第一部分Hadoop 分布式的编程框架 

第一章Hadoop 简介 
1、philosophy： move-code-to-data，适合数据密集性应用。 
2、SQL database VS Hadoop: 
   1) SCALE-OUT INSTEAD VS SCALE-UP 
   2) Key/value对VS 关系表：无结构、半结构数据VS 结构化的数据 
   3）函数式编程（MapReduce)VS 声明式编程（SQL）：hivecan map the sql to the job 
   4)离线批处理VS 在线事务处理 
3、理解MapReduce 
  1）2个阶段： 
       map：转换+过滤数据：<k1, v1> -> list(<k2, v2>) 
       reduce：<k2,list(v2)> -> list(<k3, v3>) 
       map和reduce之间按照key进行group，hadoop负责处理、只需要写map和reduce程序 
  2）word count 例子 


第二章Starting Hadoop 
1、Blocks of Hadoop: 
  NameNode: Master, bookkeeper of the HDFS，keepstrack of how your fi les are broken down into file blocks, which nodes storethose blocks, and the overall health of the distributed filesystem 
  内存、I/O密集型。单点，但SNN可以作为master的备用 

  DataNode: Slave of the HDFS, 存储数据的节点、冗余备份、向NameNode报告本地数据的变化。 
  
  Secondary NameNode（SNN）：作为master的备用节点、获得NameNode的HDFS元数据的快照、集群的配置 
  
  JobTracker：分配提供的job成为多个task，监控各个task，检测各个task的心跳，重启动失败的任务。计算中的master 
  
  TaskTracker：负责执行JobTracker分配的单个任务，像JobTracker发送心跳信息。每个DN节点一个TaskTracker，但它可以创建多个jvm实例，并行的处理多个map和reduce的任务。 
  计算中的slave 

2、安装Hadoop 
三种模式：Local (standalone) mode、Pseudo-distributed mode、Fullydistributed mode 

3、Web-based cluster UI查看节点和job的信息 


第三章Hadoop各个组件 
这章主要从程序员的角度介绍了Hadoop的计算框架。 
3.1 在HDFS文件系统下工作 
HDFS是为分布式计算框架设计的大规模的分布式数据处理而设计的。 
Hadoop shell提供了很多类似Unix的命令行工具，是HDFS系统的主要接口。 
Hadoop也提供了HDFS的编程接口。 

3.1.1基本的文件命令 
基本形式：hadoop fs -cmd <args> 
hadoop fs -ls 
hadoop fs -lsr #相当于linux的ls-r 
hadoop fs -put example.txt . #将example.txt从本地文件系统copy到HDFS上。 
hadoop fs -get example.txt . #从HDFS将exampleget到本地 
hadoop fs -cat example.txt  #相当于linux的cat 
hadoop fs -tail example.txt #linux tail 
可以结合Unix管道： 
hadoop fs -cat example.txt | head -n 10 
hadoop fs -rm example.txt #linux rm 
查看帮助，比如ls的帮助： 
hadoop fs -help ls 

可以使用URI来制定精确的文件和目录位置： 
hadoop fs -cathdfs://localhost:9000/user/chunk/example.txt 
如果处理本地文件系统，那么可以通过配置fs.default.name来配置默认的file://scheme部分。 

Xml代码  说明: 收藏代码

1. <property>  

2. <name>fs.default.name</name>  

3. <value>hdfs://localhost:9000</value>  

4. </property>  


这样就可以直接hadoopfs -cat /user/chunk/example.txt 

3.1.2编程的方式读写HDFS 
Java编程方式操作HDFS，主要在org.apache.hadoop.fs包下面。Hadoop文件操作主要包括： 
打开、读、写、关闭，不仅可以操作HDFS，也可以操作本地普通的文件系统。 

FileSystem：是文件系统的交互的一个抽象类，有很多具体的子类来处理HDFS和本地文件系统。可以使用:FileSystem.get(Configurationconf)这个工厂来创建期望的实例。 
Configuration：只有key/value配置参数的类。默认的配置是基于HDFS系统的资源配置的。 

Java代码  说明: 收藏代码

1. Configuration conf = new Configuration();  

2. FileSystem hdfs = FileSystem.get(conf);  


FileSystem.getLocal(Configuration conf)可以创建一个针对本地的文件系统。 

Path: 文件和目录的名字 
FileStatus: 文件和目录的元数据信息 

Java代码  说明: 收藏代码

1. FileSystem local = FileSystem.getLocal(conf);  

2. Path inputDir = new Path(args[0]);  

3. FileStatus[] inputFiles = local.listStatus(inputDir);  



FSDataInputStream: 

Java代码  说明: 收藏代码

1. FSDataInputStream in = local.open(inputFiles[i].getPath());  

2. byte buffer[] = new byte[256];  

3. int bytesRead = 0;  

4. while( (bytesRead = in.read(buffer)) > 0 ){  

5. //...  

6. }  

7. in.close();  


FSDataInputStream是javaDataInputStream的子类，支持随机访问. 

FSDataOutputStream:与FSDataInputStream相对应的输出流: 

Java代码  说明: 收藏代码

1. Path hdfsFile = new Path(args[1]);  

2. FSDataOutputStream out = hdfs.create(hdfsFile);  

3. out.write(buffer,o,bytesRead);  

4. out.close();  



3.2 一个MapReduce程序剖析 
Map Reduce数据流： 
说明: http://fuliang.iteye.com/upload/picture/pic/96422/4faccd48-8d09-3565-b165-5593ea63d842.jpg 

3.2.1 Hadoop数据类型 
MapReduce的key,value不能是普通的class，它需要key/value实现序列化的方法， 
key还需要具有可比较性。所以MapReduce对基本类型进行了封装。 
一般key/value会实现WritableComparable<T>接口，value会Writable接口。 
Hadoop预定义了一些对基本类型封装的类型：BooleanWritable,ByteWritable, 
DoubleWritable,FloatWritable,IntWritable,LongWritable,Text,NullWritable。 
你可以自己定义类型，实现Writable或者WritableComparable接口。 

3.2.2 Mapper 
作为一个Mapper，一般实现了Mapper接口并且继承了MapReduceBase类。MapReduceBase从名字可以看出，作为Mapper和Reducer的基类。 
有两个方法作为构造和析构： 
void configure(JobConf job) 在数据处理之前调用，加载配置项 
void close() 在map任务结束调用，进行资源回收，比如数据库连接、打开文件关闭。 

Mapper接口负责数据处理阶段，他有一个map方法,来处理key/value对： 

Java代码  说明: 收藏代码

1. void map(K1 key, V1 value, OutputCollector<K2,V2> output,Reporter reporter)  

2. throws IOException  


这个方法给定输入(k1,v1)得到list(k2,v2) 
OutputCollector接受mapper过程的结果，Reporter记录了任务进度的相关信息。 
Hadoop预定义了一些Mapper: 
IdentityMapper<K,V>: 实现了Mapper<K,V,K,V>将输入直接映射为输出 
InverseMapper<K,V>:实现了Mapper<K,V,V,K>逆置key/value对 
RegexMapper<K>: 实现了Mapper<K,Text,Text,LongWritable>,对匹配的项生成(match,1)对 
TokenCount<K>: 实现了Mapper<K,Text,Text,LongWritable>,生成(token,1)对 

3.2.3 Reducer 
Reducer和Mapper一样都继承了MapReduceBase类，同时还实现了Reducer接口，它包含了 
单个方法： 

Java代码  说明: 收藏代码

1. void reduce(K2 key,Iterator<V2> values,OutputCollector<K3,V3> output,  

2.  Reporter reporter) throws IOException  


Reducer接受到各个mapper的输出，将key/value对按照key进行排序然后按照key进行分组。 
然后调用reduce函数。OutputCollection接收reduce过程的输出，并将输出写入文件中。 
Reporter记录了reducer任务的进度的额外信息。 

Hadoop默认实现了一些Reducer： 
IdentityReducer<K,V>：实现了Reducer<K,V,K,V>将输入直接映射为输出。 
LongSumReducer<K>: 实现了Reducer<K,LongWritable,K,LongWritable>，计算出一个key所有value的和。 

3.2.4 划分--将Mapper的输出重定向 
一个常见的误解是，MapReduce程序只有一个Reducer。 
有多个Reducer就需要将mapper的输出正确的发送的某个Reducer上。默认的是将key进行hash 
然后决定输出到哪个Reducer上，Hadoop提供了HashPartitioner类。 
有时候我们需要自定义Partitioner，需要实现configure()和 
getPartition()方法，configure根据hadoopjob的配置来配置partitioner， 
getPartition返回分配到的reducer的号，大小从0到reducer数。 

比如分析航线信息，计算从离开飞机场乘客的数量。 

引用


(San Francisco, Los Angeles) Chuck Lam 
(San Francisco, Dallas) James Warren 
... 


我们实现EdgePartitioner: 

Java代码  说明: 收藏代码

1. public class EdgePartitioner implements Partitioner<Edge, Writable>  

2. {  

3. @Override  

4. public int getPartition(Edge key, Writable value, int numPartitions)  

5. {  

6. return new Long(key.getDepartureNode()).hashCode() % numPartitions;  

7. }  

8. @Override  

9. public void confi gure(JobConf conf) { }  

10.}  



3.2.5 组合--本地reducer 
很多MapReducer程序，在分发mapper结果之前希望进行一次本地的Reducer操作。 
比如WordCount的例子，如果一个job处理一个文档包含the 574词，存储和shuffle(the,574)一次要比多次(the,1)要高效。 

3.2.6 Word Counting和预定义的Mapper和Reducer类 
使用hadoop预定义的TokenCountMapper和LongSummReducer类重写r了WordCount例子。 

3.3 读和写 
MapReduce需要读取输入的数据，写输出的数据，所以文件的格式需要关注。hadoop提供了 
灵活的处理各种数据格式的方法。 
每个split大小要合适，既要足够小，提供并行处理能力，又不能太小，以至于启动和停止的时间占了大部分。 
Hadoop的FSDataInputStream具有随机读的能力，所以能够有效的定位到文件split的位置。 

Hadoop提供一些数据格式，你还可以自定义格式。 

3.3.1 输入格式： 
InputFormat接口：所有的实现输入文件split up供hadoop读取实现的接口。 

TextInputFormat: 默认的InputFormat实现类。这对于没有定义key的，但是想一行一行处理的数据来说非常有用。每一行一条记录 
key: 当前行的byte offset, LongWritable 
value：当前行,Text。 

KeyValueTextInputFormat: 每行一条记录，第一个分隔符将一行分开， 
key：分割符之前的部分，Text 
value: 分割符之后的部分,Text 

SequenceFileInputFormat<K,V>: 一种对于一个MapReducejob是另一个MapReduce输入的一种优化的格式： 
key: K用户定义 
value: V用户自定义 

NLineInputFormat: 和TextInputFormat类似，每个split保证含有N行，mapred.line.input.format.linespermap属性，默认是1，设置了N 
key: LongWritable 
value: Text 

你可以在配置输入使用的格式： 
conf.setInputFormat(KeyValueTextInputFormat.class); 

创建自定义的输入格式： 
有时候hadoop提供的标准的几个输入格式不能满足要求，需要自定义。InputFormat接口 
包含了两个方法： 

Java代码  说明: 收藏代码

1. public interface InputFormat<K,V>{  

2.   InputSplit[] getSplits(JobConf job, int numSplits) throws IOException;  

3.   RecordReader<K,V> getRecordReader(InputSplit split,  

4.                                     JobConf job,  

5.                                     Reporter reporter) throws IOException;  

6. }  


这两个方法提供的功能： 
1.将输入数据分成输入的split，每一个map任务处理一个split 
2.提供迭代给定split的每个记录的能力，并且能够将每个记录解析成预定义类型的key和value。 

一般继承FileInputFormat，它实现了getSplits方法，但没有实现getRecordReader,FileInputFormat还提供了一些protected的方法，供子类覆写。 
比如isSplitable(FileSystemfs, Path filename)，它检查是否可以将一个文件分块。 
有些压缩文件和其他的文件需要将一个文件视为原子记录，那么可以覆写，返回false。 

使用了FileInputFormat之后，需要关注的就是自定义RecordReader: 

Java代码  说明: 收藏代码

1. public interface RecordReader<K,V>{  

2.   boolean next(K key, V value) throws IOException;  

3.   

4.   K createKey();  

5.   V createValue();  

6.   long getPos() throws IOException;  

7.   void close() throws IOException;  

8.   float getProgress() throws IOException;  

9. }  


Hadoop有一些实现好的RecordReader，比如LineRecordReader<LongWritable,Text> 
它在TextInputFormat被使用，KeyValueLineRecordReader在KeyValueTextInputFormat被使用。 

3.3.2 输出格式。 
和InputFormat对应，输出有OutputFormat类，输出没有splits，每个reducer写入自己的文件。 
Hadoop提供了一些预定义的输出格式实现，可以通过JobConf的setOutputFormat来指定。 
TextOutputFormat<K,V> 将每个记录写成一行，key和value用\t分割，可以在mapred.textoutputformat.separator中指定分隔符。 
SequenceFileOutputFormat<K,V> 将key/value写入hadoop的sequence文件格式。和 
SequenceFileInputFormat对应。 

NullOutputFormat<K,V> 不输出。