碳基体

奋斗在产品安全第一线的安全妹子

大数据之hadoop伪集群搭建与MapReduce编程入门


一、理论知识预热

一句话介绍hadoop: Hadoop的核心由分布式文件系统HDFSMap/Reduce计算模型组成。


(1)HDFS分布式文件系统

HDFS由三个角色构成:

1)NameNode

2)DataNode:文件存储的基本单元,它将文件块block存储在本地文件系统中

3)Client:需要获取分布式文件系统文件的应用程序

文件写入:client向NameNode发起文件写入请求,NameNode分配合适的DataNode地址给Client,Client将文件划分为多个Block后,根据DataNode地址顺序写入数据

文件读取:client向NameNode发起文件读取请求,NameNode返回文件存储的DataNode信息,Client读取文件信息

一个Block会有三份备份,一份放在NameNode指定的DataNode上,一份放在与指定DataNode不在同一台机器的DataNode上,最后一份放在与指定DataNode同一Rack的DataNode上



(2)Map/Reduce计算模型

由一个单独运行在主节点的JobTracker和运行在每个集群从节点的TaskTracker共同构成。

一个Map/Reduce作业job通常会把输入的数据集切分为若干独立的数据块,由Map任务task以完全并行的方式处理它们。框架会先对Map的输出进行排序,然后把结果输入给Reduce任务。

mapper->partition->combine->reduce

在hadoop上运行的作业需要指明程序的输入/输出位置,并通过实现合适的接口或抽象类提供Map和Reduce函数。同时还需要指定作业的其他参数,构成作业配置Job Configuration。

在Hadoop的JobClient提交作业(JAR包/可执行程序等)和配置信息给JobTracker之后,JobTracker会负责分发这些软件和配置信息给slave及调度任务,并监控它们的执行,同时提供状态和诊断信息给JobClient


关键术语:

NameNode\DataNode:

JobTracker\TaskTracker

mapper->partition->combine->reduce


二、开发环境搭建

ubuntu 64位为例

第一步:安装java

第二步:安装ssh,rsync

apt-get install ssh rsync

第三步:下载hadoop稳定版本,解压缩


惯例,了解关键文件

bin/   hadoop, hdfs, mapred,yarn等可执行文件

sbin/   start-dfs.sh start-yarn.sh stop-dfs.sh stop-yarn.sh等可执行文件

etc/hadoop env和site等配置文件

libexec/ hadoop-config.sh hdfs-config.sh mapred-confg.sh yarn-config.sh等用于配置的可执行文件

logs/ 日志文件

share 文档与jar包,可以认真浏览一下这些jar包,Map-Reduce编程接口就靠它

include/ 头文件 

lib/ 动态链接库



第四步:hadoop配置

cd hadoop-2.6.0/

(1)修改脚本要用的环境变量,以运行hadoop

vim etc/hadoop/hadoop-env.sh

编辑

export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64 [替换JDK所在目录]


(2)配置HDFS和MapReduce常用的I/O设置

vim etc/hadoop/core-site.xml

编辑

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value> #配置HDFS的地址及端口号
    </property>
</configuration>             

 

(3)Hadoop守护进程的配置项,包括namenode,辅助namenode和datanode

vim etc/hadoop/hdfs-site.xml


编辑

<configuration>
    <property>
        <name>dfs.replication</name> #配置备份方式,默认为3.在单机版里需要改为1
        <value>1</value>
    </property>
</configuration>



(4)    MapReduce守护进程的配置项,包括jobtracker和tasktracker         

cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

vim etc/hadoop/mapred-site.xml       

         

 编辑

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

              


vim etc/hadoop/yarn-site.xml

编辑

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
</configuration>



第五步:配置SSH服务免密码登陆

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa

cat ~/.ssh/id_dsa.pub >>~/.ssh/authorized_keys

检查是否配置成功

ssh localhost


第六步:启动hadoop

1. 格式化HDFS

bin/hdfs namenode -format

2. 启动进程

启动NameNode与DataNode守护进程

sbin/start-dfs.sh  


启动ResourceManager 和NodeManager守护进程

sbin/start-yarn.sh 


NameNode的web接口 http://localhost:50070/

Resourcemanager的web接口 http://localhost:8088/



第七步: 体验执行MapReduce job, 对文件内容进行字符匹配

第1)步:创建MapReduce job执行目录

bin/hdfs dfs -mkdir /user

bin/hdfs dfs -mkdir /user/root


第2)步:拷贝hadoop配置文件到hadoop input目录下

bin/hdfs dfs -put etc/hadoop input


很不幸,报错了

15/05/08 13:54:30 WARN hdfs.DFSClient: DataStreamer Exception
org.apache.hadoop.ipc.RemoteException(java.io.IOException): File /user/xxxxx._COPYING_ could only be replicated to 0 nodes instead of minReplication (=1).  There are 0 datanode(s) running and no node(s) are excluded in this operation.


定位原因:查看logs目录下datanode日志【在google之前先看日志,是非常良好的习惯】

发现以下提示

Lock on /tmp/hadoop-root/dfs/data/in_use.lock acquired by

关闭hdfs后手动删除该目录

sbin/stop-dfs.sh

rm -rf /tmp/hadoop-root/dfs/data/*

重新启动

sbin/start-dfs.sh


查看DataNode是否启动

jps

输出如下

22848 Jps
20870 DataNode
20478 NameNode
31294 FsShell
19474 Elasticsearch
21294 SecondaryNameNode


确认ok了,重新copy文件

bin/hdfs dfs -put etc/hadoop input


出错原因:反复执行了 bin/hdfs namenode -format ,但没有手动清除文件锁定



第3)步:运行mapreduce示例


bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar grep input output 'dfs[a-z.]+'        


  

我们可以在Resourcemanager的web接口 http://localhost:8088/ 看到任务运行情况

 


第4)步:查看结果

bin/hdfs dfs -cat output/*

6       dfs.audit.logger
4       dfs.class
3       dfs.server.namenode.
2       dfs.period
2       dfs.audit.log.maxfilesize
2       dfs.audit.log.maxbackupindex
1       dfsmetrics.log
1       dfsadmin
1       dfs.servers
1       dfs.replication
1       dfs.file 我们也可以把结果merge到单个文件中来看

bin/hdfs dfs -getmerge output/ output


三、MapReduce编程入门环境IDE:eclipse导入hadoop核心包 hadoop-core-1.2.1.jar导出:我们自己的fat jar包
示例代码放在我的git上  https://github.com/tanjiti/mapreduceExample HelloWorld版本的MapReduce仍然用单词切割的例子,单词切割就是HelloWorld版本的MapReduce文件结构如下├── bin 存放编译后的字节文件├── lib 存放依赖jar包,来自hadoop安装文件share/hadoop/│?? ├── commons-cli-1.2.jar│?? ├── hadoop-common-2.6.0.jar│?? └── hadoop-mapreduce-client-core-2.6.0.jar├── mymainfest 配置文件,指定classpath└── src  源文件    └── mapreduceExample        └── WordCount.java我一般在eclipse里编码(可视化便利性),然后采用命令行编译打包(命令行高效性)
第一步:源码编辑

vim src/mapreduceExample/WordCount.java

编辑

package mapreduceExample;

import java.io.IOException;
import java.util.StringTokenizer;

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.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

public class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{
    
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();
      
    @Override
    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }
  
  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    @Override
    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

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


    Configuration conf = new Configuration(); 
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    
    if (otherArgs.length != 2) { 
      System.err.println("Usage: mapreduceExample.WordCount <in> <out>");
      System.exit(2);
    }
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);  //设置mapper类
    job.setCombinerClass(IntSumReducer.class); //设置combiner类,该类的作用是合并map结果,减少网络I/O
    job.setReducerClass(IntSumReducer.class);//设置reducer类
    job.setOutputKeyClass(Text.class);//设置reduce结果输出 key的类型
    job.setOutputValueClass(IntWritable.class); //设置reduce结果输出 value的类型
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));//设置输入数据文件路径
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));//设置输出数据文件路径
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}


第二步:编译打包编译

javac -d bin/ -sourcepath src/ -cp lib/hadoop-common-2.6.0.jar:lib/hadoop-mapreduce-client-core-2.6.0.jar:lib/commons-cli-1.2.jar src/mapreduceExample/WordCount.java


编写配置文件

vim mymainfest

编辑

Class-Path: lib/hadoop-common-2.7.0.jar lib/hadoop-mapreduce-client-common-2.7.0.jar lib/commons-cli-1.2.jar


注:mainfest 配置详见  https://docs.oracle.com/javase/tutorial/deployment/jar/manifestindex.html其他重要配置项Main-Class: 指定入口class,因为一个mapreduce项目,往往会有多种入口,因此不配置该项
打包

jar cvfm mapreduceExample.jar mymainfest lib/* src/* -C bin .


查看jar包内容

jar tf mapreduceExample.jar

META-INF/
META-INF/MANIFEST.MF
lib/commons-cli-1.2.jar
lib/hadoop-common-2.6.0.jar
lib/hadoop-mapreduce-client-core-2.6.0.jar
src/mapreduceExample/
src/mapreduceExample/WordCount.java
mapreduceExample/
mapreduceExample/WordCount.class
mapreduceExample/WordCount$TokenizerMapper.class
mapreduceExample/WordCount$IntSumReducer.class

第三步: 运行查看Usage

bin/hadoop jar /home/tanjiti/mapreduceExample/mapreduceExample.jar mapreduceExample.WordCount

显示

Usage: just4test.WordCount <in> <out>


当然,这是个很简陋的使用说明,但起码知道了参数是哪些,好了,正式运行

bin/hadoop jar

/home/tanjiti/mapreduceExample/mapreduceExample.jar[jar所在路径] 

mapreduceExample.WordCount[main Class,如果打包jar包时在manifest文件中指定了就不需要指定该参数] 

/in[输入文件路径,在执行任务前必须存在] 

/out[结果输出路径,在执行任务前不应该存在该路径]

先合并结果再查看bin/hdfs dfs -getmerge /out wordcount_resulttail wordcount_result 部分结果如下"/?app=vote&controller=vote&action=total&contentid=7 and 1=2 union select group_concat(md5(7));#"   1
MapReduce的思想其实非常简单   一句话来描述这个过程,就是开启一个MapReducer Job,设置好相应的Configuration,指定输入输出数据源的路径与 格式,指定数据流K,V的格式 (很多时候需要自定义格式,继承Writable),指定处理过程(map,combine,partition,sort,reduce)。
四、更多再实现这些基本功能后,我们下一步会考虑如何共享数据,是读写HDFS文件,还是采用Configuration配置,还是使用DistributedCache;如何何处理多个mapreducejob,是线性的方式,还是ControlledJob,还是ChainMapper、ChainReducer。
等功能都搞定了,我们再考虑性能优化的问题,例如数据预处理(合并小文件,过滤杂音、设置InputSplit的大小),是否启用压缩方式,设置Map和Reduce任务的数量等job属性,全靠实战来填坑。

参考http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/SingleCluster.html

《Hadoop实战》 很好的入门书,入门了再看那个hadoop权威吧



来源:碳基体

评论