【注】该系列所使用到安装包、测试数据和代码均可在百度网盘下载,具体地址为 http://pan.baidu.com/s/10PnDs,下载该PDF文件

1环境说明

部署节点操作系统为CentOS,防火墙和SElinux禁用,创建了一个shiyanlou用户并在系统根目录下创建/app目录,用于存放Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序,用户对shiyanlou必须赋予rwx权限(一般做法是root用户在根目录下创建/app目录,并修改该目录拥有者为shiyanlou(chown R shiyanlou:shiyanlou /app)。

Hadoop搭建环境:

l  虚拟机操作系统: CentOS6.6  64位,单核,1G内存

l  JDK1.7.0_55 64

l  Hadoop1.1.2

2MapReduce原理

2.1 MapReduce简介

MapReduce 是现今一个非常流行的分布式计算框架,它被设计用于并行计算海量数据。第一个提出该技术框架的是Google 公司,而Google 的灵感则来自于函数式编程语言,如LISPSchemeML 等。MapReduce 框架的核心步骤主要分两部分:Map Reduce。当你向MapReduce 框架提交一个计算作业时,它会首先把计算作业拆分成若干个Map 任务,然后分配到不同的节点上去执行,每一个Map 任务处理输入数据中的一部分,当Map 任务完成后,它会生成一些中间文件,这些中间文件将会作为Reduce 任务的输入数据。Reduce 任务的主要目标就是把前面若干个Map 的输出汇总到一起并输出。从高层抽象来看,MapReduce的数据流图如下图所示:

clip_image001[4]

2.2 MapReduce流程分析

clip_image003[4]

 

2.2.1 Map过程

1. 每个输入分片会让一个map任务来处理,默认情况下,以HDFS的一个块的大小(默认为64M)为一个分片,当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中(该缓冲区的大小默认为100M,由io.sort.mb属性控制),当该缓冲区快要溢出时(默认为缓冲区大小的80%,由io.sort.spill.percent属性控制),会在本地文件系统中创建一个溢出文件,将该缓冲区中的数据写入这个文件;

2. 在写入磁盘之前,线程首先根据reduce任务的数目将数据划分为相同数目的分区,也就是一个reduce任务对应一个分区的数据。这样做是为了避免有些reduce任务分配到大量数据,而有些reduce任务却分到很少数据,甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序,如果此时设置了Combiner,将排序后的结果进行Combia操作,这样做的目的是让尽可能少的数据写入到磁盘;

3. map任务输出最后一个记录时,可能会有很多的溢出文件,这时需要将这些文件合并。合并的过程中会不断地进行排序和combia操作,目的有两个:

l尽量减少每次写入磁盘的数据量

l尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量,这里可以将数据压缩,只要将mapred.compress.map.out设置为true就可以了

4. 将分区中的数据拷贝给相对应的reduce任务。有人可能会问:分区中的数据怎么知道它对应的reduce是哪个呢?其实map任务一直和其父TaskTracker保持联系,而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置就可以了。

2.2.2 Reduce过程

1. Reduce会接收到不同map任务传来的数据,并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小,则直接存储在内存中(缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制,表示用作此用途的堆空间的百分比),如果数据量超过了该缓冲区大小的一定比例(由mapred.job.shuffle.merge.percent决定),则对数据合并后溢写到磁盘中;

2. 随着溢写文件的增多,后台线程会将它们合并成一个更大的有序的文件,这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端,MapReduce都是反复地执行排序,合并操作;

3. 合并的过程中会产生许多的中间文件(写入磁盘了),但MapReduce会让写入磁盘的数据尽可能地少,并且最后一次合并的结果并没有写入磁盘,而是直接输入到reduce函数。

2.3 MapReduce工作机制剖析

clip_image005[4]

1.在集群中的任意一个节点提交MapReduce程序;

2.JobClient收到作业后,JobClientJobTracker请求获取一个Job ID

3.将运行作业所需要的资源文件复制到HDFS上(包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息),这些文件都存放在JobTracker专门为该作业创建的文件夹中,文件夹名为该作业的Job ID

4.获得作业ID后,提交作业;

5.JobTracker接收到作业后,将其放在一个作业队列里,等待作业调度器对其进行调度,当作业调度器根据自己的调度算法调度到该作业时,会根据输入划分信息为每个划分创建一个map任务,并将map任务分配给TaskTracker执行;

6.对于mapreduce任务,TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。这里需要强调的是:map任务不是随随便便地分配给某个TaskTracker的,这里有个概念叫:数据本地化(Data-Local)。意思是:将map任务分配给含有该map处理的数据块的TaskTracker上,同时将程序JAR包复制到该TaskTracker上来运行,这叫“运算移动,数据不移动”;

7.TaskTracker每隔一段时间会给JobTracker发送一个心跳,告诉JobTracker它依然在运行,同时心跳中还携带着很多的信息,比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时,便把该作业设置成“成功”。当JobClient查询状态时,它将得知任务已完成,便显示一条消息给用户;

8.运行的TaskTrackerHDFS中获取运行所需要的资源,这些资源包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分等信息;

9.TaskTracker获取资源后启动新的JVM虚拟机;

10.  运行每一个任务;

3测试例子1

3.1 测试例子1内容

下载气象数据集部分数据,写一个Map-Reduce作业,求每年的最低温度

3.2 运行代码

3.2.1 MinTemperature

 1 import org.apache.hadoop.fs.Path; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.Text; 
 4 import org.apache.hadoop.mapreduce.Job; 
 5 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
 6 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 7   8 public class MinTemperature { 
 9      10     public static void main(String[] args) throws Exception { 
11         if(args.length != 2) { 
12             System.err.println("Usage: MinTemperature<input path> <output path>"); 
13             System.exit(-1); 
14         } 
15          16         Job job = new Job(); 
17         job.setJarByClass(MinTemperature.class); 
18         job.setJobName("Min temperature"); 
19         FileInputFormat.addInputPath(job, new Path(args[0])); 
20         FileOutputFormat.setOutputPath(job, new Path(args[1])); 
21         job.setMapperClass(MinTemperatureMapper.class); 
22         job.setReducerClass(MinTemperatureReducer.class); 
23         job.setOutputKeyClass(Text.class); 
24         job.setOutputValueClass(IntWritable.class); 
25         System.exit(job.waitForCompletion(true) ? 0 : 1); 
26     } 
27 }

3.2.2 MinTemperatureMapper

 1 import java.io.IOException; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.LongWritable; 
 4 import org.apache.hadoop.io.Text; 
 5 import org.apache.hadoop.mapreduce.Mapper; 
 6   7 public class MinTemperatureMapper extends Mapper<LongWritable, Text, Text, IntWritable>{ 
 8   9     private static final int MISSING = 9999; 
10      11     @Override  
12     public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { 
13          14         String line = value.toString(); 
15         String year = line.substring(15, 19); 
16          17         int airTemperature; 
18         if(line.charAt(87) == '+') { 
19             airTemperature = Integer.parseInt(line.substring(88, 92)); 
20         } else { 
21             airTemperature = Integer.parseInt(line.substring(87, 92)); 
22         } 
23          24         String quality = line.substring(92, 93); 
25         if(airTemperature != MISSING && quality.matches("[01459]")) { 
26             context.write(new Text(year), new IntWritable(airTemperature)); 
27         } 
28     } 
29 }

3.2.3 MinTemperatureReducer

 1 import java.io.IOException; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.Text; 
 4 import org.apache.hadoop.mapreduce.Reducer; 
 5   6 public class MinTemperatureReducer extends Reducer<Text, IntWritable, Text, IntWritable> { 
 7   8     @Override 
 9     public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { 
10          11         int minValue = Integer.MAX_VALUE; 
12         for(IntWritable value : values) { 
13             minValue = Math.min(minValue, value.get()); 
14         } 
15         context.write(key, new IntWritable(minValue)); 
16     } 
17 }

3.3 实现过程

3.3.1 编写代码

进入/app/hadoop-1.1.2/myclass目录,在该目录中建立MinTemperature.javaMinTemperatureMapper.javaMinTemperatureReducer.java代码文件,执行命令如下:

cd /app/hadoop-1.1.2/myclass/

vi MinTemperature.java

vi MinTemperatureMapper.java

vi MinTemperatureReducer.java

MinTemperature.java

clip_image007[4]

MinTemperatureMapper.java

clip_image009[4]

MinTemperatureReducer.java:

clip_image011[4]

3.3.2 编译代码

/app/hadoop-1.1.2/myclass目录中,使用如下命令对java代码进行编译,为保证编译成功,加入classpath变量,引入hadoop-core-1.1.2.jar包:

javac -classpath ../hadoop-core-1.1.2.jar *.java

clip_image013[4]

3.3.3 打包编译文件

把编译好class文件打包,否则在执行过程会发生错误。把打好的包移动到上级目录并删除编译好的class文件:

jar cvf ./MinTemperature.jar ./Min*.class

mv *.jar ..

rm Min*.class

clip_image015[4]

3.3.4 解压气象数据并上传到HDFS

NCDC气象数据解压,并使用zcat命令把这些数据文件解压并合并到一个temperature.txt文件中

cd /home/shiyanlou

unzip temperature

cd temperature

zcat *.gz > temperature.txt

clip_image017[4]

clip_image019[4]

气象数据具体的下载地址为 ftp://ftp3.ncdc.noaa.gov/pub/data/noaa/ ,该数据包括1900年到现在所有年份的气象数据,大小大概有70多个G,为了测试简单,我们这里选取一部分的数据进行测试。合并后把这个文件上传到HDFS文件系统的/class5/in目录中:

hadoop fs -mkdir -p /class5/in

hadoop fs -copyFromLocal temperature.txt /class5/in

hadoop fs -ls /class5/in

clip_image021[4]

3.3.5 运行程序

jar的方式启动MapReduce任务,执行输出目录为/class5/out

cd /app/hadoop-1.1.2

hadoop jar MinTemperature.jar MinTemperature /class5/in/temperature.txt  /class5/out

clip_image023[4]

3.3.6 查看结果

执行成功后,查看/class5/out目录中是否存在运行结果,使用cat查看结果(温度需要除以10):

hadoop fs -ls /class5/out

hadoop fs -cat /class5/out/part-r-00000

clip_image025[4]

3.3.7 通过页面结果(由于实验楼环境是命令行界面,以下仅为说明运行过程和结果可以通过界面进行查看)

1.查看jobtracker.jsp

http://XX. XXX.XX.XXX:50030/jobtracker.jsp

clip_image027[4]

查看已经完成的作业任务:

clip_image029[4]

任务的详细信息:

clip_image031[4]

 

2.  查看dfshealth.jsp

http://XX. XXX.XX.XXX:50070/dfshealth.jsp

clip_image033[4]

分别查看HDFS文件系统和日志

clip_image035[4]

clip_image037[4]

 

4测试例子2

4.1 测试例子2内容

如果求温度的平均值,能使用combiner吗?有没有变通的方法?

4.2 回答

不能直接使用,因为求平均值和前面求最值存在差异,各局部最值的最值还是等于整体的最值的,但是对于平均值而言,各局部平均值的平均值将不再是整体的平均值了,所以不能直接用combiner。可以通过变通的办法使用combiner来计算平均值,即在combiner的键值对中不直接存储最后的平均值,而是存储所有值的和个数,最后在reducer输出时再用和除以个数得到平均值。

4.3 程序代码

4.3.1 AvgTemperature.java

 1 import org.apache.hadoop.fs.Path; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.Text; 
 4 import org.apache.hadoop.mapreduce.Job; 
 5 import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
 6 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
 7   8 public class AvgTemperature { 
 9      10     public static void main(String[] args) throws Exception { 
11           12         if(args.length != 2) { 
13             System.out.println("Usage: AvgTemperatrue <input path><output path>"); 
14             System.exit(-1); 
15         } 
16          17         Job job = new Job(); 
18         job.setJarByClass(AvgTemperature.class); 
19         job.setJobName("Avg Temperature"); 
20         FileInputFormat.addInputPath(job, new Path(args[0])); 
21         FileOutputFormat.setOutputPath(job, new Path(args[1])); 
22          23         job.setMapperClass(AvgTemperatureMapper.class); 
24         job.setCombinerClass(AvgTemperatureCombiner.class); 
25         job.setReducerClass(AvgTemperatureReducer.class); 
26          27         job.setMapOutputKeyClass(Text.class); 
28         job.setMapOutputValueClass(Text.class); 
29          30         job.setOutputKeyClass(Text.class); 
31         job.setOutputValueClass(IntWritable.class); 
32          33         System.exit(job.waitForCompletion(true) ? 0 : 1); 
34     } 
35 }

 4.3.2 AvgTemperatureMapper.java

 1 import java.io.IOException; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.LongWritable; 
 4 import org.apache.hadoop.io.Text; 
 5 import org.apache.hadoop.mapreduce.Mapper; 
 6   7 public class AvgTemperatureMapper extends Mapper<LongWritable, Text, Text, Text> { 
 8   9     private static final int MISSING = 9999; 
10      11     @Override 
12     public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException{ 
13          14         String line = value.toString(); 
15         String year = line.substring(15, 19); 
16          17         int airTemperature; 
18         if(line.charAt(87) == '+') { 
19             airTemperature = Integer.parseInt(line.substring(88, 92)); 
20         } else { 
21             airTemperature =  Integer.parseInt(line.substring(87, 92)); 
22         } 
23          24         String quality = line.substring(92, 93); 
25         if(airTemperature != MISSING && !quality.matches("[01459]")) { 
26             context.write(new Text(year), new Text(String.valueOf(airTemperature))); 
27         } 
28     } 
29 }

 4.3.3 AvgTemperatureCombiner.java

 1 import java.io.IOException; 
 2 import org.apache.hadoop.io.Text; 
 3 import org.apache.hadoop.mapreduce.Reducer; 
 4   5 public class AvgTemperatureCombiner extends Reducer<Text, Text, Text, Text>{ 
 6   7     @Override 
 8     public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { 
 9          10         double sumValue = 0; 
11         long numValue = 0; 
12          13         for(Text value : values) { 
14             sumValue += Double.parseDouble(value.toString()); 
15             numValue ++; 
16         } 
17          18         context.write(key, new Text(String.valueOf(sumValue) + ',' + String.valueOf(numValue))); 
19     } 
20 }

 4.3.4 AvgTemperatureReducer.java

 1 import java.io.IOException; 
 2 import org.apache.hadoop.io.IntWritable; 
 3 import org.apache.hadoop.io.Text; 
 4 import org.apache.hadoop.mapreduce.Reducer; 
 5   6 public class AvgTemperatureReducer extends Reducer<Text, Text, Text, IntWritable>{ 
 7   8     @Override 
 9     public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { 
10          11         double sumValue = 0; 
12         long numValue = 0; 
13         int avgValue = 0; 
14          15         for(Text value : values) { 
16             String[] valueAll = value.toString().split(","); 
17             sumValue += Double.parseDouble(valueAll[0]); 
18             numValue += Integer.parseInt(valueAll[1]); 
19         } 
20          21         avgValue  = (int)(sumValue/numValue); 
22         context.write(key, new IntWritable(avgValue)); 
23     } 
24 }

4.4  实现过程

4.4.1 编写代码

进入/app/hadoop-1.1.2/myclass目录,在该目录中建立AvgTemperature.javaAvgTemperatureMapper.javaAvgTemperatureCombiner.javaAvgTemperatureReducer.java代码文件,代码内容为4.3所示,执行命令如下:

cd /app/hadoop-1.1.2/myclass/

vi AvgTemperature.java

vi AvgTemperatureMapper.java

vi AvgTemperatureCombiner.java

vi AvgTemperatureReducer.java

AvgTemperature.java

clip_image039[4]

AvgTemperatureMapper.java

clip_image041[4]

AvgTemperatureCombiner.java

clip_image043[4]

AvgTemperatureReducer.java:

clip_image045[4]

4.4.2 编译代码

/app/hadoop-1.1.2/myclass目录中,使用如下命令对java代码进行编译,为保证编译成功,加入classpath变量,引入hadoop-core-1.1.2.jar包:

javac -classpath ../hadoop-core-1.1.2.jar Avg*.java

clip_image047[4]

4.4.3 打包编译文件

把编译好class文件打包,否则在执行过程会发生错误。把打好的包移动到上级目录并删除编译好的class文件:

jar cvf ./AvgTemperature.jar ./Avg*.class

ls

mv *.jar ..

rm Avg*.class

clip_image049[4]

4.4.4 运行程序

数据使用作业2求每年最低温度的气象数据,数据在HDFS位置为/class5/in/temperature.txt,以jar的方式启动MapReduce任务,执行输出目录为/class5/out2

cd /app/hadoop-1.1.2

hadoop jar AvgTemperature.jar AvgTemperature /class5/in/temperature.txt /class5/out2

clip_image051[4]

4.4.5 查看结果

执行成功后,查看/class5/out2目录中是否存在运行结果,使用cat查看结果(温度需要除以10):

hadoop fs -ls /class5/out2

hadoop fs -cat /class5/out2/part-r-00000

clip_image053[4]

发布评论

分享到:

IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!

Hadoop入门进阶课程6--MapReduce应用案例详解
你是第一个吃螃蟹的人
发表评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。