Hadoop实战读书笔记（6）

最新推荐文章于 2024-09-13 10:10:28 发布

Vincen??

最新推荐文章于 2024-09-13 10:10:28 发布

阅读量127

点赞数

文章标签：大数据 java python

原文链接：https://my.oschina.net/u/814431/blog/353808

版权

2019独角兽企业重金招聘Python工程师标准>>>

putmerge程序的大体流程是？

1、根据用户定义的参数设置本地目录和HDFS的目录文件

2、提取本地输入目录中每个文件的信息

3、创建一个输出流写入到HDF文件

4、遍历本地目录中的每个文件，打开一个输入流来读取该文件，剩下就是一个标准的Java文件复制过程了

具体程序如下：

public static void main(String[] args) throws IOException {

Configuration conf = new Configuration();

FileSystem hdfs = FileSystem.get(conf);

FileSystem local = FieSystem.getLocal(conf);

// 设定输入目录与输出文件

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

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

try {

// 得到本地文件列表

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

// 生成HDFS输出流

FSDataOutputStream out = hdfs.create(hdfsFile);

for (int i = 0; i < inputFiles.length; i++) {

System.out.println(inputFiles[i].getPath().getName());

// 打开本地输入流

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

byte buffer[] = new byte[256];

int bytesRead = 0;

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

out.write(buffer, 0, bytesRead);

}

in.close();

}

out.close();

} catch (IOException e) {

e.printStackTrace();

}

那么现在有数据了，还要对它进行处理、分析以及做其他的操作。

MapReduce程序通过操作键/值对来处理数据，一般形式为

map: (K1, V1) -> list(K2, V2)

reduce:(K2, list(V2)) -> list(K3, V3)

Hadoop数据类型有哪些？

MapReduce框架并不允许它们是任意的类。

虽然我们经常把某些键与值称为整数、字符串等，但它们实际上并不是Integer、String等哪些标准的Java类。为了让键/值对可以在集群上移动，MapReduce框架提供了一种序列化键/值对的方法。因此，只有那些支持这种序列化的类能够在这个框架中充当键或者值。

更具体的Hadoop类型说明

实现Writable接口的类可以是值

而实现WritableComparable<T>接口的类既可以是键也可以是值

注意WritableComparable<T>接口是Writable和java.lang.Comparable<T>接口的组合，对于键而言，我们需要这个比较，因为它们将在Reduce阶段进行排序，而值仅会被简单地传递。

键/值对经常使用的数据类型列表，这些类均实现WritableComparable接口

类	描述
BooleanWritable	标准布尔变量的封装
ByteWritable	单字节数的封装
DoubleWritable	双字节数的封装
FloatWritable	浮点数的封装
IntWritable	整数的封装
LongWritable	Long的封装
Text	使用UTF-8格式的文本封装
NullWritable	无键值时的站位符

如何自定义数据类型？

只要它实现了Writable(或WritableComparable<T>)接口。

定义一个Edge类型用于表示一个网络的边界

public class Edge implements WritableComparable<Efge> {

private String departureNode;

private String arrivalNode;

public String getDepartureNode() {

return departureNode;

}

// 说明如何读入数据

@Override

public void readFields(DataInput in) throws IOException {

departureNode = in.readUTF();

arrivalNode = in.readUTF();

}

// 说明如何写出数据

@Override

public void write(DataOutput out) throws IOException {

out.writeUTF(departureNode);

out.writeUTF(arrivalNode);

}

// 定义数据排序

@Override

public int compareTo(Edge o) {

return (departureNode.compareTo(o.departureNode) != 0)

? departureNode.compareTo(o.departureNode)

: arrivalNode.compareTo(o.arrivalNode);

}

Mapper类是什么？

一个类要作为mapper，需继承MapReduceBase基类并实现Mapper接口。

mapper和reducer的基类均为MapReduceBase类

其中包含一些函数或方法：

1、void configure(JobConf job)，该函数提取XML配置文件或者应用程序主类中的参数，在数据处理之前调用该函数。

2、void close()，作为map任务结束前的最后一个操作，该函数完成所有的结尾工作，如关闭数据库连接、打开文件等。

Mapper接口负责数据处理阶段，它采用Mapper<K1, V1, K2, V2>Java泛型，这里键类和值类分别实现WritableComparable和Writable接口。

Mapper类只有是一个方法-map，用于处理一个单独的键/值对。

void map (K1 key,

V1 value,

OutputCollector<K2, V2> output,

Reporter reporter

) throws IOException

上面这个map函数的参数都是什么意思？

该函数处理一个给定的键/值对 (K1, V1)，生成一个键/值对 (K2, V2) 的列表（该列表页可能为空）

OutputCollector接收这个映射过程的输出

Reporter可提供对mapper相关附加信息的记录

Hadoop提供了一些有用的mapper实现，这些实现是？

类	描述
IdentityMapper<K, V>	实现Mapper<K, V, K, V>, 将输入直接映射到输出
InverseMapper<K, V>	实现Mapper<K, V, V, K>，反转键/值对
RegexMapper<K>	实现Mapper<K, Text, Text, LongWritable>, 为每个常规表达式的匹配项生成一个（match， 1）对
TokenCountMapper<K>	实现Mapper<K, Text, Text, LongWritable>, 当输入的值为分词时，生成一个（token， 1）对

Reducer是什么？

一个类要作为reducer，需继承MapReduceBase基类并实现Reducer接口。

以便于允许配置和清理。

此外，它还必须实现Reducer接口使其具有如下的单一方法：

void reduce (K2 key,

Iterator<V2> values,

OutputCollector<K3, V3> output,

Reporter reporter

) throws IOException

当reducer任务接收来自各个mapper的输出时，它按照键/值对中的键对输入数据进行排序，并将相同键的值归并。然后调用reduce()函数，并通过迭代处理哪些与指定键相关联的值，生成一个（可能为空的）列表（K3, V3）

OutputCollector接收reduce阶段的输出，并写入输出文件

Reporter可提供对reducer相关附加信息的记录，形成任务进度

一些非常有用的由Hadoop预定义的Reducer实现

类	描述
IdentityReducer<K, V>	实现Reducer<K, V, K, V>, 将输入直接映射到输出
LongSumReducer<K>	实现<K, LongWritable, K, LongWritable>，计算与给定键相对应的所有值的和

注：虽然我们将Hadoop程序称为MapReduce应用，但是在map和reduce两个阶段之间还有一个极其重要的步骤：将mapper的结果输出给不同的reducer。这就是partitioner的工作。

初次使用MapReduce的程序员通常有一个误解？

仅需要一个reducer？采用单一的reducer可以在处理之前对所有的数据进行排序。

No，采用单一的reducer忽略了并行计算的好处。

那么就应该使用多个reducer是么？但需要解决一个问题，如何确定mapper应该把键/值对输出给谁。

默认的作法是对键进行散列来确定reducer。Hadoop通过HashPartitioner类强制执行这个策略。但有时HashPartitioner会出错。

HashPartitioner会出什么错？

假如你使用Edge类来分析航班信息来决定从各个机场离港的乘客数目，这些数据可能是：

(San Francisco, Los Angeles) Chuck Lam

(San Francisco, Dallas) James Warren

如果你使用HashPartitioner，这两行可以被送到不同的reducer，离港的乘客数目被处理两次并且两次都是错误的

如何为你的应用量身定制partitioner呢？

上面的情况，我希望具有相同离港地的所有edge被送往相同的reducer，怎么做呢？只要对Edge类的departureNode成员进行散列就可以了：

public class EdgePartitioner implements Partitioner<Edge, Writable> {

@Override

public int getPartition (Edge key, Writable value, int numPartitions) {

return key.getDepartureNode().hashCode() % numPartitions;

}

@Override

public void configure(JobConf conf) { }

}

一个定制的partitioner只需要实现configure()和getPartition()两个函数，前者将Hadoop对作业的配置应用在patitioner上，而后者返回一个介于0和reduce任务数之间的整数，指向键/值对将要发送的reducer

Combiner：本地reduce

在许多MapReduce应用场景中，我们不妨在分发mapper结果之前做一下 "本地Reduce"。再考虑一下WordCount的例子，如果作业处理的文件中单词 "the" 出现了574次，存储并洗牌一次 ("the", 574) 键/值对比许多次 ("the", 1) 更为高效。这种处理步骤被称为合并。