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HDFS与Map/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 https://localhost:50070/
Resourcemanager的web接口 https://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 https://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.logger4 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
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));#" 1MapReduce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https://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