Hadoop 之 MapReduce 编写

Hadoop 之 MapReduce 编写

写 MapReduce 的套路，首先写 map 和 reduce 函数，在 IDE 中拿一小部分的数据集进行调试，编写单元测试（MRUnit），调试成功之后，将程序放开（unleash）到集群环境中，期间可能遇到更多的问题，继续丰富单元测试，在分布式环境下进行 mapReduce 程序的调试，是一个挑战，Hadoop 提供了相关通用技巧来使得调试过程相对容易
在程序能够正常运行之后，需要给 mapReduce 程序进行调优，让其跑的更快，以及对任务（task）进行剖析（profile），对任务进行剖析是通过在执行流程中添加相关钩子（hook）来进行诊断

Configruation API 要点

1.xml 文件中不存储类型信息，所以属性可以通过指定的类型被解释
2.可以为属性指定一个 default 值

合并资源（Combining Resources）

1.按照加载的顺序进行合并

Configuration conf = new Configuration();
conf.addResource("configuration-1.xml");
conf.addResource("configuration-2.xml"); 

2.属性被标记为final后，不能被后续的定义覆盖（overridden）

变量扩展（Variable Expansion）

1.后续的变量值定义可以使用前者变量的定义值

<?xml version="1.0"?>
<configuration>
  <property>
    <name>color</name>
    <value>yellow</value>
    <description>Color</description>
  </property>
  
  <property>
    <name>size</name>
    <value>10</value>
    <description>Size</description>
  </property>
  
  <property>
    <name>weight</name>
    <value>heavy</value>
    <final>true</final>
    <description>Weight</description>
  </property>
  
  <property>
    <name>size-weight</name>
    <value>${size},${weight}</value>
    <description>Size and weight</description>
  </property>
</configuration>

2.系统属性比资源文件中的属性具有更高的优先级

所以可以通过 -Dproperty=value的形式来进行覆盖属性文件中的变量定义。但是有个例外，就是被覆盖的属性必须在属性文件中进行了定义，否则配置对象无法获取且给出警告

System.setProperty("length", "2");
assertThat(conf.get("length"), is((String) null)); 

配置开发环境

1.依赖配置（pom.xml）

<project>
    <modelVersion>4.0.0</modelVersion>
    <groupId>com.hadoopbook</groupId>
    <artifactId>hadoop-book-mr-dev</artifactId>
    <version>4.0</version>
    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <hadoop.version>2.5.1</hadoop.version>
    </properties>
    <dependencies>
        <!-- Hadoop main client artifact -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <!-- Unit test artifacts -->
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.11</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.mrunit</groupId>
            <artifactId>mrunit</artifactId>
            <version>1.1.0</version>
            <classifier>hadoop2</classifier>
            <scope>test</scope>
        </dependency>
        <!-- Hadoop test artifact for running mini clusters -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-minicluster</artifactId>
            <version>${hadoop.version}</version>
            <scope>test</scope>
        </dependency>
    </dependencies>
    <build>
        <finalName>hadoop-examples</finalName>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.1</version>
                <configuration>
                    <source>1.6</source>
                    <target>1.6</target>
                </configuration>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-jar-plugin</artifactId>
                <version>2.5</version>
                <configuration>
                    <outputDirectory>${basedir}</outputDirectory>
                </configuration>
            </plugin>
        </plugins>
    </build>
</project>

为了构建 MapReduce 作业，只需引入 hadoop-client 依赖，它包含了 Hadoop 客户端和 HDFS 和 MapReduce 交互的类

使用 mrunit 来进行 MapReduce 的单元测试

hadoop-minicluster 类库包含了“mini-”的集群，它们在单机（single JVM）上测试 Hadoop 集群非常有用

管理配置

对于 local、pseudo distributed、cluster 环境的配置，最好的做法是，将它们各自的配置文件独立于 Hadoop 的安装目录树，这样的能够容易的切换 Hadoop 的作业环境而不至于重复或是丢失配置

GenericOptionsParser，Tool，and ToolRunner

ToolRunner 使用 GenericOptionsParser 来把命令行上指定的选项设置到 Configuration 实例对象中

注意在命令行中的-D property=value中间的空格符号，以及与标准 JVM 系统属性（system properties）的区别

路径以及依赖

客户端路径

由 hadoop jar 设置的用户客户端类路径包括以下几个组成部分：

• 作业 Jar 文件
• 作业 Jar 文件中 lib 目录下的所有 Jar 文件以及 classes 目录（如果有）
• 由 HADOOP_CLASSPATH 定义的类路径（如果设置）

作业路径

在集群环境中，map 和 reduce 任务各自运行在不同的 JVM 上面，所以他们的 classpath 不能通过 HADOOP_CLASSPATH 来进行控制

HAOOP_CLASSPATH 是一个客户端设置，且只能为驱动器 JVM 设置 classpath，也就是提交作业的的 JVM

用户的任务类路径有如下构成：

• 作业 Jar 文件
• 作业 Jar 文件中 lib 目录下的所有 Jar 文件以及 classes 目录（如果有）
• 任何通过 -libjars 选项添加到分布式缓存的文件，或者通过 addFileToClassPath() 方法添加的文件

打包依赖

打包依赖有如下实践方法

• 将库包和重新打包进作业 JAR
• 将作业 JAR 和 lib 目录中的库打包
• 保持库与作业 JAR 分开，并且通过 HADOOP_CLASSPATH 将它们添加到客户端类路径，通过 -libjars 将它们添加到任务的类路径

从创建的角度看，最后使用分布式缓存的选项是最简单的，因为依赖不需要再作业的 JAR 中重新创建。使用分布式缓存意味着在集群上更少的 JAR 文件转移（因为文件可能换在任务之间的一个节点上）