Hadoop基础之MapReduce

Hadoop基础

1. Hadoop集群的配置安装（非安全模式）

1. 重要的配置文件：

   （1）Read-only default configuration：
            core-default.xml
            hdfs-default.xml
            yarn-default.xml
            mapred-default.xml
    （2）Site-specific configuration：
            etc/hadoop/core-site.xml
            etc/hadoop/hdfs-site.xml
            etc/hadoop/yarn-site.xml
            etc/hadoop/mapred-site.xml
    （3）Hadoop Daemon Configuration：
            HDFS daemons：
                NameNode
                SecondaryNameNode
                DataNode
            YARN damones：
                ResourceManager
                NodeManager
                WebAppProxy

2. 配置Hadoop Daemons的环境变量

   Daemon	Environment Variable
   NameNode	HADOOP_NAMENODE_OPTS
   DataNode	HADOOP_DATANODE_OPTS
   SecondaryNameNode	HADOOP_SECONDARYNAMENODE_OPTS
   ResourceManager	YARN_RESOURCEMANAGER_OPTS
   NodeManager	YARN_NODEMANAGER_OPTS
   WebAppProxy	YARN_PROXYSERVER_OPTS
   Map Reduce Job History Server	HADOOP_JOB_HISTORYSERVER_OPTS

3.Hadoop Daemon配置

Daemon	Environment Variable
ResourceManager	YARN_RESOURCEMANAGER_HEAPSIZE
NodeManager	YARN_NODEMANAGER_HEAPSIZE
WebAppProxy	YARN_PROXYSERVER_HEAPSIZE
Map Reduce Job History Server	HADOOP_JOB_HISTORYSERVER_HEAPSIZE

4.HDFS相关操作

hadoop fs
    - appendToFile
    - cat
    - chgrp chmod chown
    - copyFromLocal copyToLocal
    - count
    - cp
    - df du dus
    - find
    - get
    - help
    - ls lsr
    - mkdir
    - moveFromLocal
    - moveToLocal
    - mv
    - put
    - rm rmdir rmr
    - touchz
    - usage

2.MapReduce理论和实践

MapReduce的输入输出类型
    (input) <k1, v1> -> map -> <k2, v2> -> combine -> <k2, v2> -> reduce -> <k3, v3> (output)

1.Mapper：
	1.多少个Map合适？
		Map的数量是根据输入的总大小确定的，也就是输入文件的总块数
		最佳实践：
		每个节点10~100个map
2.Reducer：
	实现将Map的输出结果按照相同key进行归约为更小的值的集合
	1. 三个阶段：
		1）Shuffle
			通过HTTP协议取得所以Mapper输出结果的相关分区
		2）Sort
			通过key对Reducer的输入进行分组
		3）reduce
			Reducer的输出结果通过write写入到文件系统中
			Reducer的输出没有被排序
	2. Reduce的数量
		0.95/1.75*(节点数 * 每个节点最大的容器数量)
		如果设置为0，Mapper的输出结果直接写入文件系统
	3. Partitioner
		控制map输出结果中key的分区
		HashPartitioner是默认的Partitioner
	4. Counter
		Mapper和Reducer中实现计数的工具
3. Job的配置
    1.  Job中可以实现的配置
	执行Mapper、Combiner、Partitioner、Reducer、InputFormat、OutputFormat的实现类
    2. FileInputFormat显示输入文件的集合
		FileInputFormat.setInputPaths(Job, Path…)
		FileInputFormat.addInputPath(Job, Path)
		FileInputFormat.setInputPaths(Job, String…)
		FileInputFormat.addInputPaths(Job, String) 
    3. FileOutputFormat显示输入文件的集合
		FileOutputFormat.setOutputPaths(Job, Path…)
		FileOutputFormat.addOutputPath(Job, Path)
		FileOutputFormat.setOutputPaths(Job, String…)
		FileOutputFormat.addOutputPaths(Job, String) 
    4. 其他配置
	comparator、DistributedCache、Compress、Execute Manner、MaxMapAttempts
	可以使用Configuration.set(String,String)实现配置
4.任务的执行和环境
    1. 内存管理
	    用户/管理员可以指定加载子任务时的最大虚拟内存
    2. Map的参数
	    Map输出的结果将会被序列化到缓冲区中，元数据将被存储在缓冲区中
	    当Map持续有输出结果时，序列化的缓冲区或者元数据超出了临界值，此时缓冲区中的数据将被排序并写入到磁盘中
    3. Shuffle/Reduce参数
	    每一个Reduce通过Partitioner使用HTTP分区到内存中，再定期地合并这些数据到磁盘中
	    如果Map的输出结果被压缩了，那么么一个输出都将被压缩到内存中
5.Job的提交和监控	
	1. 检查Job规格的输入输出
	2. 为Job计算InputSplit的值
	3. 为Job的分布式缓存设置必要的叙述信息(可选)
	4. 复制Job的Jar和配置文件到文件系统的MapReduce的系统目录
	5. 提交Job到ResourceManager以及监控Job的状态(可选)
	用户和查看执行的历史记录：
		$ mapred job -history output.jhist
		$ mapred job -history all output.jhist
	总而言之，用户使用Job创建应用、描述Job的详细信息、提交Job、监控Job的运行状态
6. JobControl
	1. Job.submmit():提交任务到集群并立即返回
	2. Job.waitForCompletion(boolean)：提交任务到集群，并等待执行完成
7. Job的输入
	1. InputFormat描述了MapReduce的Job的指定输入
		1. 验证Job指定的输入
		2. 将输入文件切分成逻辑上的InputSplit的实例，每一个实例再分配给独立的Mapper
		3. 提供RecodeReader的实现类来收集被Mapper处理的逻辑InputSplit输入记录
		4. InputFormat的默认实现类是:TextInputFormat
	2. InputSplit
		1. 代表的是被每一个独立的Mapper处理后的数据
		2. 代表的是面向类型的输入视图
		3. FileSplit是默认的IputSplit
	3. RecodeReader
		1. 从InputSplit中读取<key,value>对
		2. 将由InputSplit提供的面向类型的输入视图转换成Mapper的实现类进行处理
8. Job的输出
        1. OutputFormat描述了MapReduce的Job的指定输出
            1. 验证Job指定的输出,如：检查Job的输出目录是否存在
            2. 提供RecodeWriter实现类用来写Job的输出文件，存储在文件系统中
            3. OutputFormat的默认实现类是:TextOutputFormat
        2. OutputCommitter
            1. 描述的是MapReduce的Job的指定的输出
            2.处理过程
                1. 在初始化期间设置Job,如：在Job的初始化期间创建临时的输出目录
                2. 在Job执行完成后清理Job,如：在Job执行完成之后，移除临时目录
                3. 设置任务的临时输出目录，在任务的初始话阶段完成
                4. 测是否有任务需要提交
                5. 任务输出的提交
                6. 丢弃任务的提交.如果任务已经失败或者进程被杀掉，则输出将会被清理，如果这个任务没有被清理，则另外一个带有相同attempt-id的任务将会被加载执行清理
            3. OutputCommitter默认的实现类是FileOutputCommitter,Job初始化/清理任务在Map和Reduce容器中
        3. RecodeWriter
            1. 将output<key,value>对写到输出文件中
            2. RecodeWriter的实现类将Job的输出写入到文件系统中
9.  其他有用的特性
        1. 提交Job到队列中
            1.队列作为Job的集合，允许系统提供指定的功能，例如：队列使用ACLs控制哪个用户可以提交Job
            2. Hadoop有一个强制的队列，称为default.队列的名称在Hadoop的配置文件中进行定义
		mapreduce.job.queuename
            3. 定义队列的方式
                1. 设置mapreduce.job.queuename
                2. Configuration.set(MRJobConfig.QUEUE_NAME,String)
            4. 队列的设置是可选的，如果没有设置，则使用默认的队列default
        2. 计数器
            1. Counters代表了全局计数器，可以被MapReduce框架或者应用程序进行定义。每一个计数器可以是任意的Enum类型，一个特殊的Enum的计数器被绑定进Counters.Group类型的组中
            2. 应用程序可以定义任意的计数器，可以通过	Counters.incrCounter(Enum,long)或者Counters.incrCounter(String,String,long)进行更新，然后这些计数器被框架进行全局范围的聚合
        3. 分布式缓存
            1. 有效地描述了执行文件的、大型的、只读的
            2. 是MapReduce框架提供的应用程序必须的缓存文件(text、archives、jars)的工具
            3. 应用程序在Job中通过url(hdfs://)的形式指定可以被缓存的文件
        4. 调试
            1. 当MapReduce的任务失败时，用户可以运行一个debug脚本去执行任务，这脚本可以访问任务的标准输出、标准错误目录以及JobConf
            2. 用户使用DistributedCache去分发和创建脚本的符号链接
            3. 提交脚本的方式
                1. 设置mapreduce.map.debug.script、mapreduce.reduce.debug.script
                2. Configuration.set(MRJobConfig.MAP_DEBUG_SCRIPT,String)
		   Configuration.set(MRJobConfig.REDUCE_DEBUG_SCRIPT,String)
        5. 数据压缩
            1. MapReduce提供了写应用程序为Map的输出以及Job的输出指定压缩方式的工具
            2. 中间输出结果
		应用程序可以控制Map中间结果的压缩
		Configuration.set(MRJobConfig.MAP_OUTPUT_COMPRESS,boolean)
		Configuration.set(MRJobConfig.MAP_OUTPUT_CODEC,Class)
            3. Job输出结果
		FileOutputFormat.setCompressOutput(Job,boolean)
		FileOutputFormat.SetOutputCompressorClass(Job,Class)
        6. 跳过坏的记录
            Hadoop提供了在处理Map输入过程中某些坏记录的一种方式