需求:统计流量且按照手机号的归属地,将结果数据输出到不同的省份文件中
该程序和流浪统计(3)很相似,唯一不同的是在其中增加了partitioner 的使用 首先在介绍partitioner之前,我们先了解一下为啥要使用它?
我们知道在执行map任务的时候,会将key/value写入内存或者磁盘。
这个时候我们在往内存写数据的时候,会根据key创建分区。
问题一:为什么要创建分区?
我们如果文件很大,我们只使用一个reducer,这个reducer就要负责去所有map端取数据。那么势必会带来性能问题,而且服务器资源也没有合理利用起来
如果要合理利用,则需要多起几个reducer,那这几个reducer去map端拉取整个文件,这样的话就有这样一个问题:相同的key可能分布在不同map机器或者map文件中,每一个reducer计算出来的结果可能有问题。
现在我们对map的数据进行分区,然后我们就能保证相同的key都在一个分区上,然后reducer拉取数据的时候,所计算的结果是没有问题的。这样既保证的mapreduce执行的效率,又保证了数据的正确性。
简单一句话:分区就是更好的将map任务的结果均匀分配给reducer
问题二:怎么创建?
分区的默认实现HashPartitioner,它根据key的hashcode和Interger.
MAX_VALUE参与与运算然后 %指定的reducer数量。如果Reducer没有指定,那么默认就是一个,所以分区数也是一个,因为任何数%1=0,所以只有一个分区。
这种情况情况有时候可能某些分区数据很多,有的分区数据很少,有数据倾斜的问题,所以我们有时候需要自己定义Partitioner类
问题三
3.1 Reducer是如何知道取哪一台机器的哪一个分区的数据呢?
Map任务结束就会通知MRAppMaster报告Map任务运行的状态或者输出的信息,然后Reducer启动之后,EventFetcher线程就会不断向MRAppMaster查询这些状态或者信息,并把主机和对应的URL信息封装在MapHost里。然后Fetcher线程就知道从哪一台机器通过什么URL去获取数据
3.2如何知道取哪一个分区的数据呢?
我们知道Reducer的EventFetcher线程会向MRAppMaster查询Map任务的状态信息,然后封装在一个MapHost中。然后Fetcher线程就会从根据主机名和URL去copy数据,在这个URL中,URL格式如下:
url=13562/mapOutput?job=job_1488251187492_0003&reduce=0&map=attempt_1488251187492_0003_m_000001_0
户提供一个reduce参数,这个参数的值就是和各个map节点任务的分区对应着的,所以知道从哪个分区去获取数据
了解清楚之后,对它进行使用
使用IDEA编写代码:定义类 分别为:FlowCount,FlowCountMapper,FlowCountReducer,ProvincePartitioner,FlowBean
包结构:
定义一个FlowBean对象,将上行流量和下行流量封装到对象中
package com.lyz.bigdata.mr.provinceflow;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
/**
*@Author:759057893@qq.com Lyz
*@Date: 2019/2/28 21:31
*@Description:
**/
public class FlowBean implements Writable {
private long upFlow;
private long dFlow;
private long sumFlow;
public FlowBean() { }
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getdFlow() {
return dFlow;
}
public void setdFlow(long dFlow) {
this.dFlow = dFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
public FlowBean(long upFlow, long dFlow) {
this.upFlow = upFlow;
this.dFlow = dFlow;
this.sumFlow = dFlow+upFlow;
}
@Override
public String toString() {
return upFlow + "\t" + dFlow + "\t" + sumFlow;
}
/**
* 序列化方法
*/
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(dFlow);
out.writeLong(sumFlow);
}
/**
* 反序列化方法
* 注意:反序列化的顺序跟序列化的顺序完全一致
*/
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
dFlow = in.readLong();
}
}
FlowCount类
package com.lyz.bigdata.mr.provinceflow;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
/**
*@Author:759057893@qq.com Lyz
*@Date: 2019/2/28 21:28
*@Description:
**/
public class FlowCount {
static class FlowCountMapper extends Mapper<LongWritable, Text, Text, FlowBean> {
@Override
protected void map(LongWritable key, Text value,Context context) throws IOException, InterruptedException{
//将一行内容转成string
String line =value.toString();
//切分字段
String[] fields =line.split("\t");
//取出手机号
String phone =fields[1];
//取出上行流量下行流量
long upFlow = Long.parseLong(fields[fields.length-3]);
long dFlow = Long.parseLong(fields[fields.length-2]);
context.write(new Text(phone),new FlowBean(upFlow,dFlow));
}
}
static class FlowCountReducer extends Reducer<Text, FlowBean, Text, FlowBean>{
@Override
protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException{
long sum_upFlow = 0;
long sum_dFlow = 0;
//遍历所有bean,将其中的上行流量,下行流量分别累加
for(FlowBean bean :values){
sum_upFlow += bean.getUpFlow();
sum_dFlow += bean.getdFlow();
}
FlowBean resultBean = new FlowBean(sum_upFlow,sum_dFlow);
context.write(key,resultBean);
}
}
public static void main(String[] args) throws Exception {
// 1 获取job信息
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
// 2 获取jar包位置
job.setJarByClass(FlowCount.class);
// 3 关联自定义的mappper和reducer
job.setMapperClass(FlowCountMapper.class);
job.setReducerClass(FlowCountReducer.class);
//指定我们自定义的数据分区器
job.setPartitionerClass(ProvincePartitioner.class);
//同时指定相应“分区”数量的reducetask
job.setNumReduceTasks(5);
// 4 设置map输出数据类型
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
// 5 设置最终输出数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
// 6 设置数据输入和输出文件路径
FileInputFormat.setInputPaths(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
// 7 提交代码
// job.submit();
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
ProvincePartitioner类,它继承了Partitioner类
package com.lyz.bigdata.mr.provinceflow;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;
import java.util.HashMap;
/**
*@Author:759057893@qq.com Lyz
*@Date: 2019/3/9 11:22
*@Description:
**/
/**
* K2 V2 对应的是map输出kv的类型
* @author
*
*/
public class ProvincePartitioner extends Partitioner <Text,FlowBean > {
public static HashMap<String ,Integer > proviceDict = new HashMap<String ,Integer>();
static{
proviceDict.put("136",0);
proviceDict.put("137",1);
proviceDict.put("138",2);
proviceDict.put("139",3);
}
@Override
public int getPartition(Text key, FlowBean flowBean, int numPartitions) {
String prefix =key.toString().substring(0,3);
Integer provinceId =proviceDict.get(prefix);
return provinceId==null?4:provinceId;
}
}
然后用IDEA进行打包 打包方式请看博主写的https://blog.csdn.net/weixin_38201936/article/details/88018493 文章
打包成功后 首先在hdfs 中创建文件
hadoop fs -mkdir -p /flowsum/input
创建成功后在网页上查看是否创建成功
然后创建一个文件,将需要统计的数据集粘贴进去
vi flow.data 数据集如下
1363157985066 13726230503 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200
1363157995052 13826544101 5C-0E-8B-C7-F1-E0:CMCC 120.197.40.4 4 0 264 0 200
1363157991076 13926435656 20-10-7A-28-CC-0A:CMCC 120.196.100.99 2 4 132 1512 200
1363154400022 13926251106 5C-0E-8B-8B-B1-50:CMCC 120.197.40.4 4 0 240 0 200
1363157993044 18211575961 94-71-AC-CD-E6-18:CMCC-EASY 120.196.100.99 iface.qiyi.com 视频网站 15 12 1527 2106 200
1363157995074 84138413 5C-0E-8B-8C-E8-20:7DaysInn 120.197.40.4 122.72.52.12 20 16 4116 1432 200
1363157993055 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200
1363157995033 15920133257 5C-0E-8B-C7-BA-20:CMCC 120.197.40.4 sug.so.360.cn 信息安全 20 20 3156 2936 200
1363157983019 13719199419 68-A1-B7-03-07-B1:CMCC-EASY 120.196.100.82 4 0 240 0 200
1363157984041 13660577991 5C-0E-8B-92-5C-20:CMCC-EASY 120.197.40.4 s19.cnzz.com 站点统计 24 9 6960 690 200
1363157973098 15013685858 5C-0E-8B-C7-F7-90:CMCC 120.197.40.4 rank.ie.sogou.com 搜索引擎 28 27 3659 3538 200
1363157986029 15989002119 E8-99-C4-4E-93-E0:CMCC-EASY 120.196.100.99 www.umeng.com 站点统计 3 3 1938 180 200
1363157992093 13560439658 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 15 9 918 4938 200
1363157986041 13480253104 5C-0E-8B-C7-FC-80:CMCC-EASY 120.197.40.4 3 3 180 180 200
1363157984040 13602846565 5C-0E-8B-8B-B6-00:CMCC 120.197.40.4 2052.flash2-http.qq.com 综合门户 15 12 1938 2910 200
1363157995093 13922314466 00-FD-07-A2-EC-BA:CMCC 120.196.100.82 img.qfc.cn 12 12 3008 3720 200
1363157982040 13502468823 5C-0A-5B-6A-0B-D4:CMCC-EASY 120.196.100.99 y0.ifengimg.com 综合门户 57 102 7335 110349 200
1363157986072 18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99 input.shouji.sogou.com 搜索引擎 21 18 9531 2412 200
1363157990043 13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200
1363157988072 13760778710 00-FD-07-A4-7B-08:CMCC 120.196.100.82 2 2 120 120 200
1363157985066 13726238888 00-FD-07-A4-72-B8:CMCC 120.196.100.82 i02.c.aliimg.com 24 27 2481 24681 200
1363157993055 13560436666 C4-17-FE-BA-DE-D9:CMCC 120.196.100.99 18 15 1116 954 200
保存成功后 移入input 文件夹中
hadoop fs -put flow.data /flowsum/input
将打包成功的jar 包移动到集群中,并运行
hadoop jar provinceFlow.jar /flowsum/input /flowsum/provinceout
在这里说明一下 由于idea 打jar的时候已经将main方法打入jar包,所以已经指定了main方法 在这里就不用添加类名的指向路径
上面的执行成功后 结果如下:一共分成五个区 0-3 代表电话号码是136-139,4区代表其他的号码
上述是所有的运行结果!