Hadoop基础之MapReduce

Hadoop基础

1. Hadoop集群的配置安装（非安全模式）

1. 重要的配置文件：

   （1）Read-only default configuration：         core-default.xml         hdfs-default.xml         yarn-default.xml         mapred-default.xml （2）Site-specific configuration：         etc/hadoop/core-site.xml         etc/hadoop/hdfs-site.xml         etc/hadoop/yarn-site.xml         etc/hadoop/mapred-site.xml （3）Hadoop Daemon Configuration：         HDFS daemons：             NameNode             SecondaryNameNode             DataNode         YARN damones：             ResourceManager             NodeManager             WebAppProxy

2. 配置Hadoop Daemons的环境变量

   DaemonEnvironment VariableNameNodeHADOOP_NAMENODE_OPTSDataNodeHADOOP_DATANODE_OPTSSecondaryNameNodeHADOOP_SECONDARYNAMENODE_OPTSResourceManagerYARN_RESOURCEMANAGER_OPTSNodeManagerYARN_NODEMANAGER_OPTSWebAppProxyYARN_PROXYSERVER_OPTSMap Reduce Job History ServerHADOOP_JOB_HISTORYSERVER_OPTS

3.Hadoop Daemon配置

DaemonEnvironment VariableResourceManagerYARN_RESOURCEMANAGER_HEAPSIZENodeManagerYARN_NODEMANAGER_HEAPSIZEWebAppProxyYARN_PROXYSERVER_HEAPSIZEMap Reduce Job History ServerHADOOP_JOB_HISTORYSERVER_HEAPSIZE

4.HDFS相关操作

hadoop fs    - appendToFile    - cat    - chgrp chmod chown    - copyFromLocal copyToLocal    - count    - cp    - df du dus    - find    - get    - help    - ls lsr    - mkdir    - moveFromLocal    - moveToLocal    - mv    - put    - rm rmdir rmr    - touchz    - usage

2.MapReduce理论和实践

MapReduce的输入输出类型    (input) <k1, v1> -> map -> <k2, v2> -> combine -> <k2, v2> -> reduce -> <k3, v3> (output)1.Mapper：1.多少个Map合适？Map的数量是根据输入的总大小确定的，也就是输入文件的总块数最佳实践：每个节点10~100个map2.Reducer：实现将Map的输出结果按照相同key进行归约为更小的值的集合1. 三个阶段：1）Shuffle通过HTTP协议取得所以Mapper输出结果的相关分区2）Sort通过key对Reducer的输入进行分组3）reduceReducer的输出结果通过write写入到文件系统中Reducer的输出没有被排序2. Reduce的数量0.95/1.75*(节点数 * 每个节点最大的容器数量)如果设置为0，Mapper的输出结果直接写入文件系统3. Partitioner控制map输出结果中key的分区HashPartitioner是默认的Partitioner4. CounterMapper和Reducer中实现计数的工具3. Job的配置    1.  Job中可以实现的配置执行Mapper、Combiner、Partitioner、Reducer、InputFormat、OutputFormat的实现类    2. FileInputFormat显示输入文件的集合FileInputFormat.setInputPaths(Job, Path…)FileInputFormat.addInputPath(Job, Path)FileInputFormat.setInputPaths(Job, String…)FileInputFormat.addInputPaths(Job, String)     3. FileOutputFormat显示输入文件的集合FileOutputFormat.setOutputPaths(Job, Path…)FileOutputFormat.addOutputPath(Job, Path)FileOutputFormat.setOutputPaths(Job, String…)FileOutputFormat.addOutputPaths(Job, String)     4. 其他配置comparator、DistributedCache、Compress、Execute Manner、MaxMapAttempts可以使用Configuration.set(String,String)实现配置4.任务的执行和环境    1. 内存管理    用户/管理员可以指定加载子任务时的最大虚拟内存    2. Map的参数    Map输出的结果将会被序列化到缓冲区中，元数据将被存储在缓冲区中    当Map持续有输出结果时，序列化的缓冲区或者元数据超出了临界值，此时缓冲区中的数据将被排序并写入到磁盘中    3. Shuffle/Reduce参数    每一个Reduce通过Partitioner使用HTTP分区到内存中，再定期地合并这些数据到磁盘中    如果Map的输出结果被压缩了，那么么一个输出都将被压缩到内存中5.Job的提交和监控1. 检查Job规格的输入输出2. 为Job计算InputSplit的值3. 为Job的分布式缓存设置必要的叙述信息(可选)4. 复制Job的Jar和配置文件到文件系统的MapReduce的系统目录5. 提交Job到ResourceManager以及监控Job的状态(可选)用户和查看执行的历史记录：$ mapred job -history output.jhist$ mapred job -history all output.jhist总而言之，用户使用Job创建应用、描述Job的详细信息、提交Job、监控Job的运行状态6. JobControl1. Job.submmit():提交任务到集群并立即返回2. Job.waitForCompletion(boolean)：提交任务到集群，并等待执行完成7. Job的输入1. InputFormat描述了MapReduce的Job的指定输入1. 验证Job指定的输入2. 将输入文件切分成逻辑上的InputSplit的实例，每一个实例再分配给独立的Mapper3. 提供RecodeReader的实现类来收集被Mapper处理的逻辑InputSplit输入记录4. InputFormat的默认实现类是:TextInputFormat2. InputSplit1. 代表的是被每一个独立的Mapper处理后的数据2. 代表的是面向类型的输入视图3. FileSplit是默认的IputSplit3. RecodeReader1. 从InputSplit中读取<key,value>对2. 将由InputSplit提供的面向类型的输入视图转换成Mapper的实现类进行处理8. Job的输出        1. OutputFormat描述了MapReduce的Job的指定输出            1. 验证Job指定的输出,如：检查Job的输出目录是否存在            2. 提供RecodeWriter实现类用来写Job的输出文件，存储在文件系统中            3. OutputFormat的默认实现类是:TextOutputFormat        2. OutputCommitter            1. 描述的是MapReduce的Job的指定的输出            2.处理过程                1. 在初始化期间设置Job,如：在Job的初始化期间创建临时的输出目录                2. 在Job执行完成后清理Job,如：在Job执行完成之后，移除临时目录                3. 设置任务的临时输出目录，在任务的初始话阶段完成                4. 测是否有任务需要提交                5. 任务输出的提交                6. 丢弃任务的提交.如果任务已经失败或者进程被杀掉，则输出将会被清理，如果这个任务没有被清理，则另外一个带有相同attempt-id的任务将会被加载执行清理            3. OutputCommitter默认的实现类是FileOutputCommitter,Job初始化/清理任务在Map和Reduce容器中        3. RecodeWriter            1. 将output<key,value>对写到输出文件中            2. RecodeWriter的实现类将Job的输出写入到文件系统中9.  其他有用的特性        1. 提交Job到队列中            1.队列作为Job的集合，允许系统提供指定的功能，例如：队列使用ACLs控制哪个用户可以提交Job            2. Hadoop有一个强制的队列，称为default.队列的名称在Hadoop的配置文件中进行定义mapreduce.job.queuename            3. 定义队列的方式                1. 设置mapreduce.job.queuename                2. Configuration.set(MRJobConfig.QUEUE_NAME,String)            4. 队列的设置是可选的，如果没有设置，则使用默认的队列default        2. 计数器            1. Counters代表了全局计数器，可以被MapReduce框架或者应用程序进行定义。每一个计数器可以是任意的Enum类型，一个特殊的Enum的计数器被绑定进Counters.Group类型的组中            2. 应用程序可以定义任意的计数器，可以通过Counters.incrCounter(Enum,long)或者Counters.incrCounter(String,String,long)进行更新，然后这些计数器被框架进行全局范围的聚合        3. 分布式缓存            1. 有效地描述了执行文件的、大型的、只读的            2. 是MapReduce框架提供的应用程序必须的缓存文件(text、archives、jars)的工具            3. 应用程序在Job中通过url(hdfs://)的形式指定可以被缓存的文件        4. 调试            1. 当MapReduce的任务失败时，用户可以运行一个debug脚本去执行任务，这脚本可以访问任务的标准输出、标准错误目录以及JobConf            2. 用户使用DistributedCache去分发和创建脚本的符号链接            3. 提交脚本的方式                1. 设置mapreduce.map.debug.script、mapreduce.reduce.debug.script                2. Configuration.set(MRJobConfig.MAP_DEBUG_SCRIPT,String)   Configuration.set(MRJobConfig.REDUCE_DEBUG_SCRIPT,String)        5. 数据压缩            1. MapReduce提供了写应用程序为Map的输出以及Job的输出指定压缩方式的工具            2. 中间输出结果应用程序可以控制Map中间结果的压缩Configuration.set(MRJobConfig.MAP_OUTPUT_COMPRESS,boolean)Configuration.set(MRJobConfig.MAP_OUTPUT_CODEC,Class)            3. Job输出结果FileOutputFormat.setCompressOutput(Job,boolean)FileOutputFormat.SetOutputCompressorClass(Job,Class)        6. 跳过坏的记录            Hadoop提供了在处理Map输入过程中某些坏记录的一种方式