减少Reduce端数据的压力，尽可能的减少数据倾斜。
  3. 具体办法：采用DistributedCache
    • 在Mapper的setup阶段，将文件读取到缓存集合中。
    • 在驱动函数中加载缓存。
      1
      2
      // 缓存普通文件到Task运行节点。
      job.addCacheFile(new URI("file://e:/cache/pd.txt"));

Map Join案例实操

  1. 需求
    order.txt
    1
    2
    3
    4
    5
    6
    7
    8
    订单数据表t_order
    id	pid	amount
    1001	01	1
    1002	02	2
    1003	03	3
    1004	01	4
    1005	02	5
    1006	03	6
    pd.txt
    1
    2
    3
    4
    5
    商品信息表t_product
    pid	pname
    01	小米
    02	华为
    03	格力
    将商品信息表中数据根据商品pid合并到订单数据表中。
    1
    2
    3
    4
    5
    6
    7
    8
    最终数据形式
    id	pname	amount
    1001	小米	1
    1004	小米	4
    1002	华为	2
    1005	华为	5
    1003	格力	3
    1006	格力	6
  2. 需求分析:MapJoin适用于关联表中有小表的情形
  3. 实现代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    package cn.jermyn.mr.table;

    import java.io.BufferedReader;
    import java.io.FileInputStream;
    import java.io.IOException;
    import java.io.InputStreamReader;
    import java.net.URI;
    import java.util.HashMap;
    import java.util.Map;

    import org.apache.commons.lang.StringUtils;
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    public class DistributedCacheMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

        Map<String, String> pdMap = new HashMap<>();

        @Override
        protected void setup(Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {

            // 1 获取缓存的文件
            URI[] cacheFiles = context.getCacheFiles();
            String path = cacheFiles[0].getPath().toString();

            BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(path), "UTF-8"));

            String line;
            while (StringUtils.isNotEmpty(line = reader.readLine())) {

                // 2 切割
                String[] fields = line.split("\t");

                // 3 缓存数据到集合
                pdMap.put(fields[0], fields[1]);
            }

            // 4 关流
            reader.close();
        }

        Text k = new Text();

        @Override
        protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

            // 1 获取一行
            String line = value.toString();

            // 2 截取
            String[] fields = line.split("\t");

            // 3 获取产品id
            String pId = fields[1];

            // 4 获取商品名称
            String pdName = pdMap.get(pId);

            // 5 拼接
            k.set(line + "\t" + pdName);

            // 6 写出
            context.write(k, NullWritable.get());
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    package cn.jermyn.mr.table;

    import java.net.URI;
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    public class DistributedCacheDriver {

        public static void main(String[] args) throws Exception {

            // 0 根据自己电脑路径重新配置
            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\order",
                    "C:\\Users\\Administrator\\Desktop\\output"};

            // 1 获取job信息
            Configuration configuration = new Configuration();
            Job job = Job.getInstance(configuration);

            // 2 设置加载jar包路径
            job.setJarByClass(DistributedCacheDriver.class);

            // 3 关联map
            job.setMapperClass(DistributedCacheMapper.class);

            // 4 设置最终输出数据类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);

            // 5 设置输入输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 6 加载缓存数据
            job.addCacheFile(new URI("file:///C:\\Users\\Administrator\\Desktop\\input\\pd"));

            // 7 Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
            job.setNumReduceTasks(0);

            // 8 提交
            boolean result = job.waitForCompletion(true);
            System.exit(result ? 0 : 1);
        }
    }

计数器应用

Hadoop为每个作业维护若干内置计数器，以描述多项指标。例如，某些计数器记录已处理的字节数和记录数，使用户可监控已处理的输入数据量和已产生的输出数据量。

  1. 计数器API
    • 采用枚举的方式统计计数
      1
      2
      3
      enum MyCounter{MALFORORMED,NORMAL}
      //对枚举定义的自定义计数器加1
      context.getCounter(MyCounter.MALFORORMED).increment(1);
    • 采用计数器组、计数器名称的方式统计
      1
      context.getCounter("counterGroup", "counter").increment(1);
      组名和计数器名称随便起，但最好有意义。
    • 计数结果在程序运行后的控制台上查看。
  2. 计数器案例实操

数据清洗（ETL）

在运行核心业务MapReduce程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行Mapper程序，不需要运行Reduce程序。

数据清洗案例实操-简单解析版

  1. 需求:去除日志中字段长度小于等于11的日志。
    web.txt
  2. 需求分析:需要在Map阶段对输入的数据根据规则进行过滤清洗。
  3. 实现代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    package cn.jermyn.mr.log;

    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    import java.io.IOException;

    public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable> {

        @Override
        protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, NullWritable>.Context context) throws IOException, InterruptedException {


            // 获取一行
            String line = value.toString();

            // 解析数据
            boolean result = parserLog(line, context);

            // 解析不通过的直接return
            if (!result) {
                return;
            }

            // 解析通过的写出
            context.write(value, NullWritable.get());
        }

        private boolean parserLog(String line, Mapper<LongWritable, Text, Text, NullWritable>.Context context) {

            String[] fields = line.split(" ");
            if (fields.length > 11) {
                context.getCounter("map", "true").increment(1);
                return true;
            } else {
                context.getCounter("map", "false").increment(1);
                return false;
            }
        }
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    package cn.jermyn.mr.log;

    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    public class LogDriver {

        public static void main(String[] args) throws Exception {

            // 输入输出路径需要根据自己电脑上实际的输入输出路径设置
            args = new String[]{"C:\\Users\\Administrator\\Desktop\\input\\web.txt",
                    "C:\\Users\\Administrator\\Desktop\\output"};

            // 1 获取job信息
            Configuration conf = new Configuration();
            Job job = Job.getInstance(conf);

            // 2 加载jar包
            job.setJarByClass(LogDriver.class);

            // 3 关联map
            job.setMapperClass(LogMapper.class);

            // 4 设置最终输出类型
            job.setOutputKeyClass(Text.class);
            job.setOutputValueClass(NullWritable.class);

            // 设置reducetask个数为0
            job.setNumReduceTasks(0);

            // 5 设置输入和输出路径
            FileInputFormat.setInputPaths(job, new Path(args[0]));
            FileOutputFormat.setOutputPath(job, new Path(args[1]));

            // 6 提交
            job.waitForCompletion(true);
        }
    }

数据清洗案例实操-复杂解析版

  1. 需求:对Web访问日志中的各字段识别切分，去除日志中不合法的记录。根据清洗规则，输出过滤后的数据。
  2. 实现代码
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    public class LogBean {
    	private String remote_addr;// 记录客户端的ip地址
    	private String remote_user;// 记录客户端用户名称,忽略属性"-"
    	private String time_local;// 记录访问时间与时区
    	private String request;// 记录请求的url与http协议
    	private String status;// 记录请求状态；成功是200
    	private String body_bytes_sent;// 记录发送给客户端文件主体内容大小
    	private String http_referer;// 用来记录从那个页面链接访问过来的
    	private String http_user_agent;// 记录客户浏览器的相关信息

    	private boolean valid = true;// 判断数据是否合法

    	public String getRemote_addr() {
    		return remote_addr;
    	}

    	public void setRemote_addr(String remote_addr) {
    		this.remote_addr = remote_addr;
    	}

    	public String getRemote_user() {
    		return remote_user;
    	}

    	public void setRemote_user(String remote_user) {
    		this.remote_user = remote_user;
    	}

    	public String getTime_local() {
    		return time_local;
    	}

    	public void setTime_local(String time_local) {
    		this.time_local = time_local;
    	}

    	public String getRequest() {
    		return request;
    	}

    	public void setRequest(String request) {
    		this.request = request;
    	}

    	public String getStatus() {
    		return status;
    	}

    	public void setStatus(String status) {
    		this.status = status;
    	}

    	public String getBody_bytes_sent() {
    		return body_bytes_sent;
    	}

    	public void setBody_bytes_sent(String body_bytes_sent) {
    		this.body_bytes_sent = body_bytes_sent;
    	}

    	public String getHttp_referer() {
    		return http_referer;
    	}

    	public void setHttp_referer(String http_referer) {
    		this.http_referer = http_referer;
    	}

    	public String getHttp_user_agent() {
    		return http_user_agent;
    	}

    	public void setHttp_user_agent(String http_user_agent) {
    		this.http_user_agent = http_user_agent;
    	}

    	public boolean isValid() {
    		return valid;
    	}

    	public void setValid(boolean valid) {
    		this.valid = valid;
    	}

    	@Override
    	public String toString() {

    		StringBuilder sb = new StringBuilder();
    		sb.append(this.valid);
    		sb.append("\001").append(this.remote_addr);
    		sb.append("\001").append(this.remote_user);
    		sb.append("\001").append(this.time_local);
    		sb.append("\001").append(this.request);
    		sb.append("\001").append(this.status);
    		sb.append("\001").append(this.body_bytes_sent);
    		sb.append("\001").append(this.http_referer);
    		sb.append("\001").append(this.http_user_agent);
    		
    		return sb.toString();
    	}
    }
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    import java.io.IOException;
    import org.apache.hadoop.io.LongWritable;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Mapper;

    public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
    	Text k = new Text();
    	
    	@Override
    	protected void map(LongWritable key, Text value, Context context)	throws IOException, InterruptedException {

    		// 1 获取1行
    		String line = value.toString();
    		
    		// 2 解析日志是否合法
    		LogBean bean = parseLog(line);
    		
    		if (!bean.isValid()) {
    			return;
    		}
    		
    		k.set(bean.toString());
    		
    		// 3 输出
    		context.write(k, NullWritable.get());
    	}

    	// 解析日志
    	private LogBean parseLog(String line) {

    		LogBean logBean = new LogBean();
    		
    		// 1 截取
    		String[] fields = line.split(" ");
    		
    		if (fields.length > 11) {

    			// 2封装数据
    			logBean.setRemote_addr(fields[0]);
    			logBean.setRemote_user(fields[1]);
    			logBean.setTime_local(fields[3].substring(1));
    			logBean.setRequest(fields[6]);
    			logBean.setStatus(fields[8]);
    			logBean.setBody_bytes_sent(fields[9]);
    			logBean.setHttp_referer(fields[10]);
    			
    			if (fields.length > 12) {
    				logBean.setHttp_user_agent(fields[11] + " "+ fields[12]);
    			}else {
    				logBean.setHttp_user_agent(fields[11]);
    			}
    			
    			// 大于400，HTTP错误
    			if (Integer.parseInt(logBean.getStatus()) >= 400) {
    				logBean.setValid(false);
    			}
    		}else {
    			logBean.setValid(false);
    		}
    		
    		return logBean;
    	}
    }

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    import org.apache.hadoop.conf.Configuration;
    import org.apache.hadoop.fs.Path;
    import org.apache.hadoop.io.NullWritable;
    import org.apache.hadoop.io.Text;
    import org.apache.hadoop.mapreduce.Job;
    import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
    import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

    public class LogDriver {
    	public static void main(String[] args) throws Exception {
    		
    // 1 获取job信息
    		Configuration conf = new Configuration();
    		Job job = Job.getInstance(conf);

    		// 2 加载jar包
    		job.setJarByClass(LogDriver.class);

    		// 3 关联map
    		job.setMapperClass(LogMapper.class);

    		// 4 设置最终输出类型
    		job.setOutputKeyClass(Text.class);
    		job.setOutputValueClass(NullWritable.class);

    		// 5 设置输入和输出路径
    		FileInputFormat.setInputPaths(job, new Path(args[0]));
    		FileOutputFormat.setOutputPath(job, new Path(args[1]));

    		// 6 提交
    		job.waitForCompletion(true);
    	}
    }

第十四章 MapReduce开发总结

输入数据接口：InputFormat

  1. 默认使用的实现类是：TextInputFormat (切片：默认按照块的大小切片。KV：偏移量和这一行的内容)
  2. TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为key，行内容作为value返回。
  3. KeyValueTextInputFormat每一行均为一条记录，被分隔符分割为key，value。默认分隔符是tab（\t）。(KV：第一个分隔符之前的为k，之后的数据为v)
  4. NlineInputFormat按照指定的行数N来划分切片
  5. CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率(切片：设置一个最大值，小于最大值的合并在一起)。
  6. 用户还可以自定义InputFormat。

逻辑处理接口：Mapper

用户根据业务需求实现其中三个方法：

  1. setup()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    /**
     *  启动 maptask 会先执行setup加载配置信息
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void setup(Mapper<LongWritable, Text, Text, TableBean>.Context context) throws IOException, InterruptedException {

        // 因为我们有两个文件，默认情况下会分两个切片，也是两个maptask，
        // 可以通过切片获取到文件的传入路径，进而得到文件名（即订单名）
        FileSplit inputSplit = (FileSplit) context.getInputSplit();
        name = inputSplit.getPath().getName();
    }
  2. map()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
     /**
     * 具体的业务逻辑
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

        // 获取一行

        // 分割

        // 封装
        context.write(k,v);
    }
  3. cleanup ()
    1
    2
    3
    4
    5
    6
    7
    /**
     * Called once at the end of the task.
     */
    protected void cleanup(Context context
                            ) throws IOException, InterruptedException {
    // NOTHING
    }

    Partitioner分区

  4. 有默认实现 HashPartitioner，逻辑是根据key的哈希值和numReduces来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
  5. 如果业务上有特别的需求，可以自定义分区分区数从0开始往上排，不可跳过。

Comparable排序

  1. 当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    import org.apache.hadoop.io.WritableComparable;

    import java.io.DataInput;
    import java.io.DataOutput;
    import java.io.IOException;

    public class Bean implements WritableComparable {

        /**
         * 具体的比较方式
         * @param o the object to be compared.
         * @return
         */
        @Override
        public int compareTo(Object o) {
            return 0;
        }

        /**
         *  序列化
         * @param out <code>DataOuput</code> to serialize this object into.
         * @throws IOException
         */
        @Override
        public void write(DataOutput out) throws IOException {
            out.write(a);
            out.write(b);
        }

        /**
         * 反序列化，与序列化顺序一致
         * @param in <code>DataInput</code> to deseriablize this object from.
         * @throws IOException
         */
        @Override
        public void readFields(DataInput in) throws IOException {
            a = in.readInt();
            b = in.readInt();
        }
    }
  2. 部分排序：对最终输出的每一个文件进行内部排序。
  3. 全排序：对所有数据进行排序，通常只有一个Reduce。
  4. 二次排序：排序的条件有两个。

Combiner合并

Combiner合并可以提高程序执行效率，减少IO传输。但是使用时必须不能影响原有的业务处理结果。
自定义Combiner实现步骤:

1
2
3
4
5
6
7
8
9
10
11
12
1.自定义一个Combiner继承Reducer，重写Reduce方法 
2.在Job驱动类中设置
public class WordcountCombiner extends Reducer<>{

	@Override
	protected void reduce() throws IOException, InterruptedException {

        // 1 汇总操作

        // 2 写出
	}
}

1
job.setCombinerClass(WordcountCombiner.class);

Reduce端分组：GroupingComparator

在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序。
分组排序步骤：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1.自定义类继承WritableComparator
2.重写compare()方法

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

public class OrderGroupingComparator extends WritableComparator {

    protected OrderGroupingComparator() {
        
    }

    @Override
    public int compare(WritableComparable a, WritableComparable b) {
            // 比较的业务逻辑
    }
}

逻辑处理接口：Reducer

用户根据业务需求实现其中三个方法：

  1. reduce()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    IntWritable value = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {

        int sum = 0;
        // 1.累加求和
        for (IntWritable value : values) {
            sum += value.get();
        }

        value.set(sum);
        // 2.写出
        context.write(key, value);
    }
  2. setup()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    /**
     * 
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void setup(Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        super.setup(context);
    }
  3. cleanup ()
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    /**
     * 
     * @param context
     * @throws IOException
     * @throws InterruptedException
     */
    @Override
    protected void cleanup(Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        super.cleanup(context);
    }

输出数据接口：OutputFormat

  1. 默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对，向目标文本文件输出一行。
  2. 将SequenceFileOutputFormat输出作为后续 MapReduce任务的输入，这便是一种好的输出格式，因为它的格式紧凑，很容易被压缩。
  3. 用户还可以自定义OutputFormat。

Driver驱动类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
public class WordcountDriver {

	public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

		// 1 获取配置信息以及封装任务
		Configuration configuration = new Configuration();
		Job job = Job.getInstance(configuration);

		// 2 设置jar加载路径
		job.setJarByClass(WordcountDriver.class);

		// 3 设置map和reduce类
		job.setMapperClass(WordcountMapper.class);
		job.setReducerClass(WordcountReducer.class);

		// 4 设置map输出
		job.setMapOutputKeyClass(Text.class);
		job.setMapOutputValueClass(IntWritable.class);

		// 5 设置最终输出kv类型
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(IntWritable.class);
		
		// 6 设置输入和输出路径
		FileInputFormat.setInputPaths(job, new Path(args[0]));
		FileOutputFormat.setOutputPath(job, new Path(args[1]));

		// 7 提交
		boolean result = job.waitForCompletion(true);

		System.exit(result ? 0 : 1);
	}
}

第十五章 Hadoop数据压缩

概述

  • 压缩技术能够有效减少底层存储系统（HDFS）读写字节数。压缩提高了网络带宽和磁盘空间的效率。在运行MR程序时，I/O操作、网络数据传输、 Shuffle和Merge要花大量的时间，尤其是数据规模很大和工作负载密集的情况下，因此，使用数据压缩显得非常重要。
  • 鉴于磁盘I/O和网络带宽是Hadoop的宝贵资源，数据压缩对于节省资源、最小化磁盘I/O和网络传输非常有帮助。可以在任意MapReduce阶段启用压缩。不过，尽管压缩与解压操作的CPU开销不高，其性能的提升和资源的节省并非没有代价。 压缩是提高Hadoop运行效率的一种优化策略。
    通过对Mapper、Reducer运行过程的数据进行压缩，以减少磁盘IO，提高MR程序运行速度。
    注意：采用压缩技术减少了磁盘IO，但同时增加了CPU运算负担。所以，压缩特性运用得当能提高性能，但运用不当也可能降低性能。
    压缩基本原则：
    1. 运算密集型的job，少用压缩
    2. IO密集型的job，多用压缩

MR支持的压缩编码


为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示:

压缩方式选择

Gzip压缩

  1. 优点：压缩率比较高，而且压缩/解压速度也比较快；Hadoop本身支持，在应用中处理Gzip格式的文件就和直接处理文本一样；大部分Linux系统都自带Gzip命令，使用方便。
  2. 缺点：不支持Split。
  3. 应用场景：当每个文件压缩之后在130M以内的（1个块大小内），都可以考虑用Gzip压缩格式。例如说一天或者一个小时的日志压缩成一个Gzip文件。

Bzip2压缩

  1. 优点：支持Split；具有很高的压缩率，比Gzip压缩率都高；Hadoop本身自带，使用方便。
  2. 缺点：压缩/解压速度慢。
  3. 应用场景：适合对速度要求不高，但需要较高的压缩率的时候；或者输出之后的数据比较大，处理之后的数据需要压缩存档减少磁盘空间并且以后数据用得比较少的情况；或者对单个很大的文本文件想压缩减少存储空间，同时又需要支持Split，而且兼容之前的应用程序的情况。

Lzo压缩

  1. 优点：压缩/解压速度也比较快，合理的压缩率；支持Split，是Hadoop中最流行的压缩格式；可以在Linux系统下安装lzop命令，使用方便。
  2. 缺点：压缩率比Gzip要低一些；Hadoop本身不支持，需要安装；在应用中对Lzo格式的文件需要做一些特殊处理（为了支持Split需要建索引，还需要指定InputFormat为Lzo格式）。
  3. 应用场景：一个很大的文本文件，压缩之后还大于200M以上的可以考虑，而且单个文件越大，Lzo优点越越明显。

Snappy压缩

  1. 优点：高速压缩速度和合理的压缩率。
  2. 缺点：不支持Split；压缩率比Gzip要低；Hadoop本身不支持，需要安装。
  3. 应用场景：当MapReduce作业的Map输出的数据比较大的时候，作为Map到Reduce的中间数据的压缩格式；或者作为一个MapReduce作业的输出和另外一个MapReduce作业的输入。

压缩位置选择

压缩可以在MapReduce作用的任意阶段启用:

压缩参数配置

要在Hadoop中启用压缩，可以配置如下参数：

参数默认值阶段建议
io.compression.codecs（在core-site.xml中配置）org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compress（在mapred-site.xml中配置）falsemapper输出这个参数设为true启用压缩
mapreduce.map.output.compress.codec（在mapred-site.xml中配置）org.apache.hadoop.io.compress.DefaultCodecmapper输出企业多使用LZO或Snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress（在mapred-site.xml中配置）falsereducer输出这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codec（在mapred-site.xml中配置）org.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.type（在mapred-site.xml中配置）RECORDreducer输出SequenceFile输出使用的压缩类型：NONE和BLOCK

压缩实操案例

数据流的压缩和解压缩

CompressionCodec有两个方法可以用于轻松地压缩或解压缩数据。
要想对正在被写入一个输出流的数据进行压缩，我们可以使用createOutputStream(OutputStreamout)方法创建一个CompressionOutputStream，将其以压缩格式写入底层的流。
相反，要想对从输入流读取而来的数据进行解压缩，则调用createInputStream(InputStreamin)函数，从而获得一个CompressionInputStream，从而从底层的流读取未压缩的数据。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
package cn.jermyn.mr.compress;

import java.io.*;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;

import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionInputStream;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;


public class CompressTest {

    public static void main(String[] args) throws IOException, ClassNotFoundException {

        // bzip2方式
        compress("C:\\Users\\Administrator\\Desktop\\input\\web.txt",
                "org.apache.hadoop.io.compress.BZip2Codec");

        // gzip方式
        compress("C:\\Users\\Administrator\\Desktop\\input\\web.txt",
                "org.apache.hadoop.io.compress.GzipCodec");

        // default
        compress("C:\\Users\\Administrator\\Desktop\\input\\web.txt",
                "org.apache.hadoop.io.compress.DefaultCodec");


        // 解压缩
        decompress("C:\\Users\\Administrator\\Desktop\\input\\web.txt.gz");
    }

    /**
     * 压缩
     * TODO 1. 获取输入流
     * TODO 2.通过反射的工具类获取哪种的编码方式
     * TODO 3.获取输出流
     * TODO 4.流的对拷
     * TODO 5.关闭资源
     * @param fileName
     * @param method
     * @throws IOException
     * @throws ClassNotFoundException
     */
    private static void compress(String fileName, String method) throws IOException, ClassNotFoundException {

        // 1. 获取输入流
        FileInputStream fis = new FileInputStream(new File(fileName));

        Class classCodec = Class.forName(method);
        // 2.通过反射的工具类获取哪种的编码方式
        CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(classCodec, new Configuration());


        // 3.获取输出流
        FileOutputStream fos = new FileOutputStream(new File(fileName + codec.getDefaultExtension()));
        CompressionOutputStream cos = codec.createOutputStream(fos);

        // 4.流的对拷
        IOUtils.copyBytes(fis, cos, 1024 * 1024, false);

        // 5.关闭资源
        IOUtils.closeStream(cos);
        IOUtils.closeStream(fos);
        IOUtils.closeStream(fis);
    }

    /**
     * 解压缩
     * TODO 1.压缩方式的检查
     * TODO 2. 获得输入流
     * TODO 3. 获得输出流
     * TODO 4. 流的对拷
     * TODO 5.关闭资源
     * @param fileName
     * @throws IOException
     */
    private static void decompress(String fileName) throws IOException {

        // 1.压缩方式的检查
        CompressionCodecFactory factory = new CompressionCodecFactory(new Configuration());
        CompressionCodec codec = factory.getCodec(new Path(fileName));

        if (codec == null) {
            System.out.println("can not process");
            return;
        }

        // 2. 获得输入流
        FileInputStream fis = new FileInputStream(new File(fileName));
        CompressionInputStream cis = codec.createInputStream(fis);

        // 3. 获得输出流
        FileOutputStream fos = new FileOutputStream(new File(fileName + ".decode"));

        // 4. 流的对拷
        IOUtils.copyBytes(cis, fos, 1024 * 1024, false);

        // 5.关闭资源
        IOUtils.closeStream(fos);
        IOUtils.closeStream(cis);

    }
}

Map输出端采用压缩

即使你的MapReduce的输入输出文件都是未压缩的文件，你仍然可以对Map任务的中间结果输出做压缩，因为它要写在硬盘并且通过网络传输到Reduce节点，对其压缩可以提高很多性能，这些工作只要设置两个属性即可.

提供的Hadoop源码支持的压缩格式有：BZip2Codec 、DefaultCodec
使用wordcount案例，map和reduce均不改变，只在driver驱动类中加入：


1
2
3
4
5
// 开启map端输出压缩
configuration.setBoolean("mapreduce.map.output.compress", true);

// 设置map端输出压缩方式
configuration.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);

注意：可以看到最终的输出结果是没有变化的，只是在传输过程中提高了io传输的效率

Reduce输出端采用压缩

使用wordcount案例，map和reduce均不改变，只在driver驱动类中加入：

1
2
3
4
5
// 设置reduce端输出压缩开启
FileOutputFormat.setCompressOutput(job, true);
		
// 设置压缩的方式
FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);

第十六章 Yarn资源调度器

Yarn是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而MapReduce等运算程序则相当于运行于操作系统之上的应用程序。

Yarn基本架构

YARN主要由ResourceManager、NodeManager、ApplicationMaster和Container等组件构成

Yarn工作机制

Yarn运行机制

工作机制详解

  1. MR程序提交到客户端所在的节点。
  2. YarnRunner向ResourceManager申请一个Application。
  3. RM将该应用程序的资源路径返回给YarnRunner。
  4. 该程序将运行所需资源提交到HDFS上。
  5. 程序资源提交完毕后，申请运行mrAppMaster。
  6. RM将用户的请求初始化成一个Task。
  7. 其中一个NodeManager领取到Task任务。
  8. 该NodeManager创建容器Container，并产生MRAppmaster。
  9. Container从HDFS上拷贝资源到本地。
  10. MRAppmaster向RM 申请运行MapTask资源。
  11. RM将运行MapTask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务并创建容器。
  12. MR向两个接收到任务的NodeManager发送程序启动脚本，这两个NodeManager分别启动MapTask，MapTask对数据分区排序。
  13. MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。
  14. ReduceTask向MapTask获取相应分区的数据。
  15. 程序运行完毕后，MR会向RM申请注销自己。

作业提交全过程

作业提交过程之YARN



作业提交全过程详解

第一步 作业提交

1.Client调用job.waitForCompletion方法，向整个集群提交MapReduce作业。
2.Client向RM申请一个作业id。
3.RM给Client返回该job资源的提交路径和作业id。
4.Client提交jar包、切片信息和配置文件到指定的资源提交路径。
5.Client提交完资源后，向RM申请运行MrAppMaster。

第二步 作业初始化

6.当RM收到Client的请求后，将该job添加到容量调度器中。
7.某一个空闲的NM领取到该Job。
8.该NM创建Container，并产生MRAppmaster。
9.下载Client提交的资源到本地。

第三步 任务分配

10.MrAppMaster向RM申请运行多个MapTask任务资源。
11.RM将运行MapTask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务并创建容器。

第四步 任务运行

12.MR向两个接收到任务的NodeManager发送程序启动脚本，这两个NodeManager分别启动MapTask，MapTask对数据分区排序。
13.MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。
14.ReduceTask向MapTask获取相应分区的数据。
15.程序运行完毕后，MR会向RM申请注销自己。

第五步 进度和状态更新

YARN中的任务将其进度和状态(包括counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval设置)向应用管理器请求进度更新, 展示给用户。

第六步 作业完成

除了向应用管理器请求作业进度外, 客户端每5秒都会通过调用waitForCompletion()来检查作业是否完成。时间间隔可以通过mapreduce.client.completion.pollinterval来设置。作业完成之后, 应用管理器和Container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。

作业提交过程之MapReduce

资源调度器

目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和Fair Scheduler。Hadoop2.7.2默认的资源调度器是Capacity Scheduler。
具体设置详见：yarn-default.xml文件

1
2
3
4
5
<property>
    <description>The class to use as the resource scheduler.</description>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

先进先出调度器（FIFO）

容量调度器（Capacity Scheduler）

公平调度器（Fair Scheduler）

任务的推测执行

  1. 作业完成时间取决于最慢的任务完成时间
    一个作业由若干个Map任务和Reduce任务构成。因硬件老化、软件Bug等，某些任务可能运行非常慢。
    思考：系统中有99%的Map任务都完成了，只有少数几个Map老是进度很慢，完不成，怎么办？
  2. 推测执行机制
    发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度。为拖后腿任务启动一个备份任务，同时运行。谁先运行完，则采用谁的结果。
  3. 执行推测任务的前提条件
    1. 每个Task只能有一个备份任务
    2. 当前Job已完成的Task必须不小于0.05（5%）
    3. 开启推测执行参数设置。mapred-site.xml文件中默认是打开的。
      1
      2
      3
      4
      5
      6
      7
      8
      9
      10
      11
      <property>
        	<name>mapreduce.map.speculative</name>
        	<value>true</value>
        	<description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
      </property>

      <property>
        	<name>mapreduce.reduce.speculative</name>
        	<value>true</value>
        	<description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
      </property>
  4. 不能启用推测执行机制情况
    • 任务间存在严重的负载倾斜；
    • 特殊任务，比如任务向数据库中写数据。
  5. 算法原理

第十七章 Hadoop企业优化

MapReduce优化方法

MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。

数据输入

  1. 合并小文件：在执行MR任务前将小文件进行合并，大量的小文件会产生大量的Map任务，增大Map任务装载次数，而任务的装载比较耗时，从而导致MR运行较慢。
  2. 采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

Map阶段

  1. 减少溢写（Spill）次数：通过调整io.sort.mb及sort.spill.percent参数值，增大触发Spill的内存上限，减少Spill次数，从而减少磁盘IO。
  2. 减少合并（Merge）次数：通过调整io.sort.factor参数，增大Merge的文件数目，减少Merge的次数，从而缩短MR处理时间。
  3. 在Map之后，不影响业务逻辑前提下，先进行Combine处理，减少 I/O。

Reduce阶段

  1. 合理设置Map和Reduce数：两个都不能设置太少，也不能设置太多。太少，会导致Task等待，延长处理时间；太多，会导致Map、Reduce任务间竞争资源，造成处理超时等错误。
  2. 设置Map、Reduce共存：调整slowstart.completedmaps参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间。
  3. 规避使用Reduce：因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
  4. 合理设置Reduce端的Buffer：默认情况下，数据达到一个阈值的时候，Buffer中的数据就会写入磁盘，然后Reduce会从磁盘中获得所有的数据。也就是说，Buffer和Reduce是没有直接关联的，中间多次写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得Buffer中的一部分数据可以直接输送到Reduce，从而减少IO开销：mapreduce.reduce.input.buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读Buffer中的数据直接拿给Reduce使用。这样一来，设置Buffer需要内存，读取数据需要内存，Reduce计算也要内存，所以要根据作业的运行情况进行调整。

I/O传输

  1. 采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZO压缩编码器。
  2. 使用SequenceFile二进制文件。

数据倾斜问题

  1. 数据倾斜现象
    • 数据频率倾斜——某一个区域的数据量要远远大于其他区域。
    • 数据大小倾斜——部分记录的大小远远大于平均值。
  2. 减少数据倾斜的方法
    方法1：抽样和范围分区:可以通过对原始数据进行抽样得到的结果集来预设分区边界值。
    方法2：自定义分区:基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例。
    方法3：Combine:使用Combine可以大量地减小数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据。
    方法4：采用Map Join，尽量避免Reduce Join。

常用的调优参数

资源相关参数

  1. 以下参数是在用户自己的MR应用程序中配置就可以生效（mapred-default.xml）
    配置参数参数说明
    mapreduce.map.memory.mb一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。
    mapreduce.reduce.memory.mb一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。
    mapreduce.map.cpu.vcores每个MapTask可使用的最多cpu core数目，默认值: 1
    mapreduce.reduce.cpu.vcores每个ReduceTask可使用的最多cpu core数目，默认值: 1
    mapreduce.reduce.shuffle.parallelcopies每个Reduce去Map中取数据的并行数。默认值是5
    mapreduce.reduce.shuffle.merge.percentBuffer中的数据达到多少比例开始写入磁盘。默认值0.66
    mapreduce.reduce.shuffle.input.buffer.percentBuffer大小占Reduce可用内存的比例。默认值0.7
    mapreduce.reduce.input.buffer.percent指定多少比例的内存用来存放Buffer中的数据，默认值是0.0
  2. 应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）
    配置参数参数说明
    yarn.scheduler.minimum-allocation-mb给应用程序Container分配的最小内存，默认值：1024
    yarn.scheduler.maximum-allocation-mb给应用程序Container分配的最大内存，默认值：8192
    yarn.scheduler.minimum-allocation-vcores每个Container申请的最小CPU核数，默认值：1
    yarn.scheduler.maximum-allocation-vcores每个Container申请的最大CPU核数，默认值：32
    yarn.nodemanager.resource.memory-mb给Containers分配的最大物理内存，默认值：8192
  3. Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）
    配置参数参数说明
    mapreduce.task.io.sort.mbShuffle的环形缓冲区大小，默认100m
    mapreduce.map.sort.spill.percent环形缓冲区溢出的阈值，默认80%

容错相关参数(MapReduce性能优化)

配置参数参数说明
mapreduce.map.maxattempts每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.reduce.maxattempts每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.task.timeoutTask超时时间，经常需要设置的一个参数，该参数表达的意思为：如果一个Task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该Task处于Block状态，可能是卡住了，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000。如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

HDFS小文件优化方法

HDFS小文件弊端

HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使得索引速度变慢。

HDFS小文件解决方案

小文件的优化无非以下几种方式：

  • 在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
  • 在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
  • 在MapReduce处理时，可采用CombineTextInputFormat提高效率。
    1. Hadoop Archive
      是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样就减少了NameNode的内存使用。
    2. Sequence File
      Sequence File由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
    3. CombineFileInputFormat
      CombineFileInputFormat是一种新的InputFormat，用于将多个文件合并成一个单独的Split，另外，它会考虑数据的存储位置。
    4. 开启JVM重用
  • 对于大量小文件Job，可以开启JVM重用会减少45%运行时间。
  • JVM重用原理：一个Map运行在一个JVM上，开启重用的话，该Map在JVM上运行完毕后，JVM继续运行其他Map。
  • 具体设置：mapreduce.job.jvm.numtasks值在10-20之间。