大数据介绍和hadoop学习(搭建，HDFS，Yarn，Mapreduce，优化，原理)

大数据介绍

概念

大数据（big data），IT行业术语，是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

最小的基本单位是bit，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

特点

1. volume

   大 数据的采集，计算，存储量都非常的庞大。

2. variety

   多 种类和来源多样化。种类有：结构化、半结构化和非结构化数据等，常见的来源有：网络日志、音频、视频、图片等等。

3. value

   值 与传统信息系统相比，大数据中的数据价值密度相对较低，这就需要更快，更方便的方式来完成数据值提取过程，这也是当前大数据平台所关注的核心竞争力之一。实际上，早期Hadoop和Spark平台之所以能够脱颖而出的重要原因是它们的数据处理（排序）速度相对较快。

4. velocity

   快 数据增长速度快，处理速度也快，获取数据的速度也要快

5. veracity

   信 数据的准确性和可信赖度，即数据的质量

应用场景

大数据无处不在，大数据应用于各个行业，包括金融、汽车、餐饮、电信、能源、体能和娱乐等在内的社会各行各业都已经融入了大数据的印迹。

• 制造业，利用工业大数据提升制造业水平，包括产品故障诊断与预测、分析工艺流程、改进生产工艺，优化生产过程能耗、工业供应链分析与优化、生产计划与排程。
• 金融行业，大数据在高频交易、社交情绪分析和信贷风险分析三大金融创新领域发挥重大作用。
• 汽车行业，利用大数据和物联网技术的无人驾驶汽车，在不远的未来将走入我们的日常生活。
• 互联网行业，借助于大数据技术，可以分析客户行为，进行商品推荐和针对性广告投放。
• 电信行业，利用大数据技术实现客户离网分析，及时掌握客户离网倾向，出台客户挽留措施。
• 能源行业，随着智能电网的发展，电力公司可以掌握海量的用户用电信息，利用大数据技术分析用户用电模式，可以改进电网运行，合理设计电力需求响应系统，确保电网运行安全。
• 物流行业，利用大数据优化物流网络，提高物流效率，降低物流成本。
• 城市管理，可以利用大数据实现智能交通、环保监测、城市规划和智能安防。
• 生物医学，大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读DNA,了解更多的生命奥秘。
• 体育娱乐，大数据可以帮助我们训练球队，决定投拍哪种题财的影视作品，以及预测比赛结果。
• 安全领域，政府可以利用大数据技术构建起强大的国家安全保障体系，企业可以利用大数据抵御网络攻击，警察可以借助大数据来预防犯罪。
• 个人生活， 大数据还可以应用于个人生活，利用与每个人相关联的“个人大数据”，分析个人生活行为习惯，为其提供更加周到的个性化服务。

大数据的价值，远远不止于此，大数据对各行各业的渗透，大大推动了社会生产和生活，未来必将产生重大而深远的影响。

大数据部门组织结构

大数据部门组织结构，适用于大中型企业。如下图:

从Hadoop框架讨论大数据生态

Hadoop是什么

1. Hadoop是一个有Apache基金会所开发的分布式系统基础架构。
2. Hadoop主要解决海量数据的存储和海量数据的分析计算问题。
3. 广义上来说，Hadoop通常是指一个更广泛的概念——Hapoop生态圈

Hadoop发展历史

1. Lucene 是 Doug Cutting 开创的开源软件，java编写，实现与Google类似的全文搜索功能；

2. Lucene 2001年底成为 Apache 基金会的一个子项目；

3. 对于大数量的场景，Lucene 面对与 Google 同样的困难，

   Lucene 学习和模仿Google解决这些问题的办法 ： 微型版 Nutch （一个开源Java实现的搜索引擎）

4. 2003-2004年，Google公开了部分 DFS 和 Mapreduce 的思想，以此为基础 Doug Cutting 等人用两年业余时间实现了DFS 和 Mapreduce 机制 ，使 Nutch 性能飙升 。

5. 2005年 Hadoop 作为 Lucene的Nutch其中一部分 正式引入Apache基金会。2006年3月份 Mapreduce和 Nutch Distributed File System（NDFS） 分别被纳入成为Hadoop的项目中

6. Hadoop名字来源于 Doug Cutting 儿子的玩具大象

   

Hadoop三大发行版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

• Apache版本最原始（最基础）的版本，对于入门学习最好。

• Cloudera在大型互联网企业中用的较多。

• Hortonworks文档较好。

Hadoop的优势

1. 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障也不会导致数据的丢失

             （一个集群节点只有一个副本，多了没用）
   

2. 高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。

3. 高效性：在Mapreduce 的思想下，Hadoop是并行工作的，以加快任务处理速度

4. 高容错性：能够自动的将失败的任务重新分配

Hadoop组成

基本组成

HDFS(数据存储)架构概述

• **NameNode（nn）：**存储文件的元数据，如文件名、文件目录结构、文件属性，以及每个文件的块列表和块所在的DataNode等。（这部分说白了就是大纲或者目录的意思）。

• 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。（这部分才是真正的要存储的数据）。

• Secondary NameNode(2nn) : 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（资源调度）架构概述

1. ResourceManager(rm) : 处理客户端请求Request、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2. NodeManager(nm): 单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
3. **ApplicationMaster（App Mstr）：**数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错
4. **Container：**对任务运行环境的抽象，封装了CPU 、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

Mapreduce（计算）架构概述

Mapreduce将计算分为两个阶段：Map和Reduce

• Map 阶段并行处理输入数据

• Reduce 阶段对Map结果进行汇总

大数据技术生态体系

1. Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。

2. Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

3. Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：

   1. 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。

   2. 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。

   3. 支持通过Kafka服务器和消费机集群来分区消息。

   4. 支持Hadoop并行数据加载。

4. Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。

5. Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。

6. Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。

7. Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。

8. Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

9. R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

10. Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。

11. ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

推荐系统框架图

下载与配置(linux)

 https://archive.apache.org/dist/hadoop/common/hadoop-3.3.0/

设置下环境变量吧

进入profile文件中

vim /etc/profile

在最底下写上

# HADOOP_HOME
export HADOOP_HOME=/home/jiang/big_date/hadoop-3.3.0
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

使环境变量生效

source /etc/profile

常用端口

9870: HDFS管理界面
8088: yarn管理界面
19888: 历史服务器

默认配置

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。

1. 默认配置文件

   要获取的默认文件	文件存放在Hadoop的jar包中的位置
   [core-default.xml]	hadoop-common-3.3.0.jar/ core-default.xml
   [hdfs-default.xml]	hadoop-hdfs-3.3.0.jar/ hdfs-default.xml
   [yarn-default.xml]	hadoop-yarn-common-3.3.0.jar/ yarn-default.xml
   [mapred-default.xml]	hadoop-mapreduce-client-core-3.3.0.jar/ mapred-default.xml

2. 自定义配置文件

   core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放$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

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

grep案例

The following example copies the unpacked conf directory to use as input and then finds and displays every match of the given regular expression. Output is written to the given output directory.

$ mkdir input
$ cp etc/hadoop/*.xml input
$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar grep input output 'dfs[a-z.]+'
$ cat output/*

结果

1	dfsadmin

一共产生了四个文件

WordCount案例

mkdir wcinput
touch wcinput/wc.input
vim wcinput/wc.input 

输入

tianyi huichao lihua
zhangchen xiaoheng
xinbo xinbo
gaoyang gaoyang yanjing yanjing

运行(hadoop要配置环境变量)

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount wcinput wcouput

结果

gaoyang 2
huichao 1
lihua   1
tianyi  1
xiaoheng        1
xinbo   2
yanjing 2
zhangchen       1

伪分布式运行模式

启动HDFS并运行MapReduce程序

配置

1. 配置：hadoop-env.sh

   修改JAVA_HOME 路径

   -----先查看JAVA_HOEM路径-----
   echo $JAVA_HOME
   -----进入文件中修改JAVA_HOME
   export JAVA_HOME= /usr/lib/jvm/java-1.8.0-openjdk-1.8.0.242.b08-0.el7_7.x86_64/jre
   

2. 配置：core-site.xml

   <configuration>
       <!-- 指定HDFS中NameNode的地址 -->
       <property>
           <name>fs.defaultFS</name>
           <value>hdfs://hadoop01:9000</value>
       </property>
   
       <!-- 指定Hadoop运行时产生文件的存储目录 -->
       <property>
           <name>hadoop.tmp.dir</name>
           <value>/home/jiang/big_date/hadoop-3.3.0/data/tmp</value>
       </property>
   </configuration>
   

   hadoop01记得在/etc/hosts下添加

   0.0.0.0 hadoop01
   

3. 配置：hdfs-site.xml

   <!-- 指定HDFS副本的数量 -->
   <property>
       <name>dfs.replication</name>
       <value>1</value>
   </property>
   

启动

1. 格式化 NameNode（第一次启动时格式化，以后就不要总格式化）

   bin/hdfs namenode -format
   

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

   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，一定要先关闭NameNode和DataNode，再删除data数据和log日志，然后再格式化NameNode。

   cat /home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/data/current/VERSION    
   clusterID=CID-26bdf723-f7df-4232-8522-abf54988b499
   -------------------
   cat /home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/name/current/VERSION 
   clusterID=CID-26bdf723-f7df-4232-8522-abf54988b499
   

2. 启动NameNode

   sbin/hadoop-daemon.sh start namenode
   sbin/hadoop-daemon.sh start datanode
   

3. 查看集群

   1. 查看是否启动成功

      jps
      -----
      544 DataNode
      31434 NameNode
      620 Jps
      7903 Elasticsearch
      

      jps是JDK中的命令，不是Linux命令。不安装JDK不能使用jps

   2. web端查看HDFS文件系统

      2版本：http://host:50070/dfshealth.html#tab-overview

      3以上版本：http://host:9870/dfshealth.html#tab-overview

      注意：如果不能查看，看如下帖子处理

      http://www.cnblogs.com/zlslch/p/6604189.html

      

4. 操作集群

   1. 在HDFS文件系统上创建一个input文件夹

      bin/hdfs dfs -mkdir -p /usr/big_data/test01/input
      

      
      

   2. 查看

      bin/hdfs dfs -ls /
      

      输出

      Found 1 items
      drwxr-xr-x   - root supergroup          0 2020-08-10 12:38 /usr
      

      bin/hdfs dfs -lsr /
      

      输出

      drwxr-xr-x   - root supergroup          0 2020-08-10 12:38 /usr
      drwxr-xr-x   - root supergroup          0 2020-08-10 12:38 /usr/big_data
      drwxr-xr-x   - root supergroup          0 2020-08-10 12:38 /usr/big_data/test01
      drwxr-xr-x   - root supergroup          0 2020-08-10 12:38 /usr/big_data/test01/input
      

   3. 将测试文件内容上传到文件系统上

      bin/hdfs dfs -put wcinput/wc.input /usr/big_data/test01/input
      

      

   4. 运行MapReduce程序

      hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount /usr/big_data/test01/input/wc.input  /usr/big_data/test01/output
      

      

启动YARN并运行MapReduce程序

配置

1. 配置 yarn-site.xml

<!-- 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,emm，默认的进行 -->
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>0.0.0.0</value>
</property>

2. 配置 mapred-site.xml

   <!-- 指定MR运行在YARN上 -->
   <property>
       <name>mapreduce.framework.name</name>
       <value>yarn</value>
   </property>
   

启动

1. 启动前必须保证NameNode和DataNode已经启动

2. 启动 ResourceManager

   sbin/yarn-daemon.sh start resourcemanager
   

3. 启动 NodeManager

   sbin/yarn-daemon.sh start nodemanager
   

4. 集群操作

   1. YARN的浏览器页面查看

      http://host:8088/cluster
      

   2. 删除文件系统上的output文件

      bin/hdfs dfs -rm -r /usr/big_data/test01/output
      

   3. 执行MapReduce程序

      hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount /usr/big_data/test01/input/wc.input  /usr/big_data/test01/output
      

      我这里报了个错，运行不了，怎么办呢？？？

      👉 请看这里哦~

配置历史服务器

配置

为了查看程序的历史运行情况，需要配置一下历史服务器

1. 配置 mapred-site.xml

   在该文件里面增加如下配置

   <!-- 历史服务器端地址 -->
   <property>
       <name>mapreduce.jobhistory.address</name>
       <value>hadoop101:10020</value>
   </property>
   <!-- 历史服务器web端地址 -->
   <property>
       <name>mapreduce.jobhistory.webapp.address</name>
       <value>hadoop101:19888</value>
   </property>
   

启动

1. 启动历史服务器

sbin/mr-jobhistory-daemon.sh start historyserver

2. 查看JobHistory

   http://host:19888/
   

   
   

配置日志的聚集

直接点击是不会显示的，所以要进行配置

1. 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。
2. 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。
3. 注意：开启日志聚集功能，需要重新启动NodeManager 、ResourceManager和HistoryManager

配置

1. 配置yarn-site.xml

   <!-- 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 (单位：s)-->
   <property>
       <name>yarn.log-aggregation.retain-seconds</name>
       <value>604800</value>
   </property>
   

启动

2. 关闭NodeManager 、ResourceManager和HistoryManager

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

3. 启动NodeManager 、ResourceManager和HistoryManager

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

4. 删除HDFS上已经存在的输出文件

   bin/hdfs dfs -rm -r /usr/big_data/test01/output
   

5. 执行WordCount程序

   hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount /usr/big_data/test01/input /usr/big_data/test01/output
   

6. 查看日志

   http://host:19888/
   

   

完全分布式运行模式（开发重点）

分析

1. 准备3台客户机（关闭防火墙、静态ip、主机名称）
2. 安装JDK
3. 配置环境变量
4. 安装Hadoop
5. 配置环境变量
6. 配置集群
7. 单点启动
8. 配置ssh
9. 群起并测试集群

编写集群分发脚本xsync

scp（secure copy）安全拷贝

1. scp定义：

   scp可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）

2. 基本语法

   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
   

3. 案例实操

• 在hadoop101上，将hadoop101中/opt/module目录下的软件拷贝到hadoop102上。

  scp -r /opt/module  root@hadoop102:/opt/module
  

• 在hadoop103上，将hadoop101服务器上的/opt/module目录下的软件拷贝到hadoop103上。

  sudo scp -r atguigu@hadoop101:/opt/module root@hadoop103:/opt/module
  

• 在hadoop103上操作将hadoop101中/opt/module目录下的软件拷贝到hadoop104上。

   scp -r atguigu@hadoop101:/opt/module root@hadoop104:/opt/module
  

  注意：拷贝过来的/opt/module目录，别忘了在hadoop102、hadoop103、hadoop104上修改所有文件的，所有者和所有者组。sudo chown atguigu:atguigu -R /opt/module

• 将hadoop101中/etc/profile文件拷贝到hadoop102的/etc/profile上。

  sudo scp /etc/profile root@hadoop102:/etc/profile
  

• 将hadoop101中/etc/profile文件拷贝到hadoop103的/etc/profile上。

   sudo scp /etc/profile 
  

  
  

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. 基本语法

   rsync    -rvl       $pdir/$fname              $user@hadoop$host:$pdir/$fnam
   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
   

   选项参数说明

   选项	功能
   -r	递归
   -v	显示复制过程
   -l	拷贝符号连接

2. 案例实操

   • 把hadoop101机器上的/opt/software目录同步到hadoop102服务器的root用户下的/opt/目录

     rsync -rvl /opt/software/ root@hadoop102:/opt/software
     

     
     

xsync集群分发脚本

1. 需求：循环复制文件到所有节点的相同目录下

2. 需求分析：

   • rsync命令原始拷贝：

     rsync  -rvl     /opt/module  		 root@hadoop103:/opt/
     

   • 期望脚本：xsync要同步的文件名称

   • 说明：在/home/codekiller/bin这个目录下存放的脚本，codekiller用户可以在系统任何地方直接执行。

3. 脚本实现

   • 在/home/codekiller目录下创建bin目录，并在bin目录下xsync创建文件，文件内容如下：

     mkdir bin
     cd bin/
     touch xsync
     vi xsync
     

     在该文件中编写如下代码

     #!/bin/bash
     #1 获取输入参数个数，如果没有参数，直接退出
     pcount=$#
     if((pcount==0)); then
     echo no args;
     exit;
     fi
     
     #2 获取文件名称
     p1=$1
     fname=`basename $p1`
     echo fname=$fname
     
     #3 获取上级目录到绝对路径
     pdir=`cd -P $(dirname $p1); pwd`
     echo pdir=$pdir
     
     #4 获取当前用户名称
     user=`whoami`
     
     #5 循环
     for((host=103; host<105; host++)); do
             echo ------------------- hadoop$host --------------
             rsync -rvl $pdir/$fname $user@hadoop$host:$pdir
     done
     

   • 修改脚本 xsync 具有执行权限

      chmod 777 xsync
     

   • 调用脚本形式：xsync 文件名称

     xsync /home/codekiller/bin
     

   注意：如果将xsync放到/home/codekiller/bin目录下仍然不能实现全局使用，可以将xsync移动到/usr/local/bin目录下。

集群配置

集群部署规划

	hadoop2	hadoop3	hadoop4
HDFS	NameNode DataNode	DataNode	SecondaryName NodeDataNode
YARN	NodeManager	ResourceManager NodeManager	NodeManager

配置集群

1. 核心配置文件，配置core-site.xml

   <!-- 指定HDFS中NameNode的地址 -->
   <property>
       <name>fs.defaultFS</name>
       <value>hdfs://hadoop2:9000</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-3.3.0/data/tmp</value>
   </property>
   

2. HDFS配置文件，配置hadoop-env.sh

   <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>hadoop2:50090</value>
   </property>
   

3. YARN配置文件，yarn-site.xml

   <!-- 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>hadoop2</value>
   </property>
   

4. MapReduce配置文件，mapred-site.xml

   <!-- 指定MR运行在Yarn上 -->
   <property>
       <name>mapreduce.framework.name</name>
       <value>yarn</value>
   </property>
   

在集群上分发配置好的Hadoop配置文件

xsync /opt/module/hadoop-3.3.0

集群单点启动

1. 如果集群是第一次启动，需要格式化NameNode

   bin/hdfs namenode -format
   

2. 在hadoop2上启动NameNode

   sbin/hadoop-daemon.sh  start namenode
   

3. 在hadoop2、hadoop3以及hadoop4上分别启动DataNode

   sbin/hadoop-daemon.sh  start datanode
   

4. 思考：每次都一个一个节点启动，如果节点数增加到1000个怎么办？

   早上来了开始一个一个节点启动，到晚上下班刚好完成，下班？😄

SSH无密登录配置

1. 进入/root/.ssh中，运行命令

   ssh-keygen -t rsa
   

   然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

2. 将公钥拷贝到要免密登录的目标机器上

   ssh-copy-id hadoop2
   ssh-copy-id hadoop3
   ssh-copy-id hadoop4
   

.ssh文件夹下（~/.ssh）的文件功能解释

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

群起集群

配置

1. 配置workers，注意在低版本下是叫slaves，/etc/hadoop/workers

   hadoop2
   hadoop3
   hadoop4
   

   不能有空行和空格！！！

2. 同步所有节点配置文件

   xsync hadoop-3.3.0/etc/hadoop/workers
   

启动

1. 如果集群是第一次启动，需要格式化NameNode（注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）

    bin/hdfs namenode -format
   

2. 启动HDFS

   sbin/start-dfs.sh
   

   如果报错了，不要慌吗，请看我们的这里呀

3. 启动YARN

   sbin/start-yarn.sh
   

   注意：NameNode和ResourceManger如果不是同一台机器，不能在NameNode上启动 YARN，应该在ResouceManager所在的机器上启动YARN。

集群基本测试

上传文件到集群

1. 上传小文件

   bin/hdfs dfs -put wcinput/wc.input /
   

2. 上传大文件

   bin/hdfs dfs -put ../hadoop-3.3.0.tar.gz /
   

3. 查看一下

   

4. 上传文件后查看文件存放在什么位置

   • 查看HDFS文件存储路径

     /opt/module/hadoop-3.3.0/data/tmp/dfs/data/current/BP-2085468967-192.168.234.128-1597147522835/current/finalized/subdir0/subdir0
     

   • 查看HDFS在磁盘存储文件内容

     [root@hadoop3 subdir0]# cat blk_1073741827
     tianyi huichao lihua
     zhangchen xiaoheng
     xinbo xinbo
     gaoyang gaoyang yanjing yanjing
     

   
   

集群启动停止方式总结

各个服务组件逐一启动/停止

1. 分别启动/停止HDFS组件

   hadoop-daemon.sh  start / stop  namenode / datanode / secondarynamenode
   

2. 启动/停止YARN

   yarn-daemon.sh  start / stop  resourcemanager / nodemanager
   

各个模块分开启动/停止（配置ssh是前提）常用

1. 整体启动/停止HDFS

   start-dfs.sh   /  stop-dfs.sh
   

2. 整体启动/停止YARN

   start-yarn.sh  /  stop-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)

1. 检查ntp是否安装

   rpm -qa|grep ntp
   

   没安装的话，安装一下就是了

   yum install ntp
   

2. 修改ntp配置文件

   vi /etc/ntp.conf
   

   修改内容如下

   • 修改1（授权192.168.1.0-192.168.1.255(看清楚自己的网段)网段上的所有机器可以从这台机器上查询和同步时间）

     # Hosts on local network are less restricted.
     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）

     # Use public servers from the pool.ntp.org project.
     # Please consider joining the pool (http://www.pool.ntp.org/join.html).
     #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
     

3. 修改/etc/sysconfig/ntpd 文件

   vim /etc/sysconfig/ntpd
   

   增加内容如下（让硬件时间与系统时间一起同步）

   SYNC_HWCLOCK=yes
   

4. 重新启动ntpd服务

   service ntpd restart
   

5. 设置ntpd服务开机启动

   chkconfig ntpd on
   

其他机器配置（必须root用户）

1. 在其他机器配置10分钟与时间服务器同步一次

   crontab -e
   

   编写定时任务如下

   */10 * * * * /usr/sbin/ntpdate hadoop2
   

2. 修改任意机器时间

   date -s "2017-9-11 11:11:11"
   

   查看时间

   [root@hadoop3 subdir0]# date
   2018年 11月 11日 星期日 11:11:26 CST
   

3. 十分钟后查看机器是否与时间服务器同步

   [root@hadoop3 subdir0]# date
   2020年 08月 12日 星期三 11:20:08 CST
   

测试的时候可以将10分钟调整为1分钟，节省时间。

HDFS概述

HDFS产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。

HDFS定义

HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

HDFA优缺点

优点

1. 高容错性

   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。

   

   某一个副本丢失以后，它可以自动恢复。

   

2. 适合处理大数据

   • 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
   • 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。

3. 可构建在廉价机器上，通过多副本机制，提高可靠性。

缺点

1. 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

2. 无法高效的对大量小文件进行存储

   • 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
   • 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

3. 不支持并发写入、文件随机修改

   • 一个文件只能有一个写，不允许多个线程同时写

   • 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

   • 管理HDFS的名称空间
   • 配置副本策略
   • 管理数据块（Block）映射信息
   • 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

   • 存储实际的数据块
   • 执行数据块的读/写操作

3. Client：就是客户端

   • 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
   • 与NameNode交互，获取文件的位置信息
   • 与DataNode交互，读取或者写入数据
   • Client提供一些命令来管理HDFS，比如NameNode格式化
   • 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

   • 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
   • 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

HDFS文件块大小

思考：为什么块的大小不能设置太小，也不能设置太大？

1. HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置
2. 如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。

总结：HDFS块的大小设置主要取决于磁盘传输速率

HDFS的Shell操作(开发重点)

基本语法

• hadoop fs 具体命令
• bin/hdfs dfs 具体命令

 dfs是fs的实现类

命令大全

[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs

[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] <localsrc> ... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] <path> ...]
[-cp [-f] [-p] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] <path> ...]
[-expunge]
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd ...]]
[-ls [-d] [-h] [-R] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touchz <path> ...]
[-usage [cmd ...]]

常用命令实操

1. 启动Hadoop集群（方便后续的测试）

   [atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
   [atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh
   

2. -help：输出这个命令参数

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -help rm
   

3. -ls: 显示目录信息

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -ls /
   

4. -mkdir：在HDFS上创建目录

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mkdir -p /sanguo/shuguo
   

5. -moveFromLocal：从本地剪切粘贴到HDFS

   [atguigu@hadoop102 hadoop-2.7.2]$ touch kongming.txt
   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs  -moveFromLocal  ./kongming.txt  /sanguo/shuguo
   

6. -appendToFile：追加一个文件到已经存在的文件末尾

   [atguigu@hadoop102 hadoop-2.7.2]$ touch liubei.txt
   [atguigu@hadoop102 hadoop-2.7.2]$ vi liubei.txt
   输入
   san gu mao lu
   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -appendToFile liubei.txt /sanguo/shuguo/kongming.txt
   

7. -cat：显示文件内容

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -cat /sanguo/shuguo/kongming.txt
   

8. -chgrp 、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs  -chmod  666  /sanguo/shuguo/kongming.txt
   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs  -chown  atguigu:atguigu  /sanguo/shuguo/kongming.txt
   

9. -copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去

   [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -copyFromLocal README.txt /
   

10. -copyToLocal：从HDFS拷贝到本地

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -copyToLocal /sanguo/shuguo/kongming.txt ./
    

11. -cp ：从HDFS的一个路径拷贝到HDFS的另一个路径

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -cp /sanguo/shuguo/kongming.txt /zhuge.txt
    

12. -mv：在HDFS目录中移动文件

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mv /zhuge.txt /sanguo/shuguo/
    

13. -get：等同于copyToLocal，就是从HDFS下载文件到本地

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -get /sanguo/shuguo/kongming.txt ./
    

14. -getmerge：合并下载多个文件，比如HDFS的目录 /user/atguigu/test下有多个文件:log.1, log.2,log.3,…

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -getmerge /user/atguigu/test/* ./zaiyiqi.txt
    

15. -put：等同于copyFromLocal

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -put ./zaiyiqi.txt /user/atguigu/test/
    

16. -tail：显示一个文件的末尾

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -tail /sanguo/shuguo/kongming.txt
    

17. -rm：删除文件或文件夹

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -rm /user/atguigu/test/jinlian2.txt
    

18. -rmdir：删除空目录

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mkdir /test
    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -rmdir /test
    

19. -du统计文件夹的大小信息

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -du -s -h /user/atguigu/test
    2.7 K  /user/atguigu/test
    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -du  -h /user/atguigu/test
    1.3 K  /user/atguigu/test/README.txt
    15   /user/atguigu/test/jinlian.txt
    1.4 K  /user/atguigu/test/zaiyiqi.txt
    

20. -setrep：设置HDFS中文件的副本数量

    [atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -setrep 10 /sanguo/shuguo/kongming.txt
    

    

    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10台时，副本数才能达到10。

21. 查看情况

    hadoop dfsadmin -report
    

HDFS客户端操作(开发重点)

导入依赖

<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>3.3.0</version>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>3.3.0</version>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>3.3.0</version>
        </dependency>
    </dependencies>

测试

public class HDFSClient {

    public static void main(String[] args) {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://hadoop01:9000");
        System.setProperty("HADOOP_USER_NAME","root");


        FileSystem fs = null;
        try {
            //1.获取hdfs客户端对象
            fs = FileSystem.get(conf);

            //2.在hdfs上创建路径
            fs.removeAcl(new Path("/0529/dashen"));
        } catch (IOException e) {
            e.printStackTrace();
        }finally {
            //3.关闭资源
            if(null!=fs) {
                try {
                    fs.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        System.out.println("over");
    }
}

注意设置用户名

System.setProperty("HADOOP_USER_NAME","root");

或者配置VM参数

-DHADOOP_USER_NAME=root

又或者直接(推荐哦)

Configuration conf = new Configuration();
fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

HDFS的API操作

HDFS文件上传（测试参数优先级）

public class TestCopyFromLocalFile {
    @Test
    public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {

        // 1 获取文件系统
        Configuration configuration = new Configuration();
        configuration.set("dfs.replication", "2");

        FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), configuration, "root");

        // 2 上传文件
        fs.copyFromLocalFile(new Path("F:\\Animation\\2.txt"), new Path("/2.txt"));

        // 3 关闭资源
        fs.close();

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

将hdfs-site.xml拷贝到项目的根目录下

<?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>

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.获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

//2.下载操作
fs.copyToLocalFile(new Path("/0529/dashen/test01.txt"),new Path("F:\\Animation\\3.txt"));

//3.关闭资源
fs.close();

HDFS文件夹删除

//1. 获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

//2. 删除操作
fs.delete(new Path("/2.txt"),true);

//3. 关闭资源
fs.close();

HDFS文件名更改

public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException {
    //1.获取对象
    Configuration conf = new Configuration();
    FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

    //2.修改名称操作
    fs.rename(new Path("/0529/dashen/test01.txt"), new Path("/0529/dashen/3.txt"));

    //3.关闭资源
    fs.close();
}

HDFS文件详情查看

查看文件名称、权限、长度、块信息

//1.获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

//2.查看详情
RemoteIterator<LocatedFileStatus> iterator = fs.listFiles(new Path("/"), true);
while(iterator.hasNext()){
    LocatedFileStatus fileStatus = iterator.next();

    //查看文件名称，权限，长度
    System.out.println(fileStatus.getPath().getName());
    System.out.println(fileStatus.getPermission());
    System.out.println(fileStatus.getLen());
    //块信息
    BlockLocation[] blockLocations = fileStatus.getBlockLocations();
    for (BlockLocation blockLocation : blockLocations) {
        String[] hosts = blockLocation.getHosts();
        for (String host : hosts) {
            System.out.println(host);
        }
    }
    System.out.println("---------------------");
}

//3.关闭资源
fs.close();

HDFS文件和文件夹判断

//1.获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");


//2.判断操作
FileStatus[] fileStatuses = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : fileStatuses) {
    //判断是否是文件
    if (fileStatus.isFile()){
        //文件
        System.out.println("f:"+fileStatus.getPath().getName());
    }else{
        //文件夹
        System.out.println("d:"+fileStatus.getPath().getName());
    }
}

//3.关闭资源
fs.close();

HDFS的I/O流操作

上面我们学的API操作HDFS系统都是框架封装好的。那么如果我们想自己实现上述API的操作该怎么实现呢？

我们可以采用IO流的方式实现数据的上传和下载。

HDFS文件上传

//1.获取对象
Configuration conf =  new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

//2.获取输入流
FileInputStream fis = new FileInputStream(new File("F:\\Animation\\2.txt"));

//3.获取输出流
FSDataOutputStream fos = fs.create(new Path("/0529/dashen/4.txt"));

//4.流的对接
IOUtils.copyBytes(fis,fos,conf);

//5.关闭资源
IOUtils.closeStreams(fos,fis);
fs.close();

HDFS文件下载

//1.获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs:hadoop01:9000"), conf, "root");

//2.获取输入流
FSDataInputStream fis = fs.open(new Path("/0529/dashen/4.txt"));

//3.获取输出流
FileOutputStream fos = new FileOutputStream(new File("F:\\Animation\\3.txt"));

//4.流的对接
IOUtils.copyBytes(fis,fos,conf);

//5.关闭资源
IOUtils.closeStreams(fos,fis);
fs.close();

HDFS循环(定位)读取

//1.获取对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop01:9000"), conf, "root");

//2.获取输入流
FSDataInputStream fis = fs.open(new Path("/0529/dashen/hadoop-3.3.0.tar.gz"));

//3.获取输出流
FileOutputStream fos = new FileOutputStream(new File("F:\\Animation\\hadoop-3.3.0.tar.gz.a"));

 //定位服务
//        fis.seek(1024*1024*128);

//4.流的拷贝
byte[] buf = new byte[1024];
int len;
while((len = fis.read(buf))!=-1){
    fos.write(buf);
}

//5.关闭资源
IOUtils.closeStreams(fos,fis);
fs.close();

HDFS的数据流(面试重点)

HDFS写数据流程

剖析文件写入

HDFS写数据流程，如图

1. 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。

2. NameNode返回是否可以上传。

3. 客户端请求第一个 Block上传到哪几个DataNode服务器上。

4. NameNode返回3个DataNode节点，分别为dn1、dn2、dn3。

5. 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。

6. dn1、dn2、dn3逐级应答客户端。

7. 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。

8. 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。那么这个最近距离怎么计算呢？

节点距离：两个节点到达最近的共同祖先的距离总和。

• Distance(/d1/r1/n0, /d1/r1/n0)=0（同一节点上的进程）
• Distance(/d1/r1/n1, /d1/r1/n2)=2（同一机架上的不同节点）
• Distance(/d1/r2/n0, /d1/r3/n2)=4（同一数据中心不同机架上的节点）
• Distance(/d1/r2/n1, /d2/r4/n1)=6（不同数据中心的节点）

机架感知（副本存储节点选择)

机架感知说明

For the common case, when the replication factor is three, HDFS’s placement policy is to put one replica on the local machine if the writer is on a datanode, otherwise on a random datanode in the same rack as that of the writer, another replica on a node in a different (remote) rack, and the last on a different node in the same remote rack.

1. 第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个。
2. 第二个副本和第一个副本位于相同机架，随机节点。
3. 第三个副本位于不同机架，随机节点。

HDFS读数据流程

1. 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。
2. 挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
3. 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）。
4. 客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

NameNode和SecondaryNameNode(面试开发重点)

NN和2NN工作机制

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(镜像文件)和Edits(编辑日志)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。

1. 第一阶段：NameNode启动

   • 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。
   • 客户端对元数据进行增删改的请求。
   • NameNode记录操作日志，更新滚动日志。
   • NameNode在内存中对数据进行增删改。

2. 第二阶段：Secondary NameNode工作

   • Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。
   • Secondary NameNode请求执行CheckPoint。
   • NameNode滚动正在写的Edits日志。
   • 将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。
   • Secondary NameNode加载编辑日志和镜像文件到内存，并合并。
   • 生成新的镜像文件fsimage.chkpoint。
   • 拷贝fsimage.chkpoint到NameNode。
   • 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

概念

NameNode被格式化之后，将在/home/jiang/big_date/hadoop-3.3.0/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. seen_txid文件保存的是一个数字，就是最后一个edits_的数字
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

   oev                  apply the offline edits viewer to an edits file
   oiv                  apply the offline fsimage viewer to an fsimage
   

2. 基本语法

   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

   hdfs oiv -p XML -i fsimage_0000000000000000000 -o fsimage.xml
   

   查看fsimage.xml文件

   <?xml version="1.0"?>
   <fsimage>
       <version>
           <layoutVersion>-65</layoutVersion>
           <onDiskVersion>1</onDiskVersion>
           <oivRevision>aa96f1871bfd858f9bac59cf2a81ec470da649af</oivRevision>
       </version>
       <NameSection>
           <namespaceId>447871576</namespaceId>
           <genstampV1>1000</genstampV1>
           <genstampV2>1057</genstampV2>
           <genstampV1Limit>0</genstampV1Limit>
           <lastAllocatedBlockId>1073741880</lastAllocatedBlockId>
           <txid>479</txid>
       </NameSection>
       <ErasureCodingSection>
           <erasureCodingPolicy>
               <policyId>1</policyId>
               <policyName>RS-6-3-1024k</policyName>
               <cellSize>1048576</cellSize>
               <policyState>DISABLED</policyState>
               <ecSchema>
                   <codecName>rs</codecName>
                   <dataUnits>6</dataUnits>
                   <parityUnits>3</parityUnits>
               </ecSchema>
           </erasureCodingPolicy>
   
           <erasureCodingPolicy>
               <policyId>2</policyId>
               <policyName>RS-3-2-1024k</policyName>
               <cellSize>1048576</cellSize>
               <policyState>DISABLED</policyState>
               <ecSchema>
                   <codecName>rs</codecName>
                   <dataUnits>3</dataUnits>
                   <parityUnits>2</parityUnits>
               </ecSchema>
           </erasureCodingPolicy>
   
           <erasureCodingPolicy>
               <policyId>3</policyId>
               <policyName>RS-LEGACY-6-3-1024k</policyName>
               <cellSize>1048576</cellSize>
               <policyState>DISABLED</policyState>
               <ecSchema>
                   <codecName>rs-legacy</codecName>
                   <dataUnits>6</dataUnits>
                   <parityUnits>3</parityUnits>
               </ecSchema>
           </erasureCodingPolicy>
   
           <erasureCodingPolicy>
               <policyId>4</policyId>
               <policyName>XOR-2-1-1024k</policyName>
               <cellSize>1048576</cellSize>
               <policyState>DISABLED</policyState>
               <ecSchema>
                   <codecName>xor</codecName>
                   <dataUnits>2</dataUnits>
                   <parityUnits>1</parityUnits>
               </ecSchema>
           </erasureCodingPolicy>
   
           <erasureCodingPolicy>
               <policyId>5</policyId>
               <policyName>RS-10-4-1024k</policyName>
               <cellSize>1048576</cellSize>
               <policyState>DISABLED</policyState>
               <ecSchema>
                   <codecName>rs</codecName>
                   <dataUnits>10</dataUnits>
                   <parityUnits>4</parityUnits>
               </ecSchema>
           </erasureCodingPolicy>
   
       </ErasureCodingSection>
   
       <INodeSection>
           <lastInodeId>16502</lastInodeId>
           <numInodes>74</numInodes>
           <inode>
               <id>16385</id>
               <type>DIRECTORY</type>
               <name></name>
               <mtime>1597065040092</mtime>
               <permission>root:supergroup:0755</permission>
               <nsquota>9223372036854775807</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16386</id>
               <type>DIRECTORY</type>
               <name>usr</name>
               <mtime>1597034301849</mtime>
               <permission>root:supergroup:0755</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16387</id>
               <type>DIRECTORY</type>
               <name>big_data</name>
               <mtime>1597034301850</mtime>
               <permission>root:supergroup:0755</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16388</id>
               <type>DIRECTORY</type>
               <name>test01</name>
               <mtime>1597073451733</mtime>
               <permission>root:supergroup:0755</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16389</id>
               <type>DIRECTORY</type>
               <name>input</name>
               <mtime>1597052309871</mtime>
               <permission>root:supergroup:0755</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16390</id>
               <type>FILE</type>
               <name>wc.input</name>
               <replication>1</replication>
               <mtime>1597052309854</mtime>
               <atime>1597072503572</atime>
               <preferredBlockSize>134217728</preferredBlockSize>
               <permission>root:supergroup:0644</permission>
               <blocks>
                   <block>
                       <id>1073741825</id>
                       <genstamp>1001</genstamp>
                       <numBytes>84</numBytes>
                   </block>
               </blocks>
               <storagePolicyId>0</storagePolicyId>
           </inode>
           <inode>
               <id>16398</id>
               <type>DIRECTORY</type>
               <name>tmp</name>
               <mtime>1597072487141</mtime>
               <permission>root:supergroup:0700</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16399</id>
               <type>DIRECTORY</type>
               <name>hadoop-yarn</name>
               <mtime>1597065040093</mtime>
               <permission>root:supergroup:0700</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16400</id>
               <type>DIRECTORY</type>
               <name>staging</name>
               <mtime>1597066513555</mtime>
               <permission>root:supergroup:0700</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16401</id>
               <type>DIRECTORY</type>
               <name>root</name>
               <mtime>1597065040093</mtime>
               <permission>root:supergroup:0700</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16402</id>
               <type>DIRECTORY</type>
               <name>.staging</name>
               <mtime>1597073465726</mtime>
               <permission>root:supergroup:0700</permission>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16403</id>
               <type>DIRECTORY</type>
               <name>job_1597060619065_0001</name>
               <mtime>1597065041888</mtime>
               <permission>root:supergroup:0700</permission>
               <xattrs>
                   <xattr>
                       <ns>SYSTEM</ns>
                       <name>hdfs.erasurecoding.policy</name>
                       <val>\0000;\0000;\0000;\000b;replication</val>
                   </xattr>
               </xattrs>
               <nsquota>-1</nsquota>
               <dsquota>-1</dsquota>
           </inode>
           <inode>
               <id>16404</id>
               <type>FILE</type>
               <name>job.jar</name>
               <replication>10</replication>
               <mtime>1597065041263</mtime>
               <atime>1597065040692</atime>
               <preferredBlockSize>134217728</preferredBlockSize>
               <permission>root:supergroup:0644</permission>
               <blocks>
                   <block>
                       <id>1073741827</id>
                       <genstamp>1003</genstamp>
                       <numBytes>281272</numBytes>
                   </block>
               </blocks>
               <storagePolicyId>0</storagePolicyId>
           </inode>
           <inode>
               <id>16405</id>
               <type>FILE</type>
               <name>job.split</name>
               <replication>10</replication>
               <mtime>1597065041429</mtime>
               <atime>1597065041390</atime>
               <preferredBlockSize>134217728</preferredBlockSize>
               <permission>root:supergroup:0644</permission>
               <blocks>
                   <block>
                       <id>1073741828</id>
                       <genstamp>1004</genstamp>
                       <numBytes>128</numBytes>
                   </block>
               </blocks>
   

   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

   hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径
   

2. 案例实操

   hdfs oev -p xml -i edits_0000000000000000480-0000000000000000481 -o edits.xml 
   

   查看edits.xml文件(以下为一个上传操作)

   <?xml version="1.0" encoding="UTF-8"?>
   <EDITS>
       <EDITS_VERSION>-63</EDITS_VERSION>
       <RECORD>
           <OPCODE>OP_START_LOG_SEGMENT</OPCODE>
           <DATA>
               <TXID>129</TXID>
           </DATA>
       </RECORD>
       <RECORD>
           <OPCODE>OP_ADD</OPCODE>
           <DATA>
               <TXID>130</TXID>
               <LENGTH>0</LENGTH>
               <INODEID>16407</INODEID>
               <PATH>/hello7.txt</PATH>
               <REPLICATION>2</REPLICATION>
               <MTIME>1512943607866</MTIME>
               <ATIME>1512943607866</ATIME>
               <BLOCKSIZE>134217728</BLOCKSIZE>
               <CLIENT_NAME>DFSClient_NONMAPREDUCE_-1544295051_1</CLIENT_NAME>
               <CLIENT_MACHINE>192.168.1.5</CLIENT_MACHINE>
               <OVERWRITE>true</OVERWRITE>
               <PERMISSION_STATUS>
                   <USERNAME>atguigu</USERNAME>
                   <GROUPNAME>supergroup</GROUPNAME>
                   <MODE>420</MODE>
               </PERMISSION_STATUS>
               <RPC_CLIENTID>908eafd4-9aec-4288-96f1-e8011d181561</RPC_CLIENTID>
               <RPC_CALLID>0</RPC_CALLID>
           </DATA>
       </RECORD>
       <RECORD>
           <OPCODE>OP_ALLOCATE_BLOCK_ID</OPCODE>
           <DATA>
               <TXID>131</TXID>
               <BLOCK_ID>1073741839</BLOCK_ID>
           </DATA>
       </RECORD>
       <RECORD>
           <OPCODE>OP_SET_GENSTAMP_V2</OPCODE>
           <DATA>
               <TXID>132</TXID>
               <GENSTAMPV2>1016</GENSTAMPV2>
           </DATA>
       </RECORD>
       <RECORD>
           <OPCODE>OP_ADD_BLOCK</OPCODE>
           <DATA>
               <TXID>133</TXID>
               <PATH>/hello7.txt</PATH>
               <BLOCK>
                   <BLOCK_ID>1073741839</BLOCK_ID>
                   <NUM_BYTES>0</NUM_BYTES>
                   <GENSTAMP>1016</GENSTAMP>
               </BLOCK>
               <RPC_CLIENTID></RPC_CLIENTID>
               <RPC_CALLID>-2</RPC_CALLID>
           </DATA>
       </RECORD>
       <RECORD>
           <OPCODE>OP_CLOSE</OPCODE>
           <DATA>
               <TXID>134</TXID>
               <LENGTH>0</LENGTH>
               <INODEID>0</INODEID>
               <PATH>/hello7.txt</PATH>
               <REPLICATION>2</REPLICATION>
               <MTIME>1512943608761</MTIME>
               <ATIME>1512943607866</ATIME>
               <BLOCKSIZE>134217728</BLOCKSIZE>
               <CLIENT_NAME></CLIENT_NAME>
               <CLIENT_MACHINE></CLIENT_MACHINE>
               <OVERWRITE>false</OVERWRITE>
               <BLOCK>
                   <BLOCK_ID>1073741839</BLOCK_ID>
                   <NUM_BYTES>25</NUM_BYTES>
                   <GENSTAMP>1016</GENSTAMP>
               </BLOCK>
               <PERMISSION_STATUS>
                   <USERNAME>atguigu</USERNAME>
                   <GROUPNAME>supergroup</GROUPNAME>
                   <MODE>420</MODE>
               </PERMISSION_STATUS>
           </DATA>
       </RECORD>
   </EDITS >
   

   
   

   思考：NameNode如何确定下次开机启动的时候合并哪些Edits？

CheckPoint时间设置

1. 通常情况下，SecondaryNameNode每隔一小时执行一次

   hdfs-default.xml

   <property>
       <name>dfs.namenode.checkpoint.period</name>
       <value>3600</value>
   </property>
   

2. 一分钟检查一次操作次数，当操作次数达到1百万时，SecondaryNameNode执行一次

   <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

1. kill -9 NameNode进程

2. 删除NameNode存储的数据(/home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/name)

   rm -rf /home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/name/*
   

3. 拷贝SecondaryNameNode中数据到原NameNode存储数据目录

   [root@hadoop2 name]  scp -r root@hadoop4:/home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/namesecondary/* ./name/
   

4. 重新启动NameNode

   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

1. 修改hdfs-site.xml中的

<property>
    <name>dfs.namenode.checkpoint.period</name>
    <value>120</value>
</property>

<property>
    <name>dfs.namenode.name.dir</name>
    <value>/home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/name</value>
</property>

2. kill -9 NameNode进程

3. 删除NameNode存储的数据(/home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/name)

   [root@hadoop2 dfs] rm -rf /home/jiang/big_date/hadoop-3.3.0/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

   [root@hadoop2 dfs]  scp -r root@hadoop4:/home/jiang/big_date/hadoop-3.3.0/data/tmp/dfs/namesecondary/* ./
   
   [root@hadoop4 namesecondary]  rm -rf in_use.lock
   
   [root@hadoop2 dfs] ls
   data  name  namesecondary
   

5. 导入检查点数据（等待一会ctrl+c结束掉）

   [root@hadoop2 dfs] bin/hdfs namenode -importCheckpoint
   

6. 启动NameNode

   [root@hadoop2 dfs] sbin/hadoop-daemon.sh start namenode
   

   
   

集群安全模式（重点）

概述

NameNode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。

DataNode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。

安全模式退出判断

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. bin/hdfs dfsadmin -safemode get （功能描述：查看安全模式状态）
2. bin/hdfs dfsadmin -safemode enter （功能描述：进入安全模式状态）
3. bin/hdfs dfsadmin -safemode leave （功能描述：离开安全模式状态）
4. bin/hdfs dfsadmin -safemode wait （功能描述：等待安全模式状态,等待安全模式离开,期间处于阻塞状态）

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

   1. 在hdfs-site.xml文件中增加如下内容

      <property>
          <name>dfs.namenode.name.dir</name>
          <value>file:///${hadoop.tmp.dir}/dfs/name1,file:///${hadoop.tmp.dir}/dfs/name2</value>
      </property>
      

   2. 停止集群，删除data和logs中所有数据

      rm -rf data/ logs/
      

3. 格式化集群并启动

   bin/hdfs namenode –format
   sbin/start-dfs.sh
   

   4. 查看结果

      ls
      

   data name1 name2

DataNode(面试开发重点)

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。
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。
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。
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，如图所示：

   

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。

<property>
    <name>dfs.namenode.heartbeat.recheck-interval</name>
    <value>300000</value>
</property>
<property>
    <name>dfs.heartbeat.interval</name>
    <value>3s</value>
</property>

服役新数据节点

1. 需求

   随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据的需求，需要在原有集群基础上动态添加新的数据节点。

2. 环境准备

   1. 在hadoop4主机上再克隆一台hadoop5主机
   2. 修改IP地址和主机名称
   3. 删除原来HDFS文件系统留存的文件（/opt/module/hadoop-3.3.0/data和log）
   4. source一下配置文件

3. 服役新节点具体步骤

   1. 直接启动DataNode和NodeManager，即可关联到集群

      [root@hadoop5 hadoop-3.3.0] sbin/hadoop-daemon.sh start datanode
      [root@hadoop5 hadoop-3.3.0] sbin/yarn-daemon.sh start nodemanager
      

   2. 在hadoop5上上传文件

      [root@hadoop5 hadoop-3.3.0] hadoop fs -put /home/jiang/big_date/hadoop-3.3.0/LICENSE.txt /
      

   3. 如果数据不均衡，可以用命令实现集群的再平衡

      [root@hadoop2 hadoop-3.3.0] sbin/start-balancer.sh
      

   
   

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：

1. 在NameNode的/home/jiang/big_date/hadoop-3.3.0下创建一个dfs.hosts文件

   添加如下主机名称（不添加hadoop5）

   hadoop2
   hadoop3
   hadoop4
   

2. 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts属性

   <property>
       <name>dfs.hosts</name>
       <value>/home/jiang/big_date/hadoop-3.3.0/dfs.hosts</value>
   </property>
   

3. 配置文件分发

   xsync hdfs-site.xml
   

4. 刷新NameNode

   hdfs dfsadmin -refreshNodes
   

5. 更新ResourceManager节点

   yarn rmadmin -refreshNodes
   

6. 在web浏览器上查看

7. 如果数据不均衡，可以用命令实现集群的再平衡

   sbin/start-balancer.sh
   

   
   

黑名单退役

在黑名单上面的主机都会被强制退出

1. 在NameNode的/home/jiang/big_date/hadoop-3.3.0创建dfs.hosts.exclude文件

   添加如下主机名称（要退役的节点）

   hadoop5
   

2. 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts.exclude属性

   <property>
       <name>dfs.hosts.exclude</name>
       <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts.exclude</value>
   </property>
   

3. 配置文件分发

   xsync hdfs-site.xml
   

4. 刷新NameNode

   hdfs dfsadmin -refreshNodes
   

5. 更新ResourceManager节点

   yarn rmadmin -refreshNodes
   

6. 在web浏览器上查看,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

   

7. 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

   

8. 如果数据不均衡，可以用命令实现集群的再平衡

sbin/start-balancer.sh

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. 具体配置如下

   hdfs-site.xml中

   <property>
       <name>dfs.datanode.data.dir</name>
       <value>file:///${hadoop.tmp.dir}/dfs/data1,file:///${hadoop.tmp.dir}/dfs/data2</value>
   </property>
   

   
   

HDFS新特性

集群间数据拷贝

1. scp实现两个远程主机之间的文件复制

   • scp -r hello.txt root@hadoop103:/user/atguigu/hello.txt // 推 push
   • scp -r [root@hadoop103:/user/atguigu/hello.txt hello.txt](mailto:root@hadoop103:/user/atguigu/hello.txt hello.txt) // 拉 pull
   • scp -r root@hadoop103:/user/atguigu/hello.txt root@hadoop104:/user/atguigu //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。

2. 采用distcp命令实现两个Hadoop集群之间的递归数据复制

   hadoop distcp hdfs://haoop102:9000/user/atguigu/hello.txt hdfs://hadoop103:9000/user/atguigu/hello.txt
   

小文件存档

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，但是会占用NameNode的150b内存。

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。

案例实操

1. 需要启动YARN进程

   start-yarn.sh
   

2. 归档文件

   把/0529/dashen/input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/0529/dashen/output路径下。

   hadoop archive -archiveName input.har –p  /0529/dashen/input   /0529/dashen/output
   

3. 查看归档

   hadoop fs -lsr / /0529/dashen/output/input.har
   

4. 解归档文件

   hadoop fs -cp har:///0529/dashen/output/input.har/*    /0529/dashen/input2
   

   
   

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。

回收站参数设置及工作机制

开启回收站功能参数说明

1. 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

2. 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

3. 要求fs.trash.checkpoint.interval<=fs.trash.interval

回收站工作机制

操作

1. 启用回收站

   修改core-site.xml，配置垃圾回收时间为1分钟

   <property>
       <name>fs.trash.interval</name>
       <value>1</value>
   </property>
   

2. 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atguigu用户

   core-site.xml

   <property>
       <name>hadoop.http.staticuser.user</name>
       <value>atguigu</value>
   </property>
   

3. 查看回收站

   回收站在集群中的路径：/user/atguigu/.Trash/….

4. 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

   Trash trash = New Trash(conf);
   trash.moveToTrash(path);
   

5. 恢复回收站数据

   hadoop fs -mv
   /user/atguigu/.Trash/Current/user/atguigu/input    /user/atguigu/input
   

6. 清空回收站

   hadoop fs -expunge
   

   
   

快照管理

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

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
2. 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）
3. hdfs dfs -createSnapshot 路径 （功能描述：对目录创建快照）
4. hdfs dfs -createSnapshot 路径 名称 （功能描述：指定名称创建快照）
5. hdfs dfs -renameSnapshot 路径 旧名称 新名称 （功能描述：重命名快照）
6. hdfs lsSnapshottableDir （功能描述：列出当前用户所有可快照目录）
7. 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）
8. hdfs dfs -deleteSnapshot （功能描述：删除快照）

案例实操

1. 开启/禁用指定目录的快照功能

   hdfs dfsadmin -allowSnapshot /user/atguigu/input
   

2. 对目录创建快照

   hdfs dfs -createSnapshot /user/atguigu/input
   

3. 指定名称创建快照

   hdfs dfs -createSnapshot /user/atguigu/input  miao170508
   

4. 重命名快照

   hdfs dfs -renameSnapshot /user/atguigu/input/  miao170508 atguigu170508
   

5. 列出当前用户所有可快照目录

    hdfs lsSnapshottableDir
   

6. 比较两个快照目录的不同之处

   hdfs snapshotDiff /user/atguigu/input/  .  .snapshot/atguigu170508	
   

7. 恢复快照

   hdfs dfs -cp  /user/atguigu/input/.snapshot/s20170708-134303.027 /user
   

MapReduce介绍

MapReduce定义

MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架

MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上

MapReduce的优缺点

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：

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

官方WordCount源码

采用反编译工具反编译源码，发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型

常用数据序列化类型

MapReduce编程规范

用户编写的程序分成三个部分：Mapper、Reducer和Driver

Mapper阶段

1. 用户自定义的Mapper要继承自己的父类
2. Mapper的输入数据是KV对的形式（KV的类型可自定义）
3. Mapper中的业务逻辑写在map()方法中
4. Mapper的输出数据是KV对的形式（KV的类型可自定义）
5. map()方法（MapTask进程）对每一个<K,V>调用一次

Reducer阶段

1. 用户自定义的Reducer要继承自己的父类
2. Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
3. Reducer的业务逻辑写在reduce()方法中
4. ReduceTask进程对每一组相同k的<k,v>组调用一次reduce()方法

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

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

需求分析

按照MapReduce编程规范，分别编写Mapper，Reducer，Driver

依赖

<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>3.3.0</version>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>3.3.0</version>
</dependency>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-hdfs</artifactId>
    <version>3.3.0</version>
</dependency>

日志

在项目的resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。

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

Mapper

package mapreduce.workcount;

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;

/**
 * @author codekiller
 * @date 2020/8/14 21:34
 * @Description 字数统计
 * public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
 *     KEYIN: 输入数据的key类型
 *     VALUEIN: 输入数据的value类型
 *     KEYOUT：输出数据的key类型
 *     VALUEOUT：输出数据的value类型
 */
public class WordCountMapper extends Mapper<LongWritable, Text,Text,IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

        //切分单词
        String[] words = line.split(" ");

        //循环写出
        for (String word : words) {
            Text k = new Text();
            k.set(word);
            IntWritable v = new IntWritable();
            v.set(1);

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

Reducer

package mapreduce.workcount;

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

/**
 * @author codekiller
 * @date 2020/8/14 21:51
 * @Description 字数统计
 */
public class WordCountReduce extends Reducer<Text,IntWritable, Text,IntWritable> {

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;

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

        IntWritable v= new IntWritable();
        v.set(sum);
        //写出
        context.write(key,v);
    }
}

Driver

package mapreduce.workcount;

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;

/**
 * @author codekiller
 * @date 2020/8/14 21:58
 * @Description 字数统计
 */
public class WordCountDriver  {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration();

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

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

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

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

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

        //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]));

        //调教job
        //job.submit();
        boolean result = job.waitForCompletion(true);

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

本地运行

wordcount.txt数据

atguigu atguigu
ss ss
cls cls
jiao
banzhang
xue
hadoop
banzhang

设置参数

运行，查看结果

集群运行

1. 打包插件

<build>
    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-compiler-plugin</artifactId>
            <configuration>
                <source>7</source>
                <target>7</target>
            </configuration>
        </plugin>
        <plugin>
            <artifactId>maven-assembly-plugin</artifactId>
            <configuration>
                <descriptorRefs>
                    <descriptorRef>jar-with-dependencies</descriptorRef>
                </descriptorRefs>
                <archive>
                    <manifest>
                        <mainClass>mapreduce.workcount.WordCountDriver</mainClass>
                    </manifest>
                </archive>
            </configuration>
            <executions>
                <execution>
                    <id>make-assembly</id>
                    <phase>package</phase>
                    <goals>
                        <goal>single</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

注意：mainClass的部分需要替换为自己工程主类

2. 将程序打成jar包，然后拷贝到Hadoop集群中

3. 执行WordCount程序

   hadoop jar wc.jar mapreduce.workcount.WordCountDriver /0529/dashen/input  /0529/dashen/output
   

Hadoop序列化

什么是序列化

序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输

反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。

为什么要序列化

一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。

为什么不用Java的序列化

Java的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，Hadoop自己开发了一套序列化机制（Writable）。

Hadoop序列化特点：

1. 紧凑 ：高效使用存储空间
2. 快速：读写数据的额外开销小
3. 可扩展：随着通信协议的升级而可升级
4. 互操作：支持多语言的交互

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

具体实现bean对象序列化步骤如下7步。

1. 必须实现Writable接口

2. 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

   public FlowBean() {
   	super();
   }
   

3. 重写序列化方法

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

4. 重写反序列化方法

   @Override
   public void readFields(DataInput in) throws IOException {
   	upFlow = in.readLong();
   	downFlow = in.readLong();
   	sumFlow = in.readLong();
   }
   

5. 注意反序列化的顺序和序列化的顺序完全一致

6. 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

7. 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。详见后面排序案例

   @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

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

输入数据

1	13736230513	192.196.100.1	www.atguigu.com	2481	24681	200
2	13846544121	192.196.100.2			264	0	200
3 	13956435636	192.196.100.3			132	1512	200
4 	13966251146	192.168.100.1			240	0	404
5 	18271575951	192.168.100.2	www.atguigu.com	1527	2106	200
6 	84188413	192.168.100.3	www.atguigu.com	4116	1432	200
7 	13590439668	192.168.100.4			1116	954	200
8 	15910133277	192.168.100.5	www.hao123.com	3156	2936	200
9 	13729199489	192.168.100.6			240	0	200
10 	13630577991	192.168.100.7	www.shouhu.com	6960	690	200
11 	15043685818	192.168.100.8	www.baidu.com	3659	3538	200
12 	15959002129	192.168.100.9	www.atguigu.com	1938	180	500
13 	13560439638	192.168.100.10			918	4938	200
14 	13470253144	192.168.100.11			180	180	200
15 	13682846555	192.168.100.12	www.qq.com	1938	2910	200
16 	13992314666	192.168.100.13	www.gaga.com	3008	3720	200
17 	13509468723	192.168.100.14	www.qinghua.com	7335	110349	404
18 	18390173782	192.168.100.15	www.sogou.com	9531	2412	200
19 	13975057813	192.168.100.16	www.baidu.com	11058	48243	200
20 	13768778790	192.168.100.17			120	120	200
21 	13568436656	192.168.100.18	www.alibaba.com	2481	24681	200
22 	13568436656	192.168.100.19			1116	954	200

期望输出数据格式

13560436666 		1116		      954 			2070
手机号码		    上行流量        下行流量		总流量

需求分析

代码

FlowBean

public class FlowBean implements Writable {

    /**
     * 上行流量
     */
    private Long upFlow;
    /**
     * 下行流量
     */
    private Long downFlow;
    /**
     * 总流量
     */
    private Long sumFlow;

    /**
    * @Description 序列化方法
    * @date 2020/8/15 14:58
    * @param out
    * @return void
    */
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeLong(upFlow);
        out.writeLong(downFlow);
        out.writeLong(sumFlow);
    }

    /**
    * @Description 反序列化方法,必须要求和序列化方法顺序一致
    * @date 2020/8/15 14:58
    * @param in
    * @return void
    */
    @Override
    public void readFields(DataInput in) throws IOException {
        upFlow = in.readLong();
        downFlow = in.readLong();
        sumFlow = in.readLong();
    }

    public FlowBean() {
    }

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

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

    //set,get省略...
}

Mapper

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

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

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

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

        //封装对象
        //手机号
        k.set(fields[1]);
        long upFlow = Long.parseLong(fields[fields.length-3]);
        long downFlow = Long.parseLong(fields[fields.length-2]);
        v.setUpFlow(upFlow);
        v.setDownFlow(downFlow);
        v.setSumFlow(upFlow+downFlow);

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

Reducer

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

    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
        long sum_upFlow = 0;
        long sum_downFlow = 0;

        //累加求和
        for (FlowBean flowBean : values) {
            sum_upFlow += flowBean.getUpFlow();
            sum_downFlow += flowBean.getDownFlow();
        }
        v.setUpFlow(sum_upFlow);
        v.setDownFlow(sum_downFlow);
        v.setSumFlow(sum_downFlow+sum_upFlow);

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

Driver

public class FlowCountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"E:\\big_data\\demo\\serialization\\input\\flow_data.txt",
                            "E:\\big_data\\demo\\serialization\\output"};

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

        //设置jar包位置
        job.setJarByClass(FlowCountDriver.class);

        //关联mapper和reducer
        job.setMapperClass(FlowCountMapper.class);
        job.setReducerClass(FlowCountReducer.class);

        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);


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

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

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

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

运行

MapReduce框架原理

InputFormat数据输入

切片与MapTask并行度机制

问题引入

MapTask的并行度决定Map阶段的任务处理并发度，进而影响到整个Job的处理速度。

思考：1G的数据，启动8个MapTask，可以提高集群的并发处理能力。那么1K的数据，也启动8个MapTask，会提高集群性能吗？MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？

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。

Job提交流程源码和切片源码详解

Job提交流程源码

JobStatus submitJobInternal(Job job, Cluster cluster) 
    throws ClassNotFoundException, InterruptedException, IOException {

    //validate the jobs output specs 
    checkSpecs(job);

    Configuration conf = job.getConfiguration();
    addMRFrameworkToDistributedCache(conf);
	
    //1. 创建给集群提交数据的Stag路径
    Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
    //configure the command line options correctly on the submitting dfs
    InetAddress ip = InetAddress.getLocalHost();
    if (ip != null) {
        submitHostAddress = ip.getHostAddress();
        submitHostName = ip.getHostName();
        conf.set(MRJobConfig.JOB_SUBMITHOST,submitHostName);
        conf.set(MRJobConfig.JOB_SUBMITHOSTADDR,submitHostAddress);
    }
    
    //2. 获取jobid ，并创建Job路径
    JobID jobId = submitClient.getNewJobID();
    job.setJobID(jobId);
    Path submitJobDir = new Path(jobStagingArea, jobId.toString());
    JobStatus status = null;
    try {
        conf.set(MRJobConfig.USER_NAME,
                 UserGroupInformation.getCurrentUser().getShortUserName());
        conf.set("hadoop.http.filter.initializers", 
                 "org.apache.hadoop.yarn.server.webproxy.amfilter.AmFilterInitializer");
        conf.set(MRJobConfig.MAPREDUCE_JOB_DIR, submitJobDir.toString());
        LOG.debug("Configuring job " + jobId + " with " + submitJobDir 
                  + " as the submit dir");
        // get delegation token for the dir
        TokenCache.obtainTokensForNamenodes(job.getCredentials(),
                                            new Path[] { submitJobDir }, conf);

        populateTokenCache(conf, job.getCredentials());

        // generate a secret to authenticate shuffle transfers
        if (TokenCache.getShuffleSecretKey(job.getCredentials()) == null) {
            KeyGenerator keyGen;
            try {
                keyGen = KeyGenerator.getInstance(SHUFFLE_KEYGEN_ALGORITHM);
                keyGen.init(SHUFFLE_KEY_LENGTH);
            } catch (NoSuchAlgorithmException e) {
                throw new IOException("Error generating shuffle secret key", e);
            }
            SecretKey shuffleKey = keyGen.generateKey();
            TokenCache.setShuffleSecretKey(shuffleKey.getEncoded(),
                                           job.getCredentials());
        }
        if (CryptoUtils.isEncryptedSpillEnabled(conf)) {
            conf.setInt(MRJobConfig.MR_AM_MAX_ATTEMPTS, 1);
            LOG.warn("Max job attempts set to 1 since encrypted intermediate" +
                     "data spill is enabled");
        }

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

        Path submitJobFile = JobSubmissionFiles.getJobConfPath(submitJobDir);

        // Create the splits for the job
        LOG.debug("Creating splits at " + jtFs.makeQualified(submitJobDir));
        //4. 计算切片，生成切片规划文件
        int maps = writeSplits(job, submitJobDir);
        conf.setInt(MRJobConfig.NUM_MAPS, maps);z`
        LOG.info("number of splits:" + maps);

        int maxMaps = conf.getInt(MRJobConfig.JOB_MAX_MAP,
                                  MRJobConfig.DEFAULT_JOB_MAX_MAP);
        if (maxMaps >= 0 && maxMaps < maps) {
            throw new IllegalArgumentException("The number of map tasks " + maps +
                                               " exceeded limit " + maxMaps);
        }

        // write "queue admins of the queue to which job is being submitted"
        // to job file.
        String queue = conf.get(MRJobConfig.QUEUE_NAME,
                                JobConf.DEFAULT_QUEUE_NAME);
        AccessControlList acl = submitClient.getQueueAdmins(queue);
        conf.set(toFullPropertyName(queue,
                                    QueueACL.ADMINISTER_JOBS.getAclName()), acl.getAclString());

        // removing jobtoken referrals before copying the jobconf to HDFS
        // as the tasks don't need this setting, actually they may break
        // because of it if present as the referral will point to a
        // different job.
        TokenCache.cleanUpTokenReferral(conf);

        if (conf.getBoolean(
            MRJobConfig.JOB_TOKEN_TRACKING_IDS_ENABLED,
            MRJobConfig.DEFAULT_JOB_TOKEN_TRACKING_IDS_ENABLED)) {
            // Add HDFS tracking ids
            ArrayList<String> trackingIds = new ArrayList<String>();
            for (Token<? extends TokenIdentifier> t :
                 job.getCredentials().getAllTokens()) {
                trackingIds.add(t.decodeIdentifier().getTrackingId());
            }
            conf.setStrings(MRJobConfig.JOB_TOKEN_TRACKING_IDS,
                            trackingIds.toArray(new String[trackingIds.size()]));
        }

        // Set reservation info if it exists
        ReservationId reservationId = job.getReservationId();
        if (reservationId != null) {
            conf.set(MRJobConfig.RESERVATION_ID, reservationId.toString());
        }

        // Write job file to submit dir
        //5. 向Stag路径写XML配置文件
        writeConf(conf, submitJobFile);

        //
        // Now, actually submit the job (using the submit name)
        //
        printTokens(jobId, job.getCredentials());
        
        //6. 提交Job,返回提交状态
        status = submitClient.submitJob(
            jobId, submitJobDir.toString(), job.getCredentials());
        if (status != null) {
            return status;
        } else {
            throw new IOException("Could not launch job");
        }
    } finally {
        if (status == null) {
            LOG.info("Cleaning up the staging area " + submitJobDir);
            if (jtFs != null && submitJobDir != null)
                jtFs.delete(submitJobDir, true);

        }
    }
}

切片源码

int maps = writeSplits(job, submitJobDir);
进入
maps = writeNewSplits(job, jobSubmitDir);
进入
List<InputSplit> splits = input.getSplits(job);

切片大小的计算

1. 程序先找到你数据存储的目录

2. 开始遍历处理（规划切片）目录下的每一个文件

3. 遍历第一个文件ss.txt

   1. 获取文件大小fs.sizeOf(ss.txt)

   2. 计算切片大小

   3. computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M(本地是32M)

   4. 默认情况下，切片大小=blocksize

   5. 开始切，形成第1个切片：ss.txt—0:128M 第2个切片ss.txt—128:256M 第3个切片ss.txt—256M:300M

      （每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分一块切片）

   6. 将切片信息写到一个切片规划文件中

   7. 整个切片的核心过程在getSplit()方法中完成

   8. InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等

4. 提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数

FileInputFormat切片机制

切片机制

1. 简单的按照文件的内容长度进行切片
2. 切片大小，默认等于Block的大小
3. 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

案例分析

FileInputFormat切片大小的参数配置

1. 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

2. 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。

3. 获取切片信息API

   // 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

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。

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

虚拟存储切片最大值设置

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

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

1. 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

2. 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

需求

将输入的大量小文件合并成一个切片统一处理。

输入数据：准备4个小文件

期望：期望一个切片处理4个文件

Mapper

public class WordCountMapper extends Mapper<LongWritable, Text,Text,IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

        //切分单词
        String[] words = line.split(" ");

        //循环写出
        for (String word : words) {
            Text k = new Text();
            k.set(word);
            IntWritable v = new IntWritable();
            v.set(1);

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

Reducer

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

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;

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

        IntWritable v= new IntWritable();
        v.set(sum);
        //写出
        context.write(key,v);
    }
}

Driver

public class WordCountDriver  {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf = new Configuration();

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

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

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

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

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

        //如果不设置InputFormat，它默认使用的是TextInputFormat.class
        job.setInputFormatClass(CombineTextInputFormat.class);
        //虚拟存储切片最大值设置为4M
        CombineTextInputFormat.setMaxInputSplitSize(job,4*1024*1024);

        //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]));

        //调教job
        //job.submit();
        boolean result = job.waitForCompletion(true);

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

核心代码

//如果不设置InputFormat，它默认使用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
//虚拟存储切片最大值设置为4M
CombineTextInputFormat.setMaxInputSplitSize(job,4*1024*1024);

运行

数据

参数

运行

形成了四个切片

改为20M运行

//如果不设置InputFormat，它默认使用的是TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class);
//虚拟存储切片最大值设置为4M
CombineTextInputFormat.setMaxInputSplitSize(job,20*1024*1024);

形成了一个切片

FileInputFormat实现类

思考：在运行MapReduce程序时，输入的文件格式包括：基于行的日志文件、二进制格式文件、数据库表等。那么，针对不同的数据类型，MapReduce是如何读取这些数据的呢？

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

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。

Rich learning form
Intelligent learning engine
Learning more convenient
From the real demand for more close to the enterprise

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)

KeyValueTextInputFormat

介绍

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

line1 ——>Rich learning form
line2 ——>Intelligent learning engine
line3 ——>Learning more convenient
line4 ——>From the real demand for more close to the enterprise

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

案列

需求

统计输入文件中每一行的第一个单词相同的行数

atguigu atguigu
ss ss
cls cls
jiao
banzhang
xue
hadoop
banzhang

期望输出

atguigu	1
banzhang	2
cls	1
hadoop	1
jiao	1
ss	1
xue	1

需求分析

代码

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

    @Override
    protected void map(Text key, Text value, Context context) throws IOException, InterruptedException {
        IntWritable v = new IntWritable(1);
        context.write(key,v);
    }
}

public class KVTextReducer extends Reducer<Text, IntWritable,Text,IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;
        for (IntWritable value : values) {
            sum+=value.get();
        }
        context.write(key,new IntWritable(sum));
    }
}

public class KVTextDriver  {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf=new Configuration();
        conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPARATOR," ");
        //获取job对象
        Job job = Job.getInstance(conf);

        //设置jar存储路径
        job.setJarByClass(KVTextDriver.class);

        //关联mapper和reducer
        job.setMapperClass(KVTextMapper.class);
        job.setReducerClass(KVTextReducer.class);


        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

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


        //设置InputFormat类型
        job.setInputFormatClass(KeyValueTextInputFormat.class);

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


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

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

运行

NLineInputFormat

介绍

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

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

(0,Rich learning form)
(19,Intelligent learning engine)

另一个 mapper 则收到后两行：

(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。

案例

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

banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang banzhang ni hao
xihuan hadoop banzhang

期望输出

banzhang	12
hadoop	6
hao	6
ni	6
xihuan	6

需求分析

代码

public class NLineMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行并切割
        String[] words = value.toString().split(" ");

        //循环写出
        for (String word : words) {
            context.write(new Text(word),new IntWritable(1));
        }
    }
}

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

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;

        for (IntWritable value : values) {
            sum+=value.get();
        }
        context.write(key,new IntWritable(sum));
    }
}

public class NLineDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        Configuration conf=new Configuration();

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

        //设置jar存储路径
        job.setJarByClass(NLineDriver.class);

        //关联mapper和reducer
        job.setMapperClass(NLineMapper.class);
        job.setReducerClass(NLineReducer.class);


        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

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


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

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


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

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

启动

4个切片

自定义InputFormat

介绍

在企业开发中，Hadoop框架自带的InputFormat类型不能满足所有应用场景，需要自定义InputFormat来解决实际问题。

自定义InputFormat步骤如下：

1. 自定义一个类继承FileInputFormat
2. 改写RecordReader，实现一次读取一个完整文件封装为KV
3. 在输出时使用SequenceFileOutPutFormat输出合并文件

自定义InputFormat案例实操

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

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

输入数据

-----one.txt-----
yongpeng weidong weinan
sanfeng luozong xiaoming
-----two.txt-----
longlong fanfan
mazong kailun yuhang yixin
longlong fanfan
mazong kailun yuhang yixin
-----three.txt-----
shuaige changmo zhenqiang 
dongli lingu xuanxuan

需求分析

自定义FileInputFormat

public class WholeFileInputFormat extends FileInputFormat<Text, BytesWritable> {

    @Override
    public RecordReader<Text, BytesWritable> createRecordReader(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
        WholeRecordReader recordReader = new WholeRecordReader();

        return recordReader;
    }
}

自定义RecordReader

public class WholeRecordReader extends RecordReader<Text, BytesWritable> {

    private FileSplit split;
    private Configuration configuration;
    private Text k = new Text();
    private BytesWritable v = new BytesWritable();
    private Boolean isProgress = true;

    /**
    * @Description 初始化
    * @date 2020/8/16 9:11
    * @param split
    * @param context
    * @return void
    */
    @Override
    public void initialize(InputSplit split, TaskAttemptContext context) throws IOException, InterruptedException {
        this.split=(FileSplit)split;

        this.configuration = context.getConfiguration();
    }

    /**
    * @Description 核心业务逻辑处理
    * @date 2020/8/16 9:12
    * @return boolean
    */
    @Override
    public boolean nextKeyValue() throws IOException, InterruptedException {
        if(this.isProgress){
            long splitLength = split.getLength();
            byte[] buffer =  new byte[(int) splitLength];

            //获取fs对象
            Path path = split.getPath();
            FileSystem fs = path.getFileSystem(this.configuration);

            //获取输入流
            FSDataInputStream fis = fs.open(path);

            //拷贝
            IOUtils.readFully(fis,buffer,0, (int) splitLength);

            //封装v
            this.v.set(buffer,0, (int) splitLength);

            //封装k
            this.k.set(path.toString());

            //关闭资源
            IOUtils.closeStreams(fis);
            fs.close();

            this.isProgress=false;

            return true;
        }

        return false;


    }

    @Override
    public Text getCurrentKey() throws IOException, InterruptedException {
        return this.k;
    }

    @Override
    public BytesWritable getCurrentValue() throws IOException, InterruptedException {
        return this.v;
    }


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

    @Override
    public void close() throws IOException {

    }
}

Mapper

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

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

Reducer

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

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

        //循环写出
        for (BytesWritable value : values) {
            context.write(key,value);
        }
    }
}

Driver

public class SequenceFileDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args=new String[]{"E:\\big_data\\demo\\customFileInputFormat\\input",
                          "E:\\big_data\\demo\\customFileInputFormat\\output"};

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

        //设置jar存储路径
        job.setJarByClass(SequenceFileDriver.class);

        //关联mapper和reducer
        job.setMapperClass(SequenceFileMapper.class);
        job.setReducerClass(SequenceFileReducer.class);


        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(BytesWritable.class);

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


        //设置InputFormat类型
        job.setInputFormatClass(WholeFileInputFormat.class);

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

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

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

启动

MapReduce工作流程(面试重点)

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。

context.write(k, NullWritable.get());
	output.write(key, value);
		collector.collect(key, value,partitioner.getPartition(key, value, partitions));
			HashPartitioner();
		collect()
			close()
				collect.flush()
				   sortAndSpill()
					sort()   QuickSort
                     mergeParts();
	
				collector.close();

Shuffle机制(重点重点重点)

Shuffle机制(重点)

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。

Partition分区

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）

默认Partitioner分区

public class HashPartitioner<K, V> extends Partitioner<K, V> {

    /** Use {@link Object#hashCode()} to partition. */
    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。

默认的numReduceTasks是1

//可以自行设置reduceTask
job.setNumReduceTasks(2);

自定义Partitioner步骤

1. 自定义类继承Partitioner，重写getPartition()方法

   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

   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

   job.setNumReduceTasks(5);
   

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

案例分析

例如：假设自定义分区数为5，则

1. job.setNumReduceTasks(1) 会正常运行，只不过会产生一个输出文件
2. job.setNumReduceTasks(2) 会报错
3. job.setNumReduceTasks(6) 大于5，程序会正常运行，会产生空文件

案列实操

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）

输入数据

1	13736230513	192.196.100.1	www.atguigu.com	2481	24681	200
2	13846544121	192.196.100.2			264	0	200
3 	13956435636	192.196.100.3			132	1512	200
4 	13966251146	192.168.100.1			240	0	404
5 	18271575951	192.168.100.2	www.atguigu.com	1527	2106	200
6 	84188413	192.168.100.3	www.atguigu.com	4116	1432	200
7 	13590439668	192.168.100.4			1116	954	200
8 	15910133277	192.168.100.5	www.hao123.com	3156	2936	200
9 	13729199489	192.168.100.6			240	0	200
10 	13630577991	192.168.100.7	www.shouhu.com	6960	690	200
11 	15043685818	192.168.100.8	www.baidu.com	3659	3538	200
12 	15959002129	192.168.100.9	www.atguigu.com	1938	180	500
13 	13560439638	192.168.100.10			918	4938	200
14 	13470253144	192.168.100.11			180	180	200
15 	13682846555	192.168.100.12	www.qq.com	1938	2910	200
16 	13992314666	192.168.100.13	www.gaga.com	3008	3720	200
17 	13509468723	192.168.100.14	www.qinghua.com	7335	110349	404
18 	18390173782	192.168.100.15	www.sogou.com	9531	2412	200
19 	13975057813	192.168.100.16	www.baidu.com	11058	48243	200
20 	13768778790	192.168.100.17			120	120	200
21 	13568436656	192.168.100.18	www.alibaba.com	2481	24681	200
22 	13568436656	192.168.100.19			1116	954	200

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

需求分析

FlowBean

public class FlowBean implements Writable {

    /**
     * 上行流量
     */
    private Long upFlow;
    /**
     * 下行流量
     */
    private Long downFlow;
    /**
     * 总流量
     */
    private Long sumFlow;

    /**
    * @Description 序列化方法
    * @date 2020/8/15 14:58
    * @param out
    * @return void
    */
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeLong(upFlow);
        out.writeLong(downFlow);
        out.writeLong(sumFlow);
    }

    /**
    * @Description 反序列化方法,必须要求和序列化方法顺序一致
    * @date 2020/8/15 14:58
    * @param in
    * @return void
    */
    @Override
    public void readFields(DataInput in) throws IOException {
        upFlow = in.readLong();
        downFlow = in.readLong();
        sumFlow = in.readLong();
    }

    public FlowBean() {
    }

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

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

    //set,get方法省略...
}

自定义Partition

public class ProvincePartition extends Partitioner<Text,FlowBean> {
    @Override
    public int getPartition(Text text, FlowBean flowBean, int numPartitions) {
        //text是手机号

        //flowBean 流量信息

        //获取手机号的前三位
        String prePhoneNum = text.toString().substring(0, 3);
        System.out.println("手机号："+prePhoneNum);

        int partition=4;

        switch (prePhoneNum){
            case "136": partition=0; break;
            case "137": partition=1; break;
            case "138": partition=2; break;
            case "139": partition=3; break;
        }

        return partition;
    }
}

Mapper

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

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

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

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

        //封装对象
        //手机号
        k.set(fields[1]);
        long upFlow = Long.parseLong(fields[fields.length-3]);
        long downFlow = Long.parseLong(fields[fields.length-2]);
        v.setUpFlow(upFlow);
        v.setDownFlow(downFlow);
        v.setSumFlow(upFlow+downFlow);

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

Reducer

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

    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {
        long sum_upFlow = 0;
        long sum_downFlow = 0;

        //累加求和
        for (FlowBean flowBean : values) {
            sum_upFlow += flowBean.getUpFlow();
            sum_downFlow += flowBean.getDownFlow();
        }
        v.setUpFlow(sum_upFlow);
        v.setDownFlow(sum_downFlow);
        v.setSumFlow(sum_downFlow+sum_upFlow);

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

Driver

public class FlowCountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"E:\\big_data\\demo\\partition\\input",
                            "E:\\big_data\\demo\\partition\\output"};

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

        //设置jar包位置s
        job.setJarByClass(FlowCountDriver.class);

        //关联mapper和reducer
        job.setMapperClass(FlowCountMapper.class);
        job.setReducerClass(FlowCountReducer.class);

        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);


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

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

        //设置自定义分区
        job.setPartitionerClass(ProvincePartition.class);
        //设置reduceTask数
        job.setNumReduceTasks(5);

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

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

运行

排序

排序介绍(重点)

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

排序分类

1. 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

2. 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。

3. 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。

4. 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。

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

WritableComparable排序案例

需求

根据手机号流量对总流量进行一次排序

输入数据

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

期望输出数据

13509468723	7335	110349	117684
13736230513	2481	24681	27162
13956435636	132		1512	1644
13846544121	264		0		264

需求分析

代码实现

FlowBean

public class FlowBean implements WritableComparable<FlowBean> {

    /**
     * 上行流量
     */
    private Long upFlow;
    /**
     * 下行流量
     */
    private Long downFlow;
    /**
     * 总流量
     */
    private Long sumFlow;

    /**
    * @Description 序列化方法
    * @date 2020/8/15 14:58
    * @param out
    * @return void
    */
    @Override
    public void write(DataOutput out) throws IOException {
        out.writeLong(upFlow);
        out.writeLong(downFlow);
        out.writeLong(sumFlow);
    }

    /**
    * @Description 反序列化方法,必须要求和序列化方法顺序一致
    * @date 2020/8/15 14:58
    * @param in
    * @return void
    */
    @Override
    public void readFields(DataInput in) throws IOException {
        upFlow = in.readLong();
        downFlow = in.readLong();
        sumFlow = in.readLong();
    }

    /**
    * @Description 进行排序
    * @date 2020/8/16 18:24
    * @param o
    * @return int
    */
    @Override
    public int compareTo(FlowBean o) {
        System.out.println("排序"+( -(this.sumFlow-o.sumFlow)));
        return (int) -(this.sumFlow-o.sumFlow);
    }

    public FlowBean() {
    }

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

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

   //set，get方法省略
}

Mapper

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

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

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

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

        //封装对象
        //手机号
        v.set(fields[0]);
        long upFlow = Long.parseLong(fields[fields.length-3]);
        long downFlow = Long.parseLong(fields[fields.length-2]);
        k.setUpFlow(upFlow);
        k.setDownFlow(downFlow);
        k.setSumFlow(upFlow+downFlow);

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

Reducer

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

    @Override
    protected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
        for (Text value : values) {
            context.write(value,key);
        }
    }
}

Driver

public class FlowCountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"E:\\big_data\\demo\\\\writableComparable\\input",
                            "E:\\big_data\\demo\\\\writableComparable\\output"};

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

        //设置jar包位置s
        job.setJarByClass(FlowCountDriver.class);

        //关联mapper和reducer
        job.setMapperClass(FlowCountMapper.class);
        job.setReducerClass(FlowCountReducer.class);

        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(FlowBean.class);
        job.setMapOutputValueClass(Text.class);


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

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

        //设置自定义分区
        //        job.setPartitionerClass(ProvincePartition.class);
        //设置reduceTask数
        //        job.setNumReduceTasks(5);

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

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

运行

设置分区

public class ProvincePartitioner extends Partitioner<FlowBean, Text> {
    @Override
    public int getPartition(FlowBean flowBean, Text text, int numPartitions) {
        //获取手机号的前三位
        //获取手机号的前三位
        String prePhoneNum = text.toString().substring(0, 3);
        System.out.println("手机号："+prePhoneNum);

        int partition=4;

        switch (prePhoneNum){
            case "136": partition=0; break;
            case "137": partition=1; break;
            case "138": partition=2; break;
            case "139": partition=3; break;
        }

        return partition;
    }
}

运行

Combiner合并

介绍

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
   • Combiner是在每一个MapTask所在的节点运行
   • 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

自定义Combiner实现步骤

1. 自定义一个Combiner继承Reducer，重写Reduce方法

   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));
       }
   }
   

2. 在Job驱动类中设置

   job.setCombinerClass(WordcountCombiner.class);
   

案列

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

数据输入

banzhang ni hao
xihuan hadoop banzhang
banzhang ni hao
xihuan hadoop banzhang

期望输出数据

期望：Combine输入数据多，输出时经过合并，输出数据降低。

需求分析

public class WordCountMapper extends Mapper<LongWritable, Text,Text,IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

        //切分单词
        String[] words = line.split(" ");

        //循环写出
        for (String word : words) {
            Text k = new Text();
            k.set(word);
            IntWritable v = new IntWritable();
            v.set(1);

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

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

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum=0;

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

        IntWritable v= new IntWritable();
        v.set(sum);
        //写出
        context.write(key,v);
    }
}

public class WordCountDriver  {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args=new String[]{"E:\\big_data\\demo\\combiner\\input",
                          "E:\\big_data\\demo\\combiner\\output"};

        Configuration conf = new Configuration();

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

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

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

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

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

        //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]));

        //调教job
        //job.submit();
        boolean result = job.waitForCompletion(true);

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

启动(不进行合并)

1. 方案一

   增加一个WordcountCombiner类继承Reducer

   public class WordCountCombiner extends Reducer<Text, IntWritable,Text,IntWritable> {
       @Override
       protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
           int sum=0;
   
           //累加求和
           for (IntWritable value : values) {
                   sum+=value.get();
           }
           //写出
           context.write(key,new IntWritable(sum));
       }
   }
   

   在WordcountDriver驱动类中指定Combiner

   //设置合并
   job.setCombinerClass(WordCountCombiner.class);
   

   

2. 方案二

   将WordcountReducer作为Combiner在WordcountDriver驱动类中指定

   job.setCombinerClass(WordCountReduce.class);
   

   
   

GroupingComparator分组(辅助排序)

介绍

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：

1. 自定义类继承WritableComparator

2. 重写compare()方法

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

3. 创建一个构造将比较对象的类传给父类

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

案例

需求

有如下订单数据

订单id	商品id	成交金额
0000001	Pdt_01	222.8
	Pdt_02	33.8
0000002	Pdt_03	522.8
	Pdt_04	122.4
	Pdt_05	722.4
0000003	Pdt_06	232.8
	Pdt_02	33.8

现在需要求出每一个订单中最贵的商品

输入数据

0000001	Pdt_01	222.8
0000002	Pdt_05	722.4
0000001	Pdt_02	33.8
0000003	Pdt_06	232.8
0000003	Pdt_02	33.8
0000002	Pdt_03	522.8
0000002	Pdt_04	122.4

期望输出

1	222.8
2	722.4
3	232.8

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

定义订单信息OrderBean类

public class OrderBean implements WritableComparable<OrderBean> {

    /**
     * 订单id
     */
    private Integer orderId;
    /**
     * 价格
     */
    private Double price;

    @Override
    public int compareTo(OrderBean o) {
        //先按照订单id进行升序排序,相同的话按照价格进行降序排序
        if(this.orderId>o.orderId){
            return 1;
        }else if(this.orderId<o.orderId){
            return -1;
        }else{
            if(this.price>o.price){
                return -1;
            }else if(this.price<o.price){
                return 1;
            }else{
                return 0;
            }
        }
    }

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

    @Override
    public void readFields(DataInput in) throws IOException {
        this.orderId=in.readInt();
        this.price=in.readDouble();
    }

    public OrderBean(){

    }

    public OrderBean(Integer orderId, Double price) {
        this.orderId = orderId;
        this.price = price;
    }

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

  //set，get方法省略...
}

分组排序OrderBeanComparator(重点)

public class OrderBeanComparator extends WritableComparator {

    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        //只要id相同，就认为是相同的key
        OrderBean aBean = (OrderBean) a;
        OrderBean bBean = (OrderBean) b;

        int result;

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

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

Mapper

public class OrderMapper extends Mapper<LongWritable, Text,OrderBean, NullWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

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

        //封装对象
        OrderBean orderBean = new OrderBean(Integer.parseInt(fields[0]), Double.parseDouble(fields[2]));

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

Reducer

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

Driver

public class OrderDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args=new String[]{"E:\\big_data\\demo\\GroupingComparator\\input",
                          "E:\\big_data\\demo\\GroupingComparator\\output"};

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

        //设置jar路径
        job.setJarByClass(OrderDriver.class);

        //关联mapper和reduce
        job.setMapperClass(OrderMapper.class);
        job.setReducerClass(OrderReduce.class);

        //设置mapper的输出key和value类型
        job.setMapOutputKeyClass(OrderBean.class);
        job.setMapOutputValueClass(NullWritable.class);

        //设置最终输出的key和value类型
        job.setOutputKeyClass(OrderBean.class);
        job.setOutputValueClass(NullWritable.class);

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

        //设置reduce的分组排序
        job.setGroupingComparatorClass(OrderBeanComparator.class);

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

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

运行

扩展

修改一下我们的reducer

public class OrderReduce extends Reducer<OrderBean, NullWritable,OrderBean,NullWritable> {
    @Override
    protected void reduce(OrderBean key, Iterable<NullWritable> values, Context context) throws IOException, InterruptedException {
        for (NullWritable value : values) {
            context.write(key,NullWritable.get());
        }
    }
}

继续运行，查看结果

可以发现，我们的每个key值貌似都不相同，粗略看了下源码，应该是每次进行for循环的时候，会重新对key值进行一个赋值，使key和value能一一对应。

MapTask工作机制

1. 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。

2. 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。

3. 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。

4. 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：

   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。

   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。

   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。

5. 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，并保存到文件output/file.out中，以确保最终只会生成一个数据文件，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

介绍

1. 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。

2. 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。

3. 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。

4. Reduce阶段：reduce()函数将计算结果写到HDFS上。

设置ReduceTask并行度

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：

// 默认值是1，手动设置为4
job.setNumReduceTasks(4);

实验：测试ReduceTask多少合适

1. 实验环境：1个Master节点，16个Slave节点：CPU:8GHZ，内存: 2G

2. 实验结论：

   MapTask =16
   ReduceTask	1	5	10	15	16	20	25	30	45	60
   总时间	892	146	110	92	88	100	128	101	145	104

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。下面我们介绍几种常见的OutputFormat实现类。

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OutputFromat

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

   自定义一个类继承FileOutputFormat

   改写RecordWriter，具体改写输出数据的方法write()

自定义案例

需求

过滤输入的log日志，包含atguigu的网站输出到e:/atguigu.log，不包含atguigu的网站输出到e:/other.log

输入数据

http://www.baidu.com
http://www.google.com
http://cn.bing.com
http://www.atguigu.com
http://www.sohu.com
http://www.sina.com
http://www.sin2a.com
http://www.sin2desa.com
http://www.sindsafa.com

期望输出

-------------atguigu-------------
http://www.atguigu.com
-------------other---------------
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

需求分析

代码

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

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        context.write(value,NullWritable.get());
    }
}

public class FilterReducer extends Reducer<Text, NullWritable,Text,NullWritable> {

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

自定义outputFormat

public class FilterOutputFormat extends FileOutputFormat<Text, NullWritable> {

    @Override
    public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
        return new FilterRecodWriter(job);
    }
   
}

public class FilterRecodWriter extends RecordWriter<Text, NullWritable> {

    private FileSystem fs;
    private FSDataOutputStream fosAtguigu;
    private FSDataOutputStream fosOther;

    public FilterRecodWriter(){

    }

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

            //创建输出流到atguigu.log的输出流
            fosAtguigu = fs.create(new Path("E:\\big_data\\demo\\outputFormat\\output\\atguigu.log"));

            //创建输出流到other.log的输出流
            fosOther = fs.create(new Path("E:\\big_data\\demo\\outputFormat\\output\\other.log"));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
    * @Description   判断key中是否有atguigu
     *                    - 如果有，则输出到atguigu.log
     *                    - 如果没有，则输出到other.log
    * @date 2020/8/17 10:57
    * @param key
    * @param value
    * @return void
    */
    @Override
    public void write(Text key, NullWritable value) throws IOException, InterruptedException {
        String keyStr = key.toString()+"\n";;
        if(keyStr.contains("atguigu")){
            this.fosAtguigu.write(keyStr.getBytes());
        }else{
            this.fosOther.write(keyStr.getBytes());
        }
    }

    @Override
    public void close(TaskAttemptContext context) throws IOException, InterruptedException {
        IOUtils.closeStreams(fosOther,fosAtguigu);
        fs.close();
    }
}

Driver

public class FilterDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args=new String[]{"E:\\big_data\\demo\\outputFormat\\input",
                          "E:\\big_data\\demo\\outputFormat\\output\\info"};

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

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

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


        //设置mapper输出的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(NullWritable.class);

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


        //设置outputFormat
        job.setOutputFormatClass(FilterOutputFormat.class);

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


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

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

运行

Join多种应用

ReduceJoin

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。

案例

order:

id	pid	amount
1001	01	1
1002	02	2
1003	03	3
1004	01	4
1005	02	5
1006	03	6

pd:

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

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

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

创建商品和订合并后的Bean类

public class TableBean implements Writable {

    /**
     * 订单id
     */
    private String id;
    /**
     * 产品id
     */
    private String pid;
    /**
     * 数量
     */
    private Integer amount;
    /**
     * 产品名称
     */
    private String pName;
    /**
     * 产生一个标记，标记是订单表还是产品表
     */
    private String flag;

    public TableBean(){

    }

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


    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(this.id);
        out.writeUTF(this.pid);
        out.writeInt(this.amount);
        out.writeUTF(this.pName);
        out.writeUTF(this.flag);
    }

    @Override
    public void readFields(DataInput in) throws IOException {
        this.id=in.readUTF();
        this.pid=in.readUTF();
        this.amount=in.readInt();
        this.pName=in.readUTF();
        this.flag=in.readUTF();
    }

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

	//set，get方法省略...
}

Mapper

public class TableMapper extends Mapper<LongWritable, Text,Text,TableBean> {

    private String fileName = null;
    private Text k =new Text();
    private TableBean tableBean = new TableBean();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        FileSplit inputSplit = (FileSplit)context.getInputSplit();

        //获取文件的名称
        this.fileName = inputSplit.getPath().getName();
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();

        if(this.fileName.startsWith("order")){
            //订单表

            String[] fields = line.split("\t");
            //注意数据不能为空，不然序列化会报错
            this.tableBean.setId(fields[0]);
            this.tableBean.setPid(fields[1]);
            this.tableBean.setAmount(Integer.parseInt(fields[2]));
            this.tableBean.setpName("");
            this.tableBean.setFlag("order");

            k.set(fields[1]);
        }else{
            //产品表
            String[] fields = line.split("\t");
            this.tableBean.setId("");
            this.tableBean.setPid(fields[0]);
            this.tableBean.setAmount(0);
            this.tableBean.setpName(fields[1]);
            this.tableBean.setFlag("pd");

            k.set(fields[0]);
        }

        context.write(this.k,this.tableBean);
    }
}

Reducer

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

    @Override
    protected void reduce(Text key, Iterable<TableBean> values, Context context) throws IOException, InterruptedException {
        //存储所有订单集合
        List<TableBean> orderBeans = new ArrayList<>();
        //存储产品信息
        TableBean pdBean = new TableBean();

        for (TableBean value : values) {
            if(value.getFlag().equals("order")){
                //订单表
                TableBean tmpBean = new TableBean();
                //进行一个拷贝
                BeanCopier copier = BeanCopier.create(value.getClass(), tmpBean.getClass(), false);
                copier.copy(value,tmpBean,null);

                orderBeans.add(tmpBean);
            }else{
                BeanCopier copier = BeanCopier.create(value.getClass(), pdBean.getClass(), false);
                copier.copy(value,pdBean,null);
            }
        }

        for (TableBean orderBean : orderBeans) {
            orderBean.setpName(pdBean.getpName());

            //写出了哦
            context.write(orderBean,NullWritable.get());
        }
    }
}

Driver

public class TableDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args=new String[]{"E:\\big_data\\demo\\reduceJoin\\input",
                          "E:\\big_data\\demo\\reduceJoin\\output"};

        Configuration conf = new Configuration();

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

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

        //关联Map和Reduce类
        job.setMapperClass(TableMapper.class);
        job.setReducerClass(TableReducer.class);

        //设置Mapper阶段输出数据的key和value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(TableBean.class);

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

        //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]));


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

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

运行

****

MapJoin

介绍

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

   思考：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

   1. 在Mapper的setup阶段，将文件读取到缓存集合中

   2. 在驱动函数中加载缓存

      //加载缓冲数据
      job.addCacheFile(new URI("file:///E:/big_data/demo/join/input/pd.txt"));
      

案例

需求

order：

id	pid	amount
1001	01	1
1002	02	2
1003	03	3
1004	01	4
1005	02	5
1006	03	6

pd：

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

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

需求分析

MapJoin适用于关联表中有小表的情形

Mapper

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

    private Map<String,String> pdMap = new ConcurrentHashMap<>(16);

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {
        //缓存小表
        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())){
            //切割
            String[] fields = line.split("\t");

            this.pdMap.put(fields[0],fields[1]);
        }

        //关闭资源
        IOUtils.closeStream(reader);
    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();

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

        //获取pid
        String pid = fields[1];
        String pName = this.pdMap.get(pid);

        //拼接
        line = line + "\t" +pName;
        context.write(new Text(line),NullWritable.get());

    }
}

Driver

public class DistributedCacheDriver {

    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
        args=new String[]{"E:\\big_data\\demo\\join\\input",
                          "E:\\big_data\\demo\\join\\output_mapJoin"};

        Configuration conf = new Configuration();

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

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

        //关联Map
        job.setMapperClass(DistributedCacheMapper.class);


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

        //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]));

        //加载缓冲数据
        job.addCacheFile(new URI("file:///E:/big_data/demo/join/input/pd.txt"));

        //map端的join逻辑不需要reduce阶段，设置reduceTask数量为0
        job.setNumReduceTasks(0);

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

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

运行

****

产生了两个文件，因为在代码中我们的输入并没有指定文件夹中具体的哪个文件，所以两个文件都进行了一个读取。

计数器

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

计数器API

1. 采用枚举的方式统计计数

   enum MyCounter{MALFORORMED,NORMAL}
   //对枚举定义的自定义计数器加1
   context.getCounter(MyCounter.MALFORORMED).increment(1)
   

2. 采用计数器组、计数器名称的方式统计

   //组名和计数器名称随便起，但最好有意义。
   context.getCounter("counterGroup", "counter").increment(1);
   

3. 计数结果在程序运行后的控制台上查看

案例，请看数据清洗案例

数据清洗(ETL)

介绍

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

案例

去除日志中字段长度小于等于11的日志

输入数据

点击下载查看

部分数据

194.237.142.21 - - [18/Sep/2013:06:49:18 +0000] "GET /wp-content/uploads/2013/07/rstudio-git3.png HTTP/1.1" 304 0 "-" "Mozilla/4.0 (compatible;)"
183.49.46.228 - - [18/Sep/2013:06:49:23 +0000] "-" 400 0 "-" "-"
163.177.71.12 - - [18/Sep/2013:06:49:33 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
163.177.71.12 - - [18/Sep/2013:06:49:36 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
101.226.68.137 - - [18/Sep/2013:06:49:42 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"
101.226.68.137 - - [18/Sep/2013:06:49:45 +0000] "HEAD / HTTP/1.1" 200 20 "-" "DNSPod-Monitor/1.0"

期望输出数据

每行字段长度都大于11

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

编写LogMapper类

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

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        //获取一行
        String line = value.toString();

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

        if(result){
            return;
        }

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

    /**
    * @Description 自定义解析日志
    * @date 2020/8/17 17:43
    * @param line
    * @param context
    * @return java.lang.Boolean
    */
    private Boolean parseLog(String line,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;
        }
    }
}

编写LogDriver类

public class LogDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"E:\\big_data\\demo\\etl\\input",
                            "E:\\big_data\\demo\\etl\\output"};

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

        //设置jar包位置s
        job.setJarByClass(FlowCountDriver.class);

        //关联mapper和reducer
        job.setMapperClass(LogMapper.class);


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

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

        //设置reduceTask数量为0
        job.setNumReduceTasks(0);

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

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

运行

查看我们自定义的计数器

总结

在编写MapReduce程序时，需要考虑如下几个方面：

1. 输入数据接口：InputFormat

   默认使用的实现类是：TextInputFormat

   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

   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）

   NlineInputFormat按照指定的行数N来划分切片

   CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率

   用户还可以自定义InputFormat

2. 逻辑处理接口：Mapper

   用户根据业务需求实现其中三个方法：map() setup() cleanup ()

3. Partitioner分区

   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

   如果业务上有特别的需求，可以自定义分区

4. Comparable排序

   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

   部分排序：对最终输出的每一个文件进行内部排序

   全排序：对所有数据进行排序，通常只有一个Reduce

   二次排序：排序的条件有两个

5. 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。

6. 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。

7. 逻辑处理接口：Reducer

   用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()

8. 输出数据接口：outputFormat

   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

   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

   根据用户需求，自定义实现输出

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

压缩格式	hadoop自带？	算法	文件扩展名	是否可切分	换成压缩格式后，原来的程序是否需要修改
DEFLATE	是，直接使用	DEFLATE	.deflate	否	和文本处理一样，不需要修改
Gzip	是，直接使用	DEFLATE	.gz	否	和文本处理一样，不需要修改
bzip2	是，直接使用	bzip2	.bz2	是	和文本处理一样，不需要修改
LZO	否，需要安装	LZO	.lzo	是	需要建索引，还需要指定输入格式
Snappy	否，需要安装	Snappy	.snappy	否	和文本处理一样，不需要修改

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

压缩格式	对应的编码/解码器
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
LZO	com.hadoop.compression.lzo.LzopCodec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

压缩性能的比较

压缩算法	原始文件大小	压缩文件大小	压缩速度	解压速度
gzip	8.3GB	1.8GB	17.5MB/s	58MB/s
bzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/s
LZO	8.3GB	2.9GB	49.3MB/s	74.6MB/s

http://google.github.io/snappy/

On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

压缩方式选择

Gzip压缩

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。

缺点：不支持Split。

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

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。

缺点：压缩/解压速度慢。

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

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。

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）。

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

优点：高速压缩速度和合理的压缩率。

缺点：不支持Split；压缩率比Gzip要低；Hadoop本身不支持，需要安装。

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）	false	mapper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.DefaultCodec	mapper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）	false	reducer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. DefaultCodec	reducer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）	RECORD	reducer输出	SequenceFile输出使用的压缩类型：NONE和BLOCK

案列

输入流的压缩和解压缩

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。

测试一下如下压缩方式

DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec

压缩和解压文件

public class TestCompress {


    public static void main(String[] args) {
        try {
            compress("E:\\big_data\\demo\\compress\\web.txt",CodecSelect.DEFLATE.getClassPath());
            decompress("E:\\big_data\\demo\\compress\\web.txt.bz2");
        } catch (IOException e) {
            e.printStackTrace();
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        }
    }



    /**
    *@author codekiller
    *@date 2020/8/18 10:26
    *@Description  压缩格式选择
    */
    enum CodecSelect{
        DEFLATE("org.apache.hadoop.io.compress.DefaultCodec"),
        GZIP("org.apache.hadoop.io.compress.GzipCodec"),
        BZIP2("org.apache.hadoop.io.compress.BZip2Codec");


        CodecSelect(String classPath) {
            this.classPath = classPath;
        }

        private String classPath;

        public String getClassPath() {
            return classPath;
        }
    }

    /**
    * @Description 压缩逻辑
    * @date 2020/8/18 10:29
    * @param fileName
    * @param method
    * @return void
    */
    private static void compress(String fileName,String method) throws IOException, ClassNotFoundException {
        //获取输入流
        FileInputStream fis = new FileInputStream(new File(fileName));

        Class<?> classCodec = Class.forName(method);
        CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(classCodec, new Configuration());

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

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

        //关闭资源
        IOUtils.closeStreams(cos,fos,fis);

    }

    /**
    * @Description 解压逻辑
    * @date 2020/8/18 10:43
    * @param fileName
    * @return void
    */
    private static void decompress(String fileName) throws IOException {
        //压缩方式检查
        CompressionCodecFactory factory = new CompressionCodecFactory(new Configuration());
        CompressionCodec codec = factory.getCodec(new Path(fileName));

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

        //获取输入流
        FileInputStream fis = new FileInputStream(new File(fileName));
        CompressionInputStream cis = codec.createInputStream(fis);

        //获取输出流
        FileOutputStream fos = new FileOutputStream(new File(fileName+".decode"));

        //流的拷贝
        IOUtils.copyBytes(cis,fos,1024*1024,false);

        //关闭资源
        IOUtils.closeStreams(fos,cis,fis);
    }
}

Map和Reduce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，我们来看下代码怎么设置

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

//设置reduce端输出压缩开启
FileOutputFormat.setCompressOutput(job,true);
FileOutputFormat.setOutputCompressorClass(job,BZip2Codec.class);

public class WordCountDriver  {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
        args = new String[]{"E:\\big_data\\demo\\compress\\input",
                            "E:\\big_data\\demo\\compress\\output2"};

        Configuration conf = new Configuration();

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

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

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

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

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

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

        //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]));

        //设置reduce端输出压缩开启
        FileOutputFormat.setCompressOutput(job,true);
        FileOutputFormat.setOutputCompressorClass(job,BZip2Codec.class);

        //调教job
        //job.submit();
        boolean result = job.waitForCompletion(true);

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

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

基本架构

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

工作机制

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。

作业提交过程

作业提交过程之YARN

（1）作业提交

第1步：Client调用job.waitForCompletion方法，向整个集群提交MapReduce作业。

第2步：Client向RM申请一个作业id。

第3步：RM给Client返回该job资源的提交路径和作业id。

第4步：Client提交jar包、切片信息和配置文件到指定的资源提交路径。

第5步：Client提交完资源后，向RM申请运行MrAppMaster。

（2）作业初始化

第6步：当RM收到Client的请求后，将该job添加到容量调度器中。

第7步：某一个空闲的NM领取到该Job。

第8步：该NM创建Container，并产生MRAppmaster。

第9步：下载Client提交的资源到本地。

（3）任务分配

第10步：MrAppMaster向RM申请运行多个MapTask任务资源。

第11步：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。

（4）任务运行

第12步：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。

第13步：MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。

第14步：ReduceTask向MapTask获取相应分区的数据。

第15步：程序运行完毕后，MR会向RM申请注销自己。

（5）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。

（6）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。Hadoop3.3默认的资源调度器是Capacity Scheduler

具体设置详见：yarn-default.xml文件

<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

      <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

   1. 任务间存在严重的负载倾斜
   2. 特殊任务，比如任务向数据库中写数据

5. 算法原理

   

Hadoop企业优化

MapReduce 跑的慢的原因

MapReduce 程序效率的瓶颈在于两点：

1. 计算机性能

   CPU、内存、磁盘健康、网络

2. I/O 操作优化

   1. 数据倾斜
   2. Map和Reduce数设置不合理
   3. Map运行时间太长，导致Reduce等待过久
   4. 小文件过多
   5. 大量的不可分块的超大文件
   6. Spill次数过多
   7. Merge次数过多等

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

数据倾斜现象

1. 数据频率倾斜——某一个区域的数据量要远远大于其他区域。
2. 数据大小倾斜——部分记录的大小远远大于平均值。

减少数据倾斜的方法

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。

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。

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

4. 采用Map Join，尽量避免Reduce Join

常用的调优参数

资源相关参数

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.percent	Buffer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.percent	Buffer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

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

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.mb	Shuffle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.timeout	Task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

1. 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

   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. 在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并

   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. 在MapReduce处理时，可采用CombineTextInputFormat提高效率

   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

TOP10案例

查找top10的数据

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

    // 定义一个TreeMap作为存储数据的容器（天然按key排序）
    private TreeMap<FlowBean, Text> flowMap = new TreeMap<FlowBean, Text>();
    private FlowBean kBean;

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

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

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

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

        // 3 封装数据
        String phoneNum = fields[0];
        long upFlow = Long.parseLong(fields[1]);
        long downFlow = Long.parseLong(fields[2]);
        long sumFlow = Long.parseLong(fields[3]);

        kBean.setDownFlow(downFlow);
        kBean.setUpFlow(upFlow);
        kBean.setSumFlow(sumFlow);

        v.set(phoneNum);

        // 4 向TreeMap中添加数据
        flowMap.put(kBean, v);

        // 5 限制TreeMap的数据量，超过10条就删除掉流量最小的一条数据
        if (flowMap.size() > 10) {
            //		flowMap.remove(flowMap.firstKey());
            flowMap.remove(flowMap.lastKey());		
        }
    }

    @Override
    protected void cleanup(Context context) throws IOException, InterruptedException {

        // 6 遍历treeMap集合，输出数据
        Iterator<FlowBean> bean = flowMap.keySet().iterator();

        while (bean.hasNext()) {

            FlowBean k = bean.next();

            context.write(k, flowMap.get(k));
        }
    }
}