【大数据】Hadoop—— 三大核心组件理论入门 | 完全分布式集群搭建 | 入门项目实战

前言

学校大三小学期的第二阶段：大数据系统开发到了。

不过这一个礼拜感觉很轻松，再好不过了，可惜的是老师因为录音设备的问题，在线上课的效果非常差，所以我找了一个很不错的慕课听。有趣的是，这个慕课和老师讲的基本重合，甚至老师要讲什么我都能猜出来，我都有点怀疑老师是不是借鉴了视频的讲法。

废话不多说，先上课程：

厦门大学《大数据技术原理与应用》——林子雨老师

本文是这门课程前半部分的总结与理解，综合了老师ppt的内容，足以应对考试与大作业。

大数据概述

时代背景

现在是第三次信息浪潮，由以下三种技术组成：

1. 大数据。大数据提供了对海量数据的储存和运算支持
2. 云计算。云计算提供了对海量数据在云端的运算
3. 物联网。物联网的感知系统，比如摄像头，传感器，可以生成海量数据。

实现以上技术的硬件基础如下：

1. 硬件成本，储存空间飞速增长。
2. 显卡和cpu的换代大大提升了算力。
3. 带宽飞速增长加快了数据传输速度

4V特点

大数据经常把4V提到嘴边

1. volume（大容量）
2. variety（多样化）。曾经的数据都是结构化数据，存在关系表中，但是现在有各种形式的非结构化，半结构化数据，比如视频，文本，图像，各种日志，文档，文本。
3. velocity（高速度）。保证低延迟是大数据的原则，即使数据量巨大。
4. value（低价值密度）。大数据有很大的价值，但是密度很低，需要从海量数据中挖掘。

大数据思维

1. 全样而非抽样。以前是抽样分析，现在直接把所有样本，海量数据，直接丢进去分析。
2. 效率而非精确。以前是抽样，如果不精确，本来抽样就损失了一些精确度，再不精确结果就很可能是错的，但是现在是全样了，已经可以容忍局部的错误，只要整体方向正确就好。
3. 相关而非因果。我不需要知道前因后果，只需要堆数据，确定联系就好。类似于古代很朴素的思想，属实是返璞归真了，现在的深度学习技术就是这种思想的体现，我也不管是不是黑盒，反正我就丢一大堆数据进去，让网络拟合。

核心技术

储存

储存，分文件系统和假设在文件系统上的数据库系统。

文件系统有两个：

1. 谷歌GFS。
2. HDFS，是谷歌GFS的开源版本

同样的，数据库也是：

1. 谷歌BigTable。
2. HBase，是BigTable的开源版本。

计算

相关技术

云计算

云计算本质上是一种封装，解耦。

何以见得？你写代码的时候是不是需要调库，调库意味着你不需要从头开始实现。

从一个计算系统的角度来说，你从机器的购买，配置，搭建，部署，到软件开发，发布一系列流程本来都是你自己走下来的，如果有了云计算，你就可以直接跳到软件开发那一步，这和代码库的封装本质是一样的。

同时，云计算的解耦特性，可以让云计算服务商专心搞计算硬件服务，让客户专心搞软件层面的东西，这种解耦也可以提高社会分工程度。

所以云计算的意义是很大的，同时这个概念出来也并不新奇。

云计算可以分成三种层次的服务：

1. IaaS(Infrastructure as a service)。基础设施即服务，这种是最常见的，比如我们到阿里云上租一个服务器，租一个弹性计算服务等等，实际上我们是在租他的硬件。
2. PaaS(platform)。这种封装的比较高，可以理解为给你提供一个SDK，你可以用这个云计算SDK开发程序，这让我想到了科大讯飞之类公司，官网上提供的接口，我猜这个就是PaaS吧。
3. SaaS(software)。这个封装到了极点，直接写个基于云计算的软件，让你用（我感觉定制也是ok的）。

云计算还有一个关键概念：数据中心

所有的数据最终还是要存到硬件中的，只不过云计算是集中了起来罢了。

数据中心的成本很高，所以需要满足以下需求：

1. 地质结构稳定，气候良好。
2. 电费便宜。
3. 气候凉爽。

实际上，数据中心能量利用率很低：

关于政务云。

曾经我就在思考，为什么不同政府平台的数据就不统一呢？现在我明白了，当时各有各的服务器集群，而现在时代变了，可以全国公用一个平台了。

这个平台就叫政务云。

物联网

Hadoop简介

简介

Hadoop是一个开源项目，用Java原生开发，有其他语言的接口。

Hadoop将底层的分布式技术细节隐藏，令用户在体验上保持原状。

Hadoop的核心组件有HDFS，MapReduce，分别解决了大数据储存和计算的问题。

Hadoop有以下优点：

1. 可靠性。集群中出故障几乎是必然的，而Hadoop采用冗余数据，保证除了故障依旧能正常运行。
2. 高效性。集群中多个节点同时并行计算，传输，效率很高。（这里和冗余数据也有关系，冗余的也不是完全没用的）
3. 可扩展性（水平）。水平扩展指的是不断增加机器数量，而垂直扩展就是把一台机器的素质提升。Hadoop集群的扩展很简单，就堆节点就好
4. 低成本。集群中每一台机器的质量可以很一般，但是只要数量多，就可以达到很好的效果

Hadoop现在广泛用于包括Facebook在内的各种公司的项目中。

版本之分

hadoop版本很乱。

1.0到2.0，将MapReduce中负责计算资源调度的模块抽取出来变成YARN，提高了效率。

同时提出来的模块还可以用于其他项目上，比如Spark

Hadoop有很多不同的发行版本，学生用就用Apache开源，企业可以考虑另外两个，如果想要在中国获取较好的支持，可以用星环。

项目生态结构

Tez将计算任务变成一个DAG，通过解决类似于流水车间调度之类的问题，将任务安排出最优效率的顺序。

Spark的计算基于内存，而MP基于磁盘，内存的读写速度远大于磁盘，所以Spark性能高一个数量级。

Hive是一个高层次的数据仓库产品。Hive中写的是SQL，这保证了用户的体验，但是后台其实将SQL转化成分布式命令。

Pig是流处理的组件，而不是Hive这样的批处理。还可以提供类似于SQL的语句，并嵌入到程序中去，有一种SQLite的感觉，只不过是大数据流处理的领域。

安装和部署

暂时不写。

HDFS

HDFS解决了海量数据的存储问题，是基础的文件系统，类比于Windows的文件管理器。

简介

集群结构

当前计算机集群的架构，由不同机架上的服务器构成。机架内部有光线通信，速度较快，机架之间也有光纤交换机。

HDFS采用主从节点结构，并且主节点只负责调度，指挥，从节点只负责根据命令做出操作，而读写实际上都是客户端和具体的数据节点（从节点）之间交流，交流的凭证就是从主节点那边拿过来的（颇有一种令牌的感觉，主节点给出令牌，客户端拿着令牌去找从节点提取资源）。

实现目标（优点）与缺陷

一个核心：大容量，但没必要灵活，或者无法灵活。

1. 支持大数据集。这个不用说是核心。
2. 兼容廉价的硬件设备。大量硬件是大数据的容纳场所，如果这个无法实现，那还不如纵向扩展呢。
3. 实现流数据读写。只允许一次性读写几乎全部数据，不允许传统的少部分读，同样是舍弃灵活换来效率。
4. 简单的文件模型。只允许追加，不允许修改，舍弃了灵活性，换来效率，这也是没办法的事情，如果要修改那么一大堆文件，效率就会很低。
5. 跨平台兼容特性。Java开发。

大数据带来如下缺陷：

1. 不适合低延迟数据访问。大数据+流读写决定了不可以灵活地读写。
2. 无法高效储存大量小文件。因为分布式储存需要主节点存元数据，文件太多，主节点首先就存不下了。
3. 不允许修改。同样是受制于大数据，不允许修改是效率的保证。

从上面来看，实际上并不是说优缺点，只不过是一个系统向着大数据方向进行特异化，更适应大数据场景。

基本概念

块

文件块就是文件存储的最小单位。

实际上，Windows系统也是将文件按块来储存，只不过块比较小。而大数据场景把文件块变大，比如64M之类的。

块的设计有如下优点：

1. 适应大数据。把大数据切割成块有利于存到不同的数据节点中
2. 简化系统设计。块的大小是固定的，这个信息在底层逻辑中很有用。
3. 适合数据备份。同样，以块为单位备份很好统计与执行。

限制：

理论上，块越大越好，因为可以降低寻址开销。但是如果太大，储存是方便了，但是用的时候，一次性消耗的资源太大了，MapReduce一次只能处理一个块，并行的优势就荡然无存。

名称节点（Name Node）

名称节点就是主节点。

名称节点不储存数据本身，而是储存相关的元数据。相当于总管。

当然，元数据没有那么简单，他是被存在FsImage和EditLog两个文件中去的。

FsImage

FsImage保存了系统中文件的状态，类似于Windows资源管理器中的信息，是直接与用户打交道的信息。

文件块分布信息

这时可能会好奇，FsImage里缺了一项数据：文件存在哪个节点中，即底层的文件块分布信息存在哪？

FsImage不存这个信息，用户实际使用也不需要这个信息。

这个信息是在运行过程中，由另外一片内存管理的。具体说，就是数据节点向名称节点发送信息，告诉他自己存了那些文件的哪些副本，名称对所有数据节点的信息汇总，得到数据的分布信息。

理论上，FsImage也可以存分布信息，但是设计之初就把这个信息单独分离出去，让FsImage只存放与用户打交道的信息，有利于解耦和设计系统。

EditLog

在Windows中，文件修改是即刻发生的，但是在大数据系统中，FsImage是一个很大的文件，如果要频繁修改，会导致效率低下。

这个时候用一个EditLog记录各项操作，因为这个文件小，所以频繁变化也不会有任何影响。当EditLog变大或者是启动机器的时候，就会进行合并，生成新的FsImage与空的EditLog。

实际上，这个EditLog，可以看做是日志+缓冲。

第二名称节点（Secondary Name Node）

两个作用：

1. 用于合并FsImage和EditLog（主要目的）
2. 冷备份（顺便的）

上面说到，FsImage要和EditLog合并，那必不可能在Name Node里直接合并，这样会干扰运行，所以要放在第二名称节点中进行合并。

具体合并过程如下：

1. 第二名称节点把两个文件复制过来，这个时候名称节点的EditLog清空，变成edits.new，继续记录最新操作。
2. 第二名称节点中进行合并，生成新的FsImage: fsimage.ckpt文件
3. 名称节点把fsimage.ckpt文件 复制回来
4. 把edits.new和fsimage.ckpt重命名成EditLog和FsImage，这样这两个就分别是最新的文件目录树+文件日志

同时，在第二名称节点中，也存了一份最新的FsImage，相当于冷备份。

数据节点（Data Node）

只是被动接受命令，要存就存，要取就取。

HDFS体系结构

运行过程

读取的时候，客户端向名称节点询问，获取数据节点的位置，然后客户端去和数据节点直接打交道。

写的时候也是，名称节点告诉客户端可以存到那些数据节点中，之后客户端分别去存进去。

有人可能好奇为什么不直接走名称节点，那是因为名称节点的吞吐量是有限的，只负责任务分配而不去管执行可以有效降低名称节点负载。

命名空间

除了最底层的块以外，访问HDFS文件和访问Windows文件一样，实际上分布式底层存取都已经被Hadoop隐藏了，保证了客户的体验。

通信协议

三个通信分别采用三个协议，但是这些协议都是基于TCP/IP的。

客户端可以和名称节点以及数据节点建立通信，分别用通信协议和RPC协议。而名称节点和数据节点的通信被隐藏在底层，和客户端没关系。

局限性

1. 注意是内存。内存一般只有2G-10G，很小。
2. 因为具体执行时，客户端是和数据节点进行分布式的交流的，所以名称节点只需要负责调度，指派。但即使是这样，名称节点的负载仍然是最大的，限制了HDFS的上限。
3. 经典的单点故障问题。
4. 第二名称节点是冷备份，所以不能立即顶上，HDFS 2.0进行了优化，变成了热备份。

储存原理

冗余数据策略

在分布式系统中，故障是常态。所以要利用冗余数据，来保证即使除了故障也有备份可用。

其实冗余还有一些其他好处：

1. 加快数据传输速度。多个副本的并行读取是真正的并行，可以加速。
2. 很容易检查数据错误。比如三个副本，错了一个，另外两个正确，一致，就可以判断出第三个是错误的。
3. 保证数据可靠性。即使是出了故障，也有备份可用，不至于一次性被团灭。

数据存取策略

左右分别是两个机架。

假如有三个副本，数据块分布的原则如下：

1. 在本地节点放一个副本。这个本地节点，有说法。实际上，数据节点上也可以有应用，那么如果这个应用发起了存数据的请求，那本地节点最合理的位置就是在这个数据节点上，这样不需要进行额外的网络传输。另一种情况，应用来自于集群外部，即应用并不在任何一个数据节点上，那这时就会用算法找出一个磁盘不太满，CPU不太忙的节点上。
2. 第二副本放在同一机架上。注意，虽然是同一个机架，但是数据节点不应该和本地节点相同。
3. 第三副本放在另一个机架上。

读取原则：

就近原则，如果在本地就直接读取，在同一个机架上次之，最差的就是在另一个机架上。

数据错误与恢复策略

三种情况：

1. 名称节点出错。这种情况，整个系统就都寄了，此时就会先暂停系统，然后提取第二名称节点的冷备份进行恢复。如果是2.0，就会直接采用热备份。
2. 数据节点出错（故障或者是通信）。数据节点本身会以心跳机制定时像名称节点报告自己是活着的，如果名称节点收不到某个数据节点的心跳，就知道数据节点寄了。此时会把这个数据节点中的数据转移到其他地方，当然不是直接转移，而是调用其他副本，这里可见冗余数据的作用。
3. 数据本身出错。最开始存放（追加）的时候会有一个校验码，如果取出来的数据计算出的校验码和名称节点储存的校验码不同，就会判定错误。

数据读写

这一部分涉及到代码相关，仅放图做参考。

读取

大致上，是客户端向名称节点获取数据分布信息，然后自己去找数据节点进行读取。

写入

写入也是先像名称节点请求，然后获取目标节点位置。

这里稍微有点不同，在存了第一个副本之后，副本会进行数据节点间的复制，复制到末端以后，末端节点会沿着原来的路径返回一个信息，表明已经复制完毕。

HBase

HBase是建立在HDFS上的分布式数据库。

简介

HBase是BigTable的开源实现。BigTable最初用于谷歌搜索引擎的搜索功能。

BigTable建立在GFS上，HBase类似，建立在HDFS上。

之所以建立HBase，是因为目前没有满足大批量数据的实时读取的技术，现有的HDFS是流式批量读取，关系数据库的扩展性很差，也没办法搞定大数据场景，尤其是现在的数据库经常要变化模式（列）。

HBase继承了大数据的特点，做出简化，适应大数据，特征如下：

1. 简化数据类型。只有字符串，解析交给程序员。
2. 简化数据操作。只有追加和写入，而诸如连接之类的操作通通简化。其实连接也没必要有了，因为大数据是直接存一个完整的稀疏表的，不需要去做范式分解。
3. 简化数据索引。关系数据库可以构建复杂的索引，HBase只提供简单的索引。
4. 简化数据维护。只有追加，用时间戳区分，不可以修改。
5. 基于列储存。
6. 可伸缩性较强。因为基于分布式集群，所以水平扩展很容易，直接加机器就好。

数据模型

一个行拥有若干个列族，一个列族里面有若干列限定符，每一个单元格里可以容纳若干个时间戳版本的数据。

如果要定位一个数据，就需要给出4个维度。

同时，数据只是Bytes格式，解析需要交给程序员处理。

HBase的概念视图如下，对于一个行键，表的行是时间戳，列是列族。单元格里面的数据是
列族：列限定符=数据。由此可见，HBase是稀疏的。

这个概念视图和前面的图不太一样，以这个为准，前面那个只是过渡用的，毕竟，一个单元格肯定是不能存n个数据的。

这是物理视图。虽然HBase是稀疏的，但是空间肯定是不能浪费的，于是将列族拆分开储存，一个列族存到一个空间里去。

之所以采用面向列操作，是因为分析的时候，都是对一列分析的。如果数据量太大，行式存储效率就很低，因为要取出一列就意味着要遍历全表。

而列存储，分析的时候直接取出一列就ok，效率反而高起来了。

同时，按列存储可以做到极高的数据压缩率。

总之，如果是用于大数据应用（通常用于分析），就用列储存，数据量不多的情况直接用关系数据库就好。

实现原理

HBase功能组件

1. 库函数。

2. Master服务器。类比于名称节点。
   

3. Region服务器。类比于数据节点。

表和Region

一个HBase按照行键分割成若干个Region，可以吧Region理解为部分表，是不可分割的单位。

一个Region可以是100M-1G不等，存到Region服务器中，一个Region服务器可以存10-1000个Region。

最开始肯定只有一个Region，但是随着数据增加，就会进行分裂。

Region三级定位

之所以分级，只因为一级存不下。

最开始，META表承担类似于名称节点的作用，简单说META表有两列，一列是Region的id，另一列是Region服务器的id，这样就可以找到对应Region服务器上对应的Region数据。

但是，因为数据是海量的，导致数据的指针也变成了海量数据，Meta表也存不下了，一个Meta表甚至超过了100M，1G，1T，这个时候肯定要进行分布式储存。幸运的是，META表本身也是一个HBase表，所以还是可以套用数据表的模式，于是就出现了Meta服务器和Meta的Region。

而记录Meta表的Meta数据的，就叫ROOT表，这个表只有一个Region，且地址是写死的。

刚开始可能会好奇，ROOT就不会膨胀么？

实际上，不会再有更多的分级了，可以简单计算一下，三级可以容纳的储存上限已经足够广大企业使用了。

三级寻址实际上是有点慢的，所以每次寻址以后会保留缓存。

如果文件发生改变，就会导致缓存找不到，这个时候就会重新进行寻址，这是一种惰性的缓存策略，但是很有效。

运行机制

HBase系统架构

Zookeeper服务器负责统筹运行，负责整个HBase系统的维护。

Master服务器负责日常的指挥，类似于名称节点，负责HBase表和Region的管理。

Region服务器可以类比于数据节点。

Region服务器工作原理

一个Region服务器里有若干个Region，这些Region公用一个HLog。

一个Region是一个表按照行键切分的一部分，在这一部分中，还可以按照列族继续切分，每一个列族都用一个Store储存。

而且，对某一个列族写入数据的时候，也不是直接写入的，毕竟是大数据，每次只写一点没意思，所以就有了MemStore缓存，等MemStore满了，再一次性刷写到StoreFile中去。

StoreFile在HDFS中以HFile格式储存。

数据读写与Store原理

用户写的时候，先写到MemStore中，然后写到日志。等到MemStore塞满了，再刷写到磁盘的StoreFile中。

用户读的时候，先读MemStore，因为可能这里还有一些未被刷写进去的最新数据，如果没有目标数据才去磁盘的StoreFile中去找。

MemStore并不大，所以StoreFile可以说是又多又小，不符合大数据的风格，影响效率，所以必然要合并。

合并还没完，有时候合并太大了，就会分裂，这个分裂是把一个Region分裂成两个Region。刚开始一个Region服务器只有一个Region，就这样逐渐刷写，合并，分裂，Region就逐渐增加起来了。

HLog工作原理

前面提到，一个Region服务器用一个HLog，这样可以提高效率。那么当一个Region服务器出现故障，HLog又是如何发挥作用的？

如果一个Region服务器故障，那么上面所有的Region就都不能用了。如果要恢复所有的Region，就要先把HLog拉到新的Region服务器，然后拆分HLog，拆分原则是按照Region拆分的，用每一个部分去还原每一个Region。

虽然这样拆分比较麻烦，但是总好过管理一大堆HLog。

应用方案

涉及到应用，暂时不写。

NoSQL（Not Only SQL）和云数据库概览

因为我以后不往这一块发展，所以我看NoSQL和云数据库仅仅是开一下眼界，作为像MapReduce的过渡罢了。如果有人想认真研究，这一章帮不到你。

NoSQL和关系型数据库是相对的概念。

传统关系型数据库遵循ACID原则，对数据的质量严格把关，不允许一点错误发生。但是缺点在于不够灵活，难以进行扩展，同时对于大数据场景的适应性不够强。

新型数据库大致上，舍弃了对一致性，稳定性，安全性的极致追求，容忍一点点失误几率，反过来去适应大数据的场景。NoSQL强就强在架构灵活，但是这也是缺点，灵活代表着还没有坚实的理论。总的来说，目前有四种NoSQL，各有优缺点：

1. 键值数据库
   
   
2. 列族数据库
   
3. 文档数据库
   
   
4. 图数据库
   

所谓云数据库，实际上对应于PaaS或者SaaS层次，就是把数据库产品直接放到云计算平台上，有的，仅此而已。

云数据库产品中，既有关系型数据库，又有NoSQL数据库。

MapReduce

概览

分布式并行计算框架

MapReduce是分布式并行计算框架。

之所以需要用到分布式并行计算框架，同样是因为计算单元的纵向扩展难度较大，CPU，GPU的算力增长跟不上数据量膨胀，于是人们将主意打到了水平扩展的分布式集群上。

分布式并行计算框架有很多种，比如MPI消息传递接口，OpenCL，CUDA，各有优缺点，虽然传统并行计算框架有很多缺点，但是其应用场景和MapReduce还是差异很大，难以互相替代的：

分布式思想

MapReduce继承了大数据的简化风格，只给用户保留了Map函数和Reduce函数的自定义接口，包括并行计算在内的细节全部由框架解决。所以不需要程序员学习大量的函数，核心只需要编写两个函数即可。

MapReduce采用分而治之的策略，流程如下：

这里就可以看出一个缺点，map任务之间是没有任何依赖关系的，互不干扰，完全是平行，这也意味着，凡是要在MapReduce上运算的程序，都必须能够进行分治，所以虽然能够用多个MapReduce任务相互配合，但是并不是所有问题都可以通过MapReduce进行解决。

硬件架构

具体到架构，首先是计算向数据靠拢的思想：

在大数据时代，数据的移动成本很高，所以不如反过来移动程序，把中心节点的程序分发到不同的数据节点进行Map操作，之后再进行Reduce操作，就可以显著降低数据移动成本。

之后就是节点分工：

Map/Reduce函数

Map函数，输入一个key：value，输出n个key：value。这样，通过Map函数，可以把若干个输入的key：value解析成更多的，更有利于处理的信息，解析后的信息可以充分进行分治计算。

Map后的信息还要经过一系列处理，才能变成key：value-list形式。

Reduce就是对解析后的信息进行处理，得到最后的信息。

整个过程就像是先分再合，这也是分治的思想。

体系结构

Client

两个交互：

1. 用户到系统。
2. 系统反馈用户。
   

JobTracker/Task Scheduler

其实JobTracker并不是任务调度的计算地，真正进行任务调度计算的是TaskScheduler，这是一个可插拔模块，支持按照用户自定义的规则来安排任务。

TaskTracker

同样是主从节点。

这里有一个问题，什么是计算资源？

在MapReduce中，使用slot作为资源的最小单位，slot分为两种，对应可以执行不同的任务。如果一台机器的map-slot已经被占满，即使有reduce-slot空闲，新来的map任务也不可以运行。

工作流程

大体来看，就是先分后合。

map任务的数量大致和分片数量相同，如果分m片，一般就是m个map函数。

某一个 map函数的结果，如果被分成n组，那么就要对应n个reduce任务，即一个map任务的结果要被划分为n部分，分别给到对应的reduce任务。

这个颇有一种神经网络全连接的感觉了。当然，很多时候n=1（虽然这样做没有并行优势）。

需要注意的是，并不是map以后就直接输入reduce，中间还要经过包括shuffl在内的一些中间处理，形成中间文件。

分片

首先InputFormat模块对输入进行验证。
之后进行分片，形成若干个split，当然这个分片只是逻辑上分一下，不会影响到物理空间
最后就是RR模块（Record Reader）把物理空间中的分片读出来，转化成key：value形式，送到Map函数中作为输入。

因为是逻辑分片，所以可以随便分，但是实际上如果一个split太大，就会牺牲掉并行度优势，如果split太小太碎，又会导致并行成本剧增，反而把并行优势抵消掉。

理想中分片的方法就是直接用数据节点中的HDFS数据块。如果一个分片中包含了1.5个数据块，可能1个数据块是本地的，0.5个数据块就要从另一个节点去拉，那还不如直接就只要一个数据块，100%保证本地。

map任务

map任务是自定义的，形式上就是输入1个key：value与输出若干个key-value结果。

输出并不是直接输出，而是先写到缓存里。

shuffle过程

我至今不明白shuffle过程的明确的界限，我将shuffle理解为：
从map结果到缓存到中间文件，以及被reduce节点拉取，处理，直到reduce前的一系列流程
所以我姑且用缓存作为shuffle的开端。

map端shuffle

实际上，map任务并不能一次性把输入全部算完，所以是要分多次搞定的，结果也是一部分一部分输出。

因为结果不可能一条一条写，太麻烦，每写一条都要寻址，所以就要先写到缓存里。当map函数的输出把缓存填充到一定程度，就会进行溢写。

溢写要经过分区，排序，合并（非归并），结果就是形成一个小的磁盘文件，这个磁盘文件是排序好且分n个区的，这n个区代表后续n个reduce任务。

把若干次map计算的小磁盘文件整合以后，可以形成一个大磁盘文件，这个文件仍然是分为n个区，是小磁盘文件对应区域的归并。

形成大磁盘文件后，JobTracker就会监控到，就可以通知reduce任务拉数据了。

以上过程有一些细节：

1. 缓冲不能填满，否则新的结果没地方放
2. 注意区分合并和归并。这里的合并指<a,1><a,1>合并为<a,2>这种，其结果的value是值，而不是<a,1><a,1>归并为<a,<1,1>>，其结果的value是列表。
3. 合并操作是可选的，这样可以减少写入磁盘的数据量。但是这个过程是一个定制化的过程，贸然合并可能会导致后续任务逻辑出错。

reduce端shuffle

reduce任务接到JobTracker的通知后，就会从多个map任务的大磁盘文件中拉取属于自己的一部分。

因为reduce任务的输入是key：value-list，所以要先对若干个key：value进行归并。这个归并就是前面说的<a,1><a,1>归并为<a,<1,1>>，其结果中的value是一个列表。

归并的结果先写到缓存，之后快满了就溢写到磁盘中。

小磁盘文件再次进行文件的整合，形成一些大磁盘文件，喂到reduce任务中。

reduce任务

有时候会采用0.8的reduce任务比，保留20%的slot以作备用。

reduce同样是自定义的，形式上输入1个key：value-list与输出1个key-value结果。

整体流程

这个图从上往下看。

首先把程序分发下去，选定1个master-worker，m个map-worker，n个reduce-worker。

之后就是先分片，然后读取，map，shuffle，reduce，输出，如前面所述，此处不再赘述。

需要注意的是，中间文件是直接写到磁盘的，不会写到HDFS中，这样反而会麻烦。

实例分析

词频分析（world count）

最起码，这个任务是可以进行分治计算的，所以可以用MapReduced

第一步是要确定RR模块的转化方式+map运算，即如何将任务的文件转化成key：value形式。key可以用行号，value用一行文本做。实际上这个key没有意义，但是map只要这样的形式，所以没办法。

第二步就是shuffle，构建出reduce的输入。

最后就是喂到reduce函数里得到结果。

上面的shuffle还可以加入combine（合并）环节，结果是不变的。

实现自然连接

两个表的公共字段是order。所以就用order作为key。

value中的第一个变量是关系名，用于区分关系，如果是来自一个关系，自然不会被reduce。图里面把不同来源的value分开了，实际上是混起来的，程序中可能会用关系名将value分成两份。

最后就是reduce操作，寻找key相同的进行归并，因为key已经排序过了，所以归并的过程是非常顺利的。其实在关系型数据库里，有一种连接技术就叫索引连接，通过借助索引实现$O(2n)$的算法速度，这里的reduce和索引连接思想一样。

Hadoop再探讨

这一章我没有细听，仅对第一部分进行宏观总结。

概览

Hadoop 1.0 缺陷

1. 抽象层次低，需要人工编码。即使需要完成很简单的任务，都需要手动去写map，reduce函数。
2. 表达能力有限。MapReduce函数的简化抽象虽然简化了难度，但是也限制了表达能力，有很多问题无法通过MapReduce解决
3. 开发者自己管理作业（Job）之间依赖关系。实际问题常常需要多个MapReduce任务互相配合，这种依赖关系需要手动编写。
4. 难以看到程序的整体逻辑。程序对用户的反馈很差，用户无法从高层直接看到逻辑，只能看代码。
5. 执行迭代操作效率低。在一个迭代任务中，MapReduce会先把结果写到HDFS中，再重新读取，如果反复迭代进行任务，就会造成低效率。
6. 资源浪费。reduce需要等待map完成以后才能运行，这个过程造成资源浪费。
7. 实时性差。MapReduce框架针对的是批处理情景，对实时处理支持较差。

Hadoop 2.0改进

生态概览

这些技术仅做了解。

Spark基于内存的计算框架

Spark可以作为MapReduce的补充或者是替代，提高一些迭代式运算的性能，比如基于Spark的分布式机器学习框架MLib。

Flume日志采集

Flume用于采集服务器运行日志，生成分布式数据，输出到HDFS或者HBase中。

Hive数据仓库

数据仓库不同于数据库，感觉像是一种加强版本的数据库系统，不仅限于储存，还包括提取，转化，加载，储存，查询，分析等一系列操作，而且支持类SQL语句，系统会自动转化为MapRecude程序。

Sqoop数据迁移

实现关系型数据库和HDFS/Hive/HBase之间的双向转换。

YARN资源调度框架

1. ResourceManager。可以理解为所有资源的老大。
2. NodeManager。一个服务器的老大。
3. Container。相当于一台服务器，但是这个是可以虚拟出来的。比如一个真实的服务器可以虚拟出10个虚拟服务器，阿里云的虚拟技术就是这样的，你自己电脑里的VmWare也是这样。
4. ApplicationMaster。单个任务的老大，必须运行在Container里。这样的好处在于，运行完以后可以自动释放资源。
5. Task。这是正在执行的任务，App Mstr只是任务的管理者，而真正执行的任务是Task，分为MapTask，reduceTask。一个AppMstr下属的若干个Task可以分布在不同的NodeManager上。

Kafka消息队列

Kafka是一种消息队列，主要用来处理大量数据状态下的消息队列，一般用来做日志的处理。

Flink数据处理

Storm实时计算

Storm是计算系统。

实战部分

完全分布式集群配置（虚拟机）

概述：为什么要用完全分布式

这里重点在于完全分布式这几个字

hadoop有三种搭建方式，一种是本地，另一种是伪分布式，最后就是分布式。
在厦门大学的课程中，是采用伪分布式搭建的。但是这种方式只是一种委曲求全的过渡方式，并不能真正锻炼一个人的能力。

分布式搭建方法可以锻炼一个人的这些能力：

1. 虚拟机安装，配置，linux系统安装
2. 计算机网络基础知识，虚拟机网络配置
3. ssh连接，免密登录，xshell远程开发与xftp远程传输文件技术
4. linux基本命令，linux文件目录结构
5. vim编辑器的用法
6. shell脚本基本写法

如果你只用伪分布式写法，其中大部分知识你是学不到的，你只能学到和hadoop紧密相关的，hadoop本身的知识，但是这些知识不具有迁移性，对未来的成长帮助有限。

所以说，如果时间比较充足，建议用分布式配置，虽然过程会比较麻烦，但是跟着视频走，同时在csdn上多查阅资料，就可以很轻松的跟上，并不会出现bug。（此处表扬一下尚硅谷，这个品牌真的是良心，讲的特别好，我本人没系统学过linux和计网，也能跟下来，一遍过）

我的这一节文章主要是对视频提供一些辅助，补充，帮助人更好的跟上。

尚硅谷Hadoop视频

这个课程不错，侧重于实战，和这个理论帖相互配合。

hadoop实战

这个帖子和尚硅谷课程一样。完全就是尚硅谷那个资料里面的笔记（word版），但是实际上课程视频里讲的顺序和尚硅谷word的顺序有所差异。

虚拟机创建与系统安装

VmWare是收费的，但是确是本地注册，这也意味着，只要你有注册码，就可以反复用来注册。所以网上流传着各种版本的注册码，都可以拿来即用（当然，原则上我们推荐购买注册码）

虚拟机创建里面，有一个是磁盘大小选择。很多人看到磁盘那么大就被吓住了，实际上这只是给一个上限，如果你去看虚拟机文件大小的话，你会发现可能刚开始就只有9G，远达不到40G的上限，所以可以放心选择40G的大小，最终估计走下来也只会用到15G左右。

另一个是系统的选择。我的建议是，使用centos 7，我第一次用centos6配，设置界面大不相同，而且关键在于没有ens33网卡，所以如果你要照视频学，一定要选择centos7

有人搞不懂位数，在虚拟机创建里，镜像选择有centos 7 和centos 7 64位。很明显，没说64位就是32位喽。如何判断镜像文件是64为还是32位呢？一般来说，x86_64或者x64就是64位的 x86就是32位的。

虚拟网络环境搭建

这个时候，虚拟机还没网，虚拟机之间也是独立的，不能互联。所以要配置网络。

这里就要用到计网知识。

计网基础
网关概念

学完这些以后，再看视频，你就会觉得很爽了。

这里需要注意，你配完windows的DNS以后，你会感觉网络变慢了，这个我初步估计是DNS的问题，你指定了8.8.8.8的广域网DNS，但是原来是什么就不好说了，所以如果仅仅是学习的话，后面还是把windows的网络设置还原吧，如果以后要用再设成hadoop的就行了。

突然想到，这里开始你就要改文件了，改文件要用vim编辑器。

vim基础

JDK和Hadoop安装 | 环境变量

关于版本，我们这里用hadoop3.1.3，官网可以直接下载tar.gz包，jdk老师用的是jdk 8u212，实际上，我看过官网文档以后，发现用jdk8都可以，所以我用了一个镜像网站上的8u202，结果表示运行是ok的。这也合理，好歹也是跨平台的东西，要是随便一个小版本变化就不能用了未免太过儿戏。

在windows中安装软件过程比较复杂，但是在linux中，直接把tar.gz压缩包解压了，就算安装好了。
但是这样安装的程序，你只能找到对应的二进制启动程序（类似windows中的.exe文件）才能运行，所以要配置环境变量。

所谓环境变量，一般狭义上指PATH变量，这个变量的意义在于，比如当你在某个目录下运行一个程序，如果你没有找到这个程序，PATH就能提供一些路径让你去找这个程序。如果没有PATH或者当前目录没有这个程序，这时就会提醒你找不到应用程序。

配置环境变量的时候，export声明需要有，不过这是具体的内容了，视频里有。

文件批量分发脚本

这个脚本在集群应用中很有用。

首先会学scp命令，这个用于文件的单点传输，rsync命令，用于单点同步。
基于单点通信，我们可以编写shell脚本，循环发送给出的文件，循环选择主机，进行群发。

我们还配置了ssh免密登录，我以前还以为这个有多难，实际上理论和操作都很简单。

集群配置

当时我在学理论的时候，我还以为namenode之类的管理类主节点和datanode是分开的，到这里我才明白，管理类节点是完全可以和datanode在一个服务器上的。甚至你把NameNode，ResourceManager都放在一个节点上都ok。但是一台机器的内存是有限的，管理类节点对内存占用很大，所以尽量分开，把NameNode，2nn，NodeManager都分到三个服务器上。

具体的操作也就很简单了，就是用vim去改自定义的4个xml。

视频中会给出默认xml，但是这个默认xml只是用于讲解的，真正改的还是4个自定义xml

很多人看到故障修复就不看了，实际上后面还有个历史服务器配置，我建议到这里直接跳过故障修复再一次性把历史服务器配了。

集群启动与关闭

启动与关闭都在sbin文件夹里。

可喜的是，如果你已经启动了，你再重新启动也不会有bug，这就有了很高的容错率，能让你随便试。

不过需要注意的是，脚本运行的主机，比如你的namenode在hadoop102上，你就在102运行hdfs的启动脚本，这样可以一次性启动所有节点的。

如果你在其他节点上启动hdfs，你只会启动datanode进程，namenode进程不会启动。我不太理解为什么会有这种问题，毕竟xml里已经配置好了，大概是下属不能指点老板罢。

同理，如果ResourceMangeer在hadoop103上，你就去103启动yarn，historyserver在102上，你就去102启动历史服务器，否则就也是上面这种情况。

同理，关闭也是这样。

总的来说，最好还是到对应的管理节点（nn，yarn，historyserver）上去管理集群中其他节点，否则会出现问题（我感觉还是子节点无法影响主节点，打工人指挥不动老板）

故障修复

没啥可说的，按视频里。

不过学习阶段，只要你正常启动和关闭，是不会有事的（）

使用hadoop自带jar包——wordcount

首先你要往hdfs系统中创建目录和传文件。

这里要区分开，hdfs和linux本地的区别。hdfs是把集群作为一个整体对象，去存文件，而本地仅仅针对于linux，传文件就是把linux本地传到hdfs集群中。

有人刚开始只弄个txt，以为本地和hdfs没啥区别，实际上如果你传大文件，你就会发现文件被拆成128M的块了，如果你只读一个块，就会乱码（比如视频中的jdk，我试过，只读一个直接乱，把两个压缩起来才能读）

之后就是运行MapReduce任务了。这是没有加输入输出参数的部分命令
首先声明hadoop，之后告诉他要运行jar包，指定jar包目录，还要指定jar包中具体的程序wordcount。

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount

之后就是加输入和输出路径了。

在本地运行模式中，输入输出这么写：

wcinput wcoutput

或者

./wcinput ./wcoutput

在hdfs中，输入输出用 / 根目录去找，这个根是相对于hdfs说的，而不是linux本地

/wcinput /wcoutput

从这里可以看出，hadoop是不会显示指定本地模式还是hdfs分布式模式的。但是实际上是有隐形区分的，这个区分就在根目录上。

如果是 / ，那正常人肯定不会把文件放到linux根目录，所以自然hadoop就会去hdfs中去找。
而你加了 ./ 或者啥也不加，那就默认是本地了。你可能会想出一些“例外”情况，但是我想说没那么多例外，本来本地运行就很少，没必要整花里胡哨的。

自己本地搭建java项目后放到hadoop集群上运行

基本流程

代码易找，流程难找，我这里重点讲实现流程，至于代码只是附带的。

这一部分同样不建议去网上找文章，尚硅谷hadoop视频第67集开始讲MapReduce部分，耐心看视频，把wordcount案例看完以后你就可以自己写倒排索引了。你最后会发现，网上的帖子你都能看懂了，虽然他们只给代码，但是你可以自己导包，可以debug，可以自己部署，你花的时间远小于从网上到处找文章的时间。这就是走对路的好处。

总的来说：

1. 在windows（或者其他自己趁手的地方）搭建hadoop环境，编写Maven项目，用idea或者eclipse都可以。
2. 按照MapReduce写法，构建类，配置依赖，调试无误。
3. 打包成jar，上传到linux本地
4. 使用hadoop jar命令运行这个jar包，至于具体的写法，后面说。

这里以wordcount和倒排索引来举两个例子，并且探讨一些hadoop jar命令中关于项目中类路径是否应该加的问题。

windows搭建简易hadoop环境

尚硅谷视频里没有给出windows配置，所以我写。

说实话，我感觉windows真的麻烦，linux虽然看起来麻烦，但是实际上是全知的，不会出bug，但是windows配置就很容易出bug，一堆破事。

言归正传，开配，可以按照参考文章1 来走，我会指出一些坑点。

1 大致配置流程

其他参考：
2 修改路径bug
3 多版本jdk安装
4 hadoop3.1.3对应的winutil.exe 提取码cyyy

1. JDK安装。如果你系统里本来就有jdk，那么就要参考上面给出的多版本jdk安装指南，尤其是注意环境变量能否生效
2. hadoop安装——安装包问题。hadoop只给出tar.gz包，这个包在windows下也可以用适当的工具解压，和linux使用没什么区别，除了.sh文件变成了.cmd文件，这点在命令行运行的时候要注意。
3. hadoop安装——配置bug修改。jdk 8的默认安装目录是C:\Program Files\Java。但是在hadoop的一个配置文件中，JAVA_HOME是不允许有空格的，所以应该在hadoop的配置文件中改一下，用PROGRA~1替代Program Files，参见上面的2 修改路径bug
4. 这几步走不走无所谓，不影响运行。因为你不是要在本地搭建伪分布式，你也不需要在浏览器看，因为你只是需要跑通，如果你需要用浏览器之类的那就配。
   
5. winutil.exe注入。配好上面的后，还会有系统bug，这是windows本身的问题，所以你需要把hadoop-3.1.3\bin目录中的东西替换成我上面给出的那一堆。
6. 最后再格式化集群，用sbin\start-all.cmd启动本地集群（会自动生成4个黑窗口），之后就可以先尝试跑一个hadoop自带的wordcount，这里我就ok了。

Maven项目的配置

视频里的maven配置并不一定要完全照做：

1. 关于maven版本的选择。视频中用了本地的maven，弹幕中有人说这是为了用阿里云的仓库（因为自带的maven可能导致国内访问速度变慢，但是我感觉用自带的也OK）
2. pom.xml中添加依赖以后出现红字。这是因为本地没有依赖，这个时候从右边的maven符号里调出菜单，从网上自动拉取依赖。
   

MapReduce项目的编写机制

代码部分需要编入的信息如下：

1. Map，Reduce之类的业务逻辑
2. Driver类中指定各种类型，以及输入输出路径（或者指定使用命令行参数模式）
3. 写好以后直接运行main方法就好，不需要启动集群之类的命令行操作，只需要去看结果就好了。
4. 有很多注意点，我们后面实战会逐一点出。

再次表扬尚硅谷，大海哥太细了，甚至教我debug。

具体案例——倒排索引

wordcount尚硅谷已经给出，这里给倒排索引。
通常来说，给出一个文件，我们可以找到里面的关键词，那搜索就是反过程。先给出关键词，再反过来找出哪些文件里有这个词，这就是我们平时进行网页搜索时的基本原理。

倒排索引的输入：n个文件，每个文件里有关键词

输出：若干个key（关键词）：value（对应文件，且按照词频排序）

参考案例

这个里面的代码估计是hadoop2的，我对其中的一小部分进行了修改，保证可以用3.1.3运行。

在本地测试好以后就可以打包送到hadoop分布式集群上运行了，注意输入的文件要传到HDFS中。

Mapper

首先是导包问题，一定要导对。

1. Mapper类，选用org.apache.hadoop.mapreduce
2. Text类，选用org.apache.hadoop.io

然后是一些理解：

1. Mapper类的run（）函数会循环读取一条一条的key：value，调用map（）函数。输出key：value。
   
2. 那这一条一条的key：value从何而来？当然是context，那context又是从何而来？当然是从split来，从split到context可迭代对象的过程，是通过一个类来设置读取方法的，当然，默认都是逐行读取的。
3. context.write这个函数，将key：value写到某个地方，我的初步猜测是那个缓冲区，总之，输出是通过这个write实现的，而不是简单的return

最后给出代码：

package com.cyy.mapreduce.invertedindex;


import com.ctc.wstx.util.StringUtil;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

public class InvertedIndexMapper extends Mapper<LongWritable,Text,Text,Text>{
    private static Text keyInfo=new Text();
    private static final Text valueInfo=new Text("1");
    
    @Override
    protected void map(LongWritable key,Text value,Context context) throws IOException,InterruptedException{
        String line=value.toString();
        String[] fields= StringUtils.split(line,' ');//切分
        FileSplit fileSplit = (FileSplit) context.getInputSplit();//得到文件信息
        String fileName=fileSplit.getPath().getName();//获取文件名
        for(String field:fields){
            keyInfo.set(field+":"+fileName);
            context.write(keyInfo,valueInfo);
        }
    }
}

Combiner

可以看出，Combiner实际上是Recuder。

1. reduce的输入是key：value-list。这个value-list是吧同一个key的所有value变成一个list一次性输入到一个reduce函数中，至于value-list怎么来的，还是这个牛逼的context。
2. combiner的存在意义是进行分级reduce中的第一级。一个split（这里是一个文件）内key：value中必然有重复的key，所以先进行reduce，之后不同文件中还会有重复key，再进行reduce，输出结果。

package com.cyy.mapreduce.invertedindex;

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

import java.io.IOException;

public class InvertedIndexCombiner extends Reducer<Text,Text,Text,Text> {
    private static Text info=new Text();
    
    @Override
    protected void reduce(Text key, Iterable<Text> values,Context context) throws IOException,InterruptedException {
        int sum=0;
        //计算词频
        for(Text value:values){
            sum+=Integer.parseInt(value.toString());
        }
        int splitIndex=key.toString().indexOf(":");//符号位置
        //用URL(文件名)+词频作为value
        info.set(key.toString().substring(splitIndex+1)+":"+sum);
        //用单词作为key
        key.set(key.toString().substring(0,splitIndex));
        context.write(key,info);
    }
}

Reducer

package com.cyy.mapreduce.invertedindex;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;


public class InvertedIndexReducer extends Reducer<Text,Text,Text,Text> {
    private static Text result=new Text();
    
    @Override
    protected void reduce(Text key,Iterable<Text> values,Context context)
        throws IOException,InterruptedException {
        //生成文档列表
        String fileList = new String();
        for (Text value : values) {
            fileList += value.toString() + ";";
        }
    
        result.set(fileList);
        context.write(key, result);
    }
}

Driver

package com.cyy.mapreduce.invertedindex;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;
import org.apache.hadoop.io.Text;
import java.io.FileInputStream;
import java.io.IOException;

public class InvertedIndexDriver {
    public static void main(String[] args)
            throws IOException,ClassNotFoundException,InterruptedException{
        //获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //设置jar包路径
        job.setJarByClass(InvertedIndexDriver.class);
        //关联计算组件
        job.setMapperClass(InvertedIndexMapper.class);
        job.setCombinerClass(InvertedIndexCombiner.class);
        job.setReducerClass(InvertedIndexReducer.class);
        //设置最终输出，map和combine没有设置？
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        //设置输入路径与输出路径
        //FileInputFormat.setInputPaths(job,new Path("C:\\Programs\\Hadoop\\hadoop-3.1.3\\input"));
        //FileOutputFormat.setOutputPath(job,new Path("C:\\Programs\\Hadoop\\hadoop-3.1.3\\output"));
        //通过参数确定目录
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
    
        //提交job
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

这是我一遍过的结果，看这个样子，还没有进行排序，不过影响不大。

具体案例——1.4GB级别txt的倒排索引

题目描述与基本情况

数据集下载
提取码：cyyy

这是北京理工大学2020级大三学生的大数据小学期项目的实践部分。

这么大的txt，在windows本地是打不开的，我们直接上传到hdfs集群中，进行查看。这里我放到了/biginput文件夹里。

来看一眼这个文件的概况，首先文件被分成了10个块，一个128M，这比较合理，我们前面，每一个txt都有128M大小，而实际中一个txt才一点点，无疑是非常浪费空间的，而这里的一个块确确实实是塞满了，block存储方式只有在大数据的时候才能体现出优势。

看文件尾部的32K数据，发现是以一个句子编号开头，然后跟一串句子，这一整个txt文件里，大约有$1\times 10^7$级别的句子，1.4G也就不稀奇了。正因为文本的重复率比较高，这1.4G才能被压缩成500M。

只是此处还有疑点，难道一个句子是被分成好几行的？那我怎么去切分呢？
当我尝试先把千32K的数据copy下来送到windows本地的data.txt文件里的时候，我发现原来是一行一个句子啊，那就简单了。

解题思路

扯远了，我们思考一下如何解题。

关键在于文件切割，假设文件名是简单的1.txt这种数字型的。

最直接的想法是按照10个句子（10行）一个文件来把这个大文件切分成小文件。但是我转念一想，一个小文件就要用128M的块存储，那肯定要爆炸，所以只能一次性处理这一大个文件了。

那必然就要有另外一种处理方式了。

我最初的猜想（比较晦涩，看不懂跳过也无妨）：

Mapper类里我弄一个int型的counter，每调用一次map，我就把counter++，到10就清0，同时令文件名+1，其他类不需要变。

但是这里有一个问题，一个大文件是有多个split的，一个split就会有一个Map任务，对应于一个Mapper类，那这样的话，每个Mapper类中的文件名会不会重复？如果不想重复，可以选择用static，所有Mapper类共享一个文件名。但是问题又来了，这些任务是并行的，好几个并行任务同时对一个变量进行操作，且不说锁的问题，单是你这边++，他这边又++，绝对会破坏文件名的。

综上，最初的猜想是无效的。

但是，我又想到了新的办法（这个是有效的）：

我直接用行号来切分就好了啊，比如0-9是一组，10-19是一组。
那如何通过行号计算出分组呢？
10以内的，x/10==0
10-100的，0<x/10<10
100-1000的，10<x/10<100
所以分组原则还是很简单的，直接组号=x/10就可以，这样就分成了0，1，2，·····，n组。

我们在32K小样本（大约前200行）上运行一下，看下结果：
首先抽样，选取file0中比较高频的两个词作为测试。
silverlight这个单词在file0中出现了3次
para这个单词在file0中出现了5次

看一下file0，是否真的有5个para和3个silverlight？
这里我用红字标出，不信邪的小伙伴可以ctrl+F搜索一下，由此，这个32K的小样本就没问题了，那想必1.4G的大样本也只是时间问题以及你的内存问题，只要完整的跑完，那必然是可以的。

0 how to create property binding in a visual webgui silverlight control
1 videoplayer silverlight controls videoplayer videoplayer silverlight controls version 1 0 0 0 culture neutral publickeytoken null
2 our continuing strategic priority is to provide a safe and efficient group of airports while pursuing development opportunities which improve the air transport network serving the region
3 our results for the year demonstrate that we have delivered against these targets and ensured that our airports have continued to play a central role in the economic and social life of the highlands and islands and tayside
4 every time i visit a fishing community in scotland i am asked to take steps to protect fishing rights for future generations
5 est o lan ados os dados para que possamos ser os actores principais do nosso futuro a viagem n o terminou
6 manter a rede energizada enquanto for a pessoa indicada para o fazer
7 foi uma promessa que fiz hoje quinta feira ao presidente da rep blica que esteve presente no encontro
8 independente para que n o haja confus o com interesses privados
9 a inclus o social de outros talentos de outras partes do mundo que portugal seja um local atraente para que todos os que est o l fora queiram vir para aqui

集群部署与虚拟内存调优

那就到HDFS集群上跑一下完整的1.4G文件把！
果不其然，第一次就报错，鉴于我们上一次测试无误，所以问题肯定不在代码。
看一下日志，直接内存爆了，蚌。
所以接下来的任务就是集群调优

这种情况就是请求的虚拟内存超过了上限。那么我们调高虚拟内存比例，变成4，这样就可以拥有4G的虚拟内存，不会出现虚拟内存超出的错误了。

参考文章

只有在分布式环境下才会有的Bug

好继续运行，map的进度在从1%，2%，一直走，但是到了15%突然回滚成10%，之后就是走走停停，逐渐回滚，最后干脆失败了，于是又到了看日志debug的时候了！
首先看，4次失败都卡在了这里，说明这是个系统错误。

第一行，告诉你是“file920013：1”出了问题。这是最初的源头。我们往下走，第三行是Integer.parseInt()出了问题，再往下看，就是BigIndexCombiner里的17行出问题，就是这里了。
从网上查了一下，大概是value.toString里面有字符出现，导致转换失败。理论上应该是纯正的数字1。

我新建了个测试类，重现一下错误场景：

很好，和我预想的一样，就是把file920013：1作为parseInt的输入出了错。

但是问题来了，为什么别的就不出错？
这就需要重新捋一下程序逻辑了，首先Mapper把单词：file数字作为key，把1作为value，在Combiner里，每次parseInt的输入都是“1”，但是这里却输入了一个"file920012:1"

正常情况下是不会错的，再加上920012差不多是第1，2个block的边界，所以我怀疑是block的问题。

于是我通过dfs系统里的block id 找到了block1和block2，至于怎么找，尚硅谷里有教。

之后就是查看信息

linux查看文件

看一下block1的结尾和block2的开头

这里可以看出，block2的开头有一句话被截断了，但是这个运气比较好，正好是000，所以不会出问题。

但是找到了920013这一行，我却没有发现上下文有什么问题

到这里有点一筹莫展了，但是既然32K的没出现问题，那说明问题只有可能出现在交界处，于是我添加了一个try catch块到Mapper里，然后放上去跑.

结果是，改了以后，我又用最后32K数据，就是被截断的数据跑了一下，结果无误，说明截断问题已经被修复。

然而，当我用修复后的代码跑大数据集地时候，还是没用，这说明除了截断以外，还有一个分布式的bug。

这就让我难蚌了，我真的不知道该怎么搞了，只能加try catch了。于是我又到了Combiner里，又在最外面加了try catch，这样终于跑通了。

如果你把这个放到机器上跑，可能还会出问题，这时就是内存不足的问题了，就这个1.4G数据集，要留12G内存才行，否则就没输出，中途崩溃（但是还不报错）

最终代码

Mapper:

package com.cyy.mapreduce.bigindex;


import com.ctc.wstx.util.StringUtil;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileSplit;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

public class BigIndexMapper extends Mapper<LongWritable,Text,Text,Text>{
    private static Text keyInfo=new Text();
    private static final Text valueInfo=new Text("1");
    private static String fileName;
    
    @Override
    protected void map(LongWritable key,Text value,Context context) throws IOException,InterruptedException{
        /*
        key：偏移量（不是行号）
        value：0 how to create property binding in a visual webgui silverlight control
        words[0]是行号，其他是单词
         */
        //切分
        String line=value.toString();
        String[] words= StringUtils.split(line,' ');
        //计算文件名，这里可能出现非数字的word[0]
        try{
            fileName="file"+Integer.parseInt(words[0])/10;
        }
        catch (NumberFormatException e){
            fileName="file:0";
        }
        
        
        /*
        key: word:fileName
        value : "1"
         */
        for(String word:words){
            keyInfo.set(word+":"+fileName);
            context.write(keyInfo,valueInfo);
        }
    }
}

Combiner:

package com.cyy.mapreduce.bigindex;

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

import java.io.IOException;

public class BigIndexCombiner extends Reducer<Text,Text,Text,Text> {
    private static Text info=new Text();
    
    @Override
    protected void reduce(Text key, Iterable<Text> values,Context context) throws IOException,InterruptedException {
        //这个是为了应对parseInt的问题
        try{
            int sum=0;
            //计算词频
            for(Text value:values){
                //System.out.println(key.toString()+"-"+value.toString());
                sum+=Integer.parseInt(value.toString());
                //sum+=1;
            }
    
            int splitIndex=key.toString().indexOf(":");//符号位置
            //用URL(文件名)+词频作为value
            info.set(key.toString().substring(splitIndex+1)+":"+sum);
            //用单词作为key
            key.set(key.toString().substring(0,splitIndex));
            context.write(key,info);
        }
        catch (NumberFormatException e){
            System.out.println(key.toString());
        }
        
        
    }
}

reducer:

package com.cyy.mapreduce.bigindex;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;


public class BigIndexReducer extends Reducer<Text,Text,Text,Text> {
    private static Text result=new Text();
    
    @Override
    protected void reduce(Text key,Iterable<Text> values,Context context)
            throws IOException,InterruptedException {
        //生成文档列表
        String fileList = new String();
        for (Text value : values) {
            fileList += value.toString() + ";";
        }
        
        result.set(fileList);
        context.write(key, result);
    }
}

package com.cyy.mapreduce.bigindex;

import com.cyy.mapreduce.bigindex.BigIndexCombiner;
import com.cyy.mapreduce.bigindex.BigIndexDriver;
import com.cyy.mapreduce.bigindex.BigIndexMapper;
import com.cyy.mapreduce.bigindex.BigIndexReducer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;
import org.apache.hadoop.io.Text;
import java.io.FileInputStream;
import java.io.IOException;

public class BigIndexDriver {
    public static void main(String[] args)
            throws IOException,ClassNotFoundException,InterruptedException{
        //获取job
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf);
        //设置jar包路径
        job.setJarByClass(BigIndexDriver.class);
        //关联计算组件
        job.setMapperClass(BigIndexMapper.class);
        job.setCombinerClass(BigIndexCombiner.class);
        job.setReducerClass(BigIndexReducer.class);
        //设置最终输出，map和combine没有设置？
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(Text.class);
        //设置输入路径与输出路径
        //FileInputFormat.setInputPaths(job,new Path("C:\\Programs\\Hadoop\\hadoop-3.1.3\\input"));
        //FileOutputFormat.setOutputPath(job,new Path("C:\\Programs\\Hadoop\\hadoop-3.1.3\\output"));
        //通过参数确定目录
        
        FileInputFormat.setInputPaths(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        
        //提交job
        System.exit(job.waitForCompletion(true)?0:1);
        /*
        结果检验：
        para file0:5;
        silverlight	file0:3;
        经过ctrl+F的搜索，结果表示正确
        文件信息：file0:
        0 how to create property binding in a visual webgui silverlight control
        1 videoplayer silverlight controls videoplayer videoplayer silverlight controls version 1 0 0 0 culture neutral publickeytoken null
        2 our continuing strategic priority is to provide a safe and efficient group of airports while pursuing development opportunities which improve the air transport network serving the region
        3 our results for the year demonstrate that we have delivered against these targets and ensured that our airports have continued to play a central role in the economic and social life of the highlands and islands and tayside
        4 every time i visit a fishing community in scotland i am asked to take steps to protect fishing rights for future generations
        5 est o lan ados os dados para que possamos ser os actores principais do nosso futuro a viagem n o terminou
        6 manter a rede energizada enquanto for a pessoa indicada para o fazer
        7 foi uma promessa que fiz hoje quinta feira ao presidente da rep blica que esteve presente no encontro
        8 independente para que n o haja confus o com interesses privados
        9 a inclus o social de outros talentos de outras partes do mundo que portugal seja um local atraente para que todos os que est o l fora queiram vir para aqui
        */
    }
}