一、填空(10X2)
二、问答(3)
1、第二名称节点的作用
- 完成EditLog与FsImage的合并
第二名称节点将名称节点中的文件拉到本地,然后加载到内存,对二者进行合并操作,即在内存条里一条一条执行EditLog里的操作,使得FsImage保持最新。合并结束后将EditLog new和FsImage new发送给名称节点。以防止EditLog过大,导致名称节点失败恢复时消耗过多时间。 - 作为名称节点的“检查点”
周期性的备份名称节点中的元数据信息,但并不能直接替代主NameNode起到热备份的作用。如果主NameNode发生故障,HDFS需要通过其他手段(例如使用HA,High Availability)来实现主备份切换,以确保系统的连续性。
2、给一个文件怎么存储、设置、存储原理
- 切分为块
2、设置
3、存取策略
3、MapReduce工作流程(P132、7-2)
工作流程概述
MapReduce各个执行阶段
三、分析题(2X10)
1、Scala代码(spark实验四核心代码)
package org.zkpk.lab
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf,SparkContext}
class ScalaWordCount {}
object ScalaWordCount{
def main(args: Array[String]): Unit = {
val list = List("hello hi hi spark",
"hello spark hello hi sparksql",
"hello hi hi sparkstreaming",
"hello hi sparkgraphx")
val sparkConf = new SparkConf().setAppName("word-count").setMaster("local[*]")
val sc = new SparkContext(sparkConf)
val lines : RDD[String] = sc.parallelize(list)
val words : RDD[String] = lines.flatMap((line:String) =>{line.split(" ")})
val wordAndOne : RDD[(String, Int)] =
words.map((word : String) => {(word, 1)})
val wordAndNum : RDD[(String, Int)] =
wordAndOne.reduceByKey((count1 : Int, count2 : Int) => {count1+count2})
val ret = wordAndNum.sortBy(kv => kv._2,false)
println(ret.collect().mkString(","))
ret.saveAsTextFile(args(0))
sc.stop()
}
}
思考题
-
本实验中RDD对象lines的flatMap方法是按照什么来切分RDD中的字符串元素的?
-
试解释下面语句的意思?
3.本实验中这句语句中的args(0)在运行配置参数arguments时是什么?
2、修改代码(第五章ppt代码)
四、应用题(40)
1、HDFS常用命令(实验二)
命令基本格式:
hadoop fs -cmd < args >
1.ls
hadoop fs -ls /
列出hdfs文件系统根目录下的目录和文件
hadoop fs -ls -R /
列出hdfs文件系统所有的目录和文件
2.put
将本地文件上传到HDFS
hadoop fs -put < local file > < hdfs file >
hdfs file的父目录一定要存在,否则命令不会执行
hadoop fs -put < local file or dir >…< hdfs dir >
hdfs dir 一定要存在,否则命令不会执行
hadoop fs -put - < hdsf file>
从键盘读取输入到hdfs file中,按Ctrl+D结束输入,hdfs file不能存在,否则命令不会执行
2.1.moveFromLocal
hadoop fs -moveFromLocal < local src > … < hdfs dst >
与put相类似,命令执行后源文件 local src 被删除,也可以从从键盘读取输入到hdfs file中
2.2.copyFromLocal
hadoop fs -copyFromLocal < local src > … < hdfs dst >
与put相类似,也可以从从键盘读取输入到hdfs file中
3.get
将HDFS中的文件复制到本地
hadoop fs -get < hdfs file > < local file or dir>
local file不能和 hdfs file名字不能相同,否则会提示文件已存在,没有重名的文件会复制到本地
hadoop fs -get < hdfs file or dir > … < local dir >
拷贝多个文件或目录到本地时,本地要为文件夹路径 注意:如果用户不是root, local 路径要为用户文件夹下的路径,否则会出现权限问题,
3.1.copyToLocal
hadoop fs -copyToLocal < local src > … < hdfs dst >
与get相类似
4.rm
hadoop fs -rm < hdfs file > …
hadoop fs -rm -r < hdfs dir>…
每次可以删除多个文件或目录
5.mkdir
hadoop fs -mkdir < hdfs path>
只能一级一级的建目录,父目录不存在的话使用这个命令会报错
hadoop fs -mkdir -p < hdfs path>
所创建的目录如果父目录不存在就创建该父目录
6.getmerge
hadoop fs -getmerge < hdfs dir > < local file >
将hdfs指定目录下所有文件排序后合并到local指定的文件中,文件不存在时会自动创建,文件存在时会覆盖里面的内容
hadoop fs -getmerge -nl < hdfs dir > < local file >
加上nl后,合并到local file中的hdfs文件之间会空出一行
7.cp
hadoop fs -cp < hdfs file > < hdfs file >
目标文件不能存在,否则命令不能执行,相当于给文件重命名并保存,源文件还存在 hadoop fs -cp < hdfs file or dir
… < hdfs dir >
目标文件夹要存在,否则命令不能执行
8.mv
hadoop fs -mv < hdfs file > < hdfs file >
目标文件不能存在,否则命令不能执行,相当于给文件重命名并保存,源文件不存在
hadoop fs -mv < hdfs file or dir >… < hdfs dir >
源路径有多个时,目标路径必须为目录,且必须存在。 注意:跨文件系统的移动(local到hdfs或者反过来)都是不允许的
9.count
hadoop fs -count < hdfs path >
统计hdfs对应路径下的目录个数,文件个数,文件总计大小 显示为目录个数,文件个数,文件总计大小,输入路径
10.du
hadoop fs -du < hdfs path>
显示hdfs对应路径下每个文件夹和文件的大小
hadoop fs -du -s < hdfs path>
显示hdfs对应路径下所有文件的大小
hadoop fs -du - h < hdfs path>
显示hdfs对应路径下每个文件夹和文件的大小,文件的大小用方便阅读的形式表示,例如用64M代替67108864
11.text
hadoop fs -text < hdfs file>
将文本文件或某些格式的非文本文件通过文本格式输出
12.setrep
hadoop fs -setrep -R 3 < hdfs path >
改变一个文件在hdfs中的副本个数,上述命令中数字3为所设置的副本个数,-R选项可以对一个人目录下的所有目录+文件递归执行改变副本个数的操作
13.stat
hdoop fs -stat [format] < hdfs path >
返回对应路径的状态信息
[format]可选参数有:%b(文件大小),%o(Block大小),%n(文件名),%r(副本个数),%y(最后一次修改日期和时间)
可以这样书写hadoop fs -stat %b%o%n < hdfs path >,不过不建议,这样每个字符输出的结果不是太容易分清楚
14.tail
hadoop fs -tail < hdfs file >
在标准输出中显示文件末尾的1KB数据
15.archive
hadoop archive -archiveName name.har -p < hdfs parent dir > < src >* <
hdfs dst >命令中参数name:压缩文件名,自己任意取;
< hdfs parent dir > :压缩文件所在的父目录;
< src >:要压缩的文件名;
< hdfs dst >:压缩文件存放路径
示例:hadoop archive -archiveName hadoop.har -p /user 1.txt 2.txt /des
示例中将hdfs中/user目录下的文件1.txt,2.txt压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下,如果1.txt,2.txt不写就是将/user目录下所有的目录和文件压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下
显示jar的内容可以用如下命令:hadoop fs -ls /des/hadoop.jar
显示jar压缩的是那些文件可以用如下命令
hadoop fs -ls -R har:///des/hadoop.jar
注意:jar文件不能进行二次压缩。如果想给.jar加文件,只能找到原来的文件,重新创建一个。jar文件中原来文件的数据并没有变化,jar文件真正的作用是减少NameNode和DataNode过多的空间浪费。
16.balancer
hdfs balancer
如果管理员发现某些DataNode保存数据过多,某些DataNode保存数据相对较少,可以使用上述命令手动启动内部的均衡过程
17.dfsadmin
hdfs dfsadmin -help
管理员可以通过dfsadmin管理HDFS,用法可以通过上述命令查看 hdfs dfsadmin -report
显示文件系统的基本数据
hdfs dfsadmin -safemode < enter | leave | get | wait >
enter:进入安全模式;leave:离开安全模式;get:获知是否开启安全模式; wait:等待离开安全模式
18.distcp
用来在两个HDFS之间拷贝数据
2、基于sogo日志文件的分析(实验十、十七核心代码)
实验十MapReduce编程:检索特定群体搜索记录
代码清单org.zkpk.hadoop.moviefilter.MovieFilterMapper:
package org.zkpk.hadoop.moviefilter;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class MovieFilterMapper extends Mapper<Object,Text,Text,Text>{
protected void map(Object key,Text value,Context context)
throws IOException,InterruptedException{
String [] arr = value.toString().split("\t");
if(arr.length == 6){
String uid = arr[1];
String keyword = arr[2];
if (keyword.indexOf("电影") >= 0){
context.write(new Text(uid), new Text(keyword) );
}
}
}
}
MovieFilterMapper类代码
代码清单
org.zkpk.hadoop.moviefilter.MovieFilterReducer:
package org.zkpk.hadoop.moviefilter;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class MovieFilterReducer extends Reducer<Text ,Text ,Text ,Text>{
protected void reduce(Text key ,Iterable<Text> values ,Context context)
throws IOException ,InterruptedException{
StringBuffer sb = new StringBuffer();
boolean flag = false;
for(Text val :values){
flag = true;
sb.append(val.toString() +",");
}
if(flag)
sb.setLength(sb.length() - 1);
context.write(key, new Text(sb.toString()));
}
}
MovieFilterReducer类代码
代码清单org.zkpk.hadoop.moviefilter.MovieFilter:
package org.zkpk.hadoop.moviefilter;
import java.io.IOException;
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;
public class MovieFilter {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException{
String in = args[0];
String out = args[1];
Configuration conf = new Configuration();
Job job = new Job(conf,"MovieFilter");
job.setJarByClass(MovieFilter.class);
job.setMapperClass(MovieFilterMapper.class);
job.setReducerClass(MovieFilterReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.addInputPath(job, new Path(in));
FileOutputFormat.setOutputPath(job, new Path(out));
job.waitForCompletion(true);
}
}
实验十七MapReduce编程:检索特定偏好用户。
SearchMap类代码
代码清单org.zkpk.hadoop.search.SearchReduce:
package org.zkpk.hadoop.search;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class SearchReduce extends Reducer<Text ,Text ,Text ,IntWritable>{
protected void reduce(Text key ,Iterable<Text> values , Context context)
throws IOException,InterruptedException{
int sum = 0;
for(Text keyword: values){
sum++;
}
context.write(key, new IntWritable(sum));
}
}
SearchMain类代码
代码清单org.zkpk.hadoop.search.SearchMap:
package org.zkpk.hadoop.search;
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class SearchMap extends Mapper<Object ,Text ,Text ,Text>{
protected void map(Object key ,Text value ,Context context)
throws IOException,InterruptedException{
String []arr = value.toString().split("\t");
if(arr != null && arr.length == 6){
String uid = arr[1];
String keyword = arr[2];
if (keyword.indexOf("仙剑奇侠传") >= 0){
context.write(new Text(uid), new Text(keyword));
}
}
}
}
代码清单org.zkpk.hadoop.search.SearchMain:
package org.zkpk.hadoop.search;
import java.io.IOException;
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;
public class SearchMain {
public static void main(String[] args)
throws IOException,ClassNotFoundException,InterruptedException{
if(args == null || args.length !=2){
System.err.println("<Usage>: SearchMain need <input> <output>");
System.exit(1);
}
String in = args[0];
String out = args[1];
Configuration conf = new Configuration();
Job job = new Job(conf ,"SearchMain");
job.setJarByClass(SearchMain.class);
job.setMapperClass(SearchMap.class);
job.setReducerClass(SearchReduce.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(in));
FileOutputFormat.setOutputPath(job, new Path(out));
System.exit(job.waitForCompletion(true)? 0:1);
}
}
3、 看代码写结果(两次实验大作业扩展实验代码)
实验八MapReduce编程:单词计数
代码清单org.zkpk.hadoop.wordcount.WordMain:
package org.zkpk.hadoop.wordcount;
import java.io.IOException;
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.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
public class WordMain {
public static void main(String[] args) throws IOException,
ClassNotFoundException, InterruptedException {
if (args.length != 2 || args == null){
System.out.println("please input current Path");
System.exit(0);
}
Configuration conf = new Configuration();
Job job = new Job(conf ,WordMain.class.getSimpleName());
//打包jar包
job.setJarByClass(WordMain.class);
//通过job设置输入输出格式
job.setInputFormatClass(TextInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
//设置输入输出略径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
//设置处理Map/Reduce阶段的类
job.setMapperClass(WordMap.class);
job.setReducerClass(WordReduce.class);
//设置最终输出key/value的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
//提交作业
job.waitForCompletion(true);
}
}
代码清单org.zkpk.hadoop.wordcount.WordMap:
package org.zkpk.hadoop.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class WordMap extends Mapper<Object ,Text,Text,IntWritable>{
protected void map(Object key,Text value,Context context)
throws IOException,InterruptedException{
String [] lines = value.toString().split(" ");
for(String word:lines){
//每个单词出现1次,作为中间结果输出
context.write(new Text(word), new IntWritable(1));
}
}
}
代码清单org.zkpk.hadoop.wordcount.WordReduce:
package org.zkpk.hadoop.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class WordReduce extends Reducer<Text,IntWritable,Text,IntWritable>{
protected void reduce(Text key ,Iterable<IntWritable> values,
Context context)throws IOException,InterruptedException{
int sum=0;
for(IntWritable count:values){
sum = sum+count.get();
}
context.write(key, new IntWritable(sum)) ;// 输出最终结果
}
}
实验四Spark Core:Scala单词计数
代码清单ScalaWordCount:
package org.zkpk.lab
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf,SparkContext}
class ScalaWordCount {}
object ScalaWordCount{
def main(args: Array[String]): Unit = {
val list = List("hello hi hi spark",
"hello spark hello hi sparksql",
"hello hi hi sparkstreaming",
"hello hi sparkgraphx")
val sparkConf = new SparkConf().setAppName("word-count").setMaster("local[*]")
val sc = new SparkContext(sparkConf)
val lines : RDD[String] = sc.parallelize(list)
val words : RDD[String] = lines.flatMap((line:String) =>{line.split(" ")})
val wordAndOne : RDD[(String, Int)] =
words.map((word : String) => {(word, 1)})
val wordAndNum : RDD[(String, Int)] =
wordAndOne.reduceByKey((count1 : Int, count2 : Int) => {count1+count2})
val ret = wordAndNum.sortBy(kv => kv._2,false)
println(ret.collect().mkString(","))
ret.saveAsTextFile(args(0))
sc.stop()
}
}
课后习题整理
第一章
-
下列哪一项不属于大数据处理的特点?
集中化 (答案)
高并发
可扩展
分布式 -
下列哪个不属于物联网的应用?
智能物流
智能安防
环保监测
数据采集 (答案) -
下列哪一个不属于大数据产业的产业链环节?
数据存储层 (答案)
数据源层
数据分析层
数据应用层 -
物联网的关键技术包括哪些?
识别和感知技术 (答案)
网络与通信技术 (答案)
数据挖掘与融合技术 (答案)
信息处理一体化技术
第二章
-
在google那篇论文中说明存储位置问题,GFS把每个文件分成 64MB的一些块,然后每个块的几个拷贝存储在不同的机器上(一般是3个拷贝)。MapReduce的master考虑输入文件的位置信息,并且努力在一个包含相关输入数据的机器上安排一个map任务。如果这样做失败了,它尝试在那个任务的输入数据的(== 附近 == )位置安排一个map任务(例如,分配到一个和包含输入数据块在(==相同 == )交换机里的worker机器上执行),这样大部分输入数据在本地被读取,从而不消耗网络带宽。
-
Google在2004年发表了一篇文章阐述了MapReduce分布式编程思想,名字是:MapReduce: Simplified Data Processing on Large Clusters (答案)
-
下列哪一个不属于Hadoop的大数据层的功能?
数据挖掘 (答案)
离线批处理
实时查询
BI分析 -
下列哪项通常是集群的最主要的性能瓶颈。
CPU
磁盘 (答案)
网络
内存 -
一个基本的Hadoop集群中的节点主要包括什么?
DataNode:存储被拆分的数据块 (答案)
JobTracker:协调数据计算任务 (答案)
TaskTracker:负责执行由JobTracker指派的任务 (答案)
SecondaryNameNode:帮助NameNode收集文件系统运行的状态信息 (答案) -
Hadoop在企业中的应用架构包括哪几层?
访问层 (答案)
大数据层 (答案)
数据源层 (答案)
网络层 -
普通的Hadoop集群结构由一个两阶网络构成。
-
Flume是一个日志收集分析框架。
-
Hive是Hadoop生态系统中的数据仓库。
-
Hbase是一个提供高可靠性、高性能、可伸缩、实时读写、分布式的列式数据库
第三章 -
下列不属于NameNode的功能是什么。
提供名称查询服务
保存Block信息,汇报Block信息 (答案DataNode)
保存metadata信息
metadata信息在启动后会加载到内存 -
在实验集群的master节点使用jps命令查看进程时,终端出现以下哪项能说明Hadoop的master节点启动成功?Namenode, secondaryNameNode ,ResourceManager (答案)
-
下列哪些属于Hadoop2.0的改进?
设计了HDFS HA (答案)
提供名称节点热备机制 (答案)
设计了HDFS Federation,管理多个命名空间 (答案)
设计了新的资源管理框架YARN (答案) -
在YARN体系结构中,ApplicationMaster主要功能包括哪些?
当用户作业提交时,ApplicationMaster与ResourceManager协商获取资源,ResourceManager会以容器的形式为ApplicationMaster分配资源 (答案)
把获得的资源进一步分配给内部的各个任务(Map任务或Reduce任务),实现资源的“二次分配” (答案)
定时向ResourceManager发送“心跳”消息,报告资源的使用情况和应用的进度信息 (答案)
向ResourceManager汇报作业的资源使用情况和每个容器的运行状态(NodeManager) -
HDFS特殊的设计,在实现优良特性的同时,也使得自身具有一些应用局限性,主要包括以下哪几个方面?
不适合低延迟数据访问 (答案)
无法高效存储大量小文件 (答案)
不支持多用户写入及任意修改文件 (答案)
较差的跨平台兼容性 -
YARN中的Application Master运行在Slave节点上。
-
客户端采用RPC方式和DataNode进行通信。
-
ResourceManager是Master上一个独立运行的进程,负责集群统一的资源管理、调度、分配等等。
-
HDFS HA设置两个名称节点,“活跃(Active)”和“待命(Standby)” 两种名称节点的状态同步,一旦活跃名称节点出现故障,就可以立即切换到待命名称节点。
-
HDFS的命名空间包含目录、文件和块
-
NameNode本地磁盘保存了Block的位置信息。(False)
不在本地磁盘,而是系统每次启动时扫描所有DataNode重构得到这些信息 -
HDFS的 Web UI 端口是 50070。
第四章
-
Map端的Shuffle过程包括4个步骤,分别是输入数据和执行Map任务;( 写入缓冲区 );溢写;文件归并。
-
用户编写的MapReduce程序通过什么提交到JobTracker端的。Client (答案)
-
Google在2004年发表了一篇文章阐述了MapReduce分布式编程思想,名字是?MapReduce: Simplified Data Processing on Large Clusters (答案)
-
若不针对MapReduce编程模型中的key和value值进行特别设置,下列哪一项是MapReduce不适宜的运算。Average (答案)
-
下列说法有误的是?MapReduce可批处理、实时计算、数据疏散型 (答案)
-
下面哪一项不是MapReduce体系结构主要部分?
JobTracker
Client
TaskTracker以及Task
Job (答案) -
MapReduce执行的全过程包括以下哪几个主要阶段?
从分布式文件系统读入数据 (答案)
执行Map任务输出中间结果 (答案)
通过 Shuffle阶段把中间结果分区排序整理后发送给Reduce任务 (答案)
执行Reduce任务得到最终结果并写入分布式文件系统 (答案) -
对于MapReduce 而言,其处理单位是split。split 是一个逻辑概念,它包含哪些元数据信息?
-
一个Split就包含了64M的数据本身。(False)
split 是一个逻辑概念,它只包含一些元数据信息,比如数据起始位置、数据长度、数据所在节点等。 -
MapReduce不适合迭代计算。
-
Mapreduce的input split就是一个block。(False)
不一定,有可能大于一个block -
下列哪一项是action操作?
reduceByKey
reduce (答案)
map
groupByKey
-
Task 运行在哪一选项中的 Executor 上?
Driver program
spark master
worker node (答案)
Cluster manager
-
哪一项不是 Spark 的四大组件?
Spark Streaming
Mllib
Graphx
Spark R (答案)
-
哪个API以数组的形式返回数据集中的所有元素。
count()
map()
reduce()
collect() (答案) -
如果Spark的部署方式是on Yarn,则系统的cluster manager 是 Yarn。
-
Worker node上的Executer是以多线程的方式运行Task的。
-
Stage的划分原则是将窄依赖尽量划分在同一个Stage中,可以实现流水线计算从而使得数据可以直接在内存中进行交换,避免磁盘IO开销。
-
在Spark程序中必须创建一个SparkContext对象,该对象是Spark程序的入口,负责创建RDD、启动任务等。