Hadoop-- 开源海量文件分布式计算处理方案

Hadoop 是Google MapReduce的一个Java实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如 同java程序员可以不考虑内存泄露一样， MapReduce的run-time系统会解决输入数据的分布细节，跨越机器集群的程序执行调度，处理机器的失效，并且管理机器之间的通讯请求。这样的 模式允许程序员可以不需要有什么并发处理或者分布式系统的经验，就可以处理超大的分布式系统得资源。
       一、概论
       作为Hadoop程序员，他要做的事情就是：
       1、定义Mapper，处理输入的Key-Value对，输出中间结果。
       2、定义Reducer，可选，对中间结果进行规约，输出最终结果。
       3、定义InputFormat 和OutputFormat，可选，InputFormat将每行输入文件的内容转换为Java类供Mapper函数使用，不定义时默认为String。
       4、定义main函数，在里面定义一个Job并运行它。
    

       然后的事情就交给系统了。
       1.基本概念：Hadoop的HDFS实现了google的GFS文件系统，NameNode作为文件系统的负责调度运行在master， DataNode运行在每个机器上。同时Hadoop实现了Google的MapReduce，JobTracker作为MapReduce的总调度运行 在master，TaskTracker则运行在每个机器上执行Task。

       2.main()函数，创建JobConf，定义Mapper，Reducer，Input/OutputFormat 和输入输出文件目录，最后把Job提交給JobTracker，等待Job结束。

       3.JobTracker，创建一个InputFormat的实例，调用它的getSplits()方法，把输入目录的文件拆分成FileSplist作为Mapper task 的输入，生成Mapper task加入Queue。

       4.TaskTracker 向 JobTracker索求下一个Map/Reduce。
      
        Mapper Task先从InputFormat创建RecordReader，循环读入FileSplits的内容生成Key与Value，传给Mapper函数，处理完后中间结果写成SequenceFile.
        Reducer Task 从运行Mapper的TaskTracker的Jetty上使用http协议获取所需的中间内容（33%），Sort/Merge后（66%），执行Reducer函数，最后按照OutputFormat写入结果目录。

         TaskTracker 每10秒向JobTracker报告一次运行情况，每完成一个Task10秒后，就会向JobTracker索求下一个Task。

         Nutch项目的全部数据处理都构建在Hadoop之上，详见Scalable Computing with Hadoop。

       二、程序员编写的代码
       我们做一个简单的分布式的Grep，简单对输入文件进行逐行的正则匹配，如果符合就将该行打印到输出文件。因为是简单的全部输出，所以我们只要写Mapper函数，不用写Reducer函数，也不用定义Input/Output Format。

package     demo.hadoop

public      class     HadoopGrep {

     public      static      class     RegMapper     extends     MapReduceBase     implements     Mapper {

      private     Pattern pattern;

      public      void     configure(JobConf job) {
      pattern     =     Pattern.compile(job.get( " mapred.mapper.regex " ));
     }

      public      void     map(WritableComparable key, Writable value, OutputCollector output, Reporter reporter)
        throws     IOException {
      String text     =     ((Text) value).toString();
      Matcher matcher     =     pattern.matcher(text);
       if     (matcher.find()) {
       output.collect(key, value);
      }
     }
}

     private     HadoopGrep () {
}     //     singleton

     public      static      void     main(String[] args)     throws     Exception {
  
     JobConf grepJob     =      new     JobConf(HadoopGrep. class );
     grepJob.setJobName( " grep-search " );
     grepJob.set( " mapred.mapper.regex " , args[ 2 ]);

     grepJob.setInputPath( new     Path(args[ 0 ]));
     grepJob.setOutputPath( new     Path(args[ 1 ]));
     grepJob.setMapperClass(RegMapper. class );
     grepJob.setReducerClass(IdentityReducer. class );
      
     JobClient.runJob(grepJob);
}
}

           RegMapper类的configure()函数接受由main函数传入的查找字符串，map() 函数进行正则匹配，key是行数，value是文件行的内容，符合的文件行放入中间结果。
           main()函数定义由命令行参数传入的输入输出目录和匹配字符串，Mapper函数为RegMapper类，Reduce函数是什么都不做，直接把中间结果输出到最终结果的的IdentityReducer类，运行Job。

           整个代码非常简单，丝毫没有分布式编程的任何细节。

          三.运行Hadoop程序
           Hadoop这方面的文档写得不全面，综合参考GettingStartedWithHadoop 与Nutch Hadoop Tutorial 两篇后，再碰了很多钉子才终于完整的跑起来了，记录如下：      

3.1 local运行模式

          完全不进行任何分布式计算，不动用任何namenode,datanode的做法，适合一开始做调试代码。
          解压hadoop，其中conf目录是配置目录，hadoop的配置文件在hadoop-default.xml，如果要修改配置，不是直接修改该文件，而是修改hadoop-site.xml，将该属性在hadoop-site.xml里重新赋值。
          hadoop-default.xml的默认配置已经是local运行，不用任何修改，配置目录里唯一必须修改的是hadoop-env.sh 里JAVA_HOME的位置。

          将编译好的HadoopGrep与RegMapper.class 放入hadoop/build/classes/demo/hadoop/目录 找一个比较大的log文件放入一个目录，然后运行

          hadoop / bin / hadoop demo.hadoop.HadoopGrep log文件所在目录 任意的输出目录 grep的字符串

        查看输出目录的结果，查看hadoop/logs/里的运行日志。  
        在重新运行前，先删掉输出目录。
  

3.2 单机集群运行模式

          现在来搞一下只有单机的集群.假设以完成3.1中的设置，本机名为hadoopserver
          第1步.       然后修改hadoop-site.xml ，加入如下内容：

< property >
      < name > fs.default.name </ name >
      < value > hadoopserver:9000 </ value >
</ property >
< property >
      < name > mapred.job.tracker </ name >
      < value > hadoopserver:9001 </ value >
</ property >
< property >
      < name > dfs.replication </ name >
      < value > 1 </ value >
</ property >

       从此就将运行从local文件系统转向了hadoop的hdfs系统，mapreduce的jobtracker也从local的进程内操作变成了分布式的任务系统，9000，9001两个端口号是随便选择的两个空余端口号。
  
     另外，如果你的/tmp目录不够大，可能还要修改hadoop.tmp.dir属性。

     第2步. 增加ssh不输入密码即可登陆。

       因为Hadoop需要不用输入密码的ssh来进行调度，在不su的状态下，在自己的home目录运行ssh-keygen -t rsa ,然后一路回车生成密钥，再进入.ssh目录,cp id_rsa.pub authorized_keys
       详细可以man 一下ssh, 此时执行ssh hadoopserver，不需要输入任何密码就能进入了。

     3.格式化namenode，执行
     bin/hadoop namenode -format

     4.启动Hadoop
        执行hadoop/bin/start-all.sh, 在本机启动namenode,datanode,jobtracker,tasktracker
  
     5.现在将待查找的log文件放入hdfs,。
        执行hadoop/bin/hadoop dfs 可以看到它所支持的文件操作指令。
        执行hadoop/bin/hadoop dfs put log文件所在目录 in ，则log文件目录已放入hdfs的/user/user-name/in 目录中

     6.现在来执行Grep操作
         hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
         查看hadoop/logs/里的运行日志，重新执行前。运行hadoop/bin/hadoop dfs rmr out 删除out目录。

     7.运行hadoop/bin/stop-all.sh 结束

     3.3 集群运行模式
     假设已执行完3.2的配置，假设第2台机器名是hadoopserver2
     1.创建与hadoopserver同样的执行用户，将hadoop解压到相同的目录。

     2.同样的修改haoop-env.sh中的JAVA_HOME 及修改与3.2同样的hadoop-site.xml

     3. 将hadoopserver中的/home/username/.ssh/authorized_keys 复制到hadoopserver2,保证hadoopserver可以无需密码登陆hadoopserver2
        scp /home/username/.ssh/authorized_keys  username@hadoopserver2:/home/username/.ssh/authorized_keys

     4.修改hadoop-server的hadoop/conf/slaves文件, 增加集群的节点，将localhost改为
       hadoop-server
       hadoop-server2

     5.在hadoop-server执行hadoop/bin/start-all.sh
      将会在hadoop-server启动namenode,datanode,jobtracker,tasktracker
      在hadoop-server2启动datanode 和tasktracker
  
     6.现在来执行Grep操作
        hadoop/bin/hadoop demo.hadoop.HadoopGrep in out
       重新执行前,运行hadoop/bin/hadoop dfs rmr out 删除out目录

     7.运行hadoop/bin/stop-all.sh 结束。
    

四、效率
       经测试，Hadoop并不是万用灵丹，很取决于文件的大小和数量，处理的复杂度以及群集机器的数量，相连的带宽，当以上四者并不大时，hadoop优势并不明显。
       比如，不用hadoop用java写的简单grep函数处理100M的log文件只要4秒，用了hadoop local的方式运行是14秒，用了hadoop单机集群的方式是30秒，用双机集群10M网口的话更慢，慢到不好意思说出来的地步。