Hadoop Cascading简介
来源:互联网 发布:淘宝知网论文查重 编辑:程序博客网 时间:2024/06/10 21:15
Hadoop Cascading 是一个开源框架,该框架搭建在Hadoop之上。Cascading提供了一系列易用的数据操作API,如count,group by,join等等共开发人员直接使用,且该框架自动将这些数据操作翻译为底层Hadoop可运行的Map和reduce操作,从而大大加快程序开发速度。
Cascading中使用了一系列特有的概念如flow(数据流),tap,pipe(数据管道)等。flow可以理解为一个数据流,数据流过时被一一处理。flow的起点是source tap,也就是数据源;终点是sink tap也就是数据输出。tap之间由pipe相连接。下列代码可以容易的理解它们的相互关系:
用例一
String inPath = args[ 0 ];Tap inTap = new Hfs( new TextDelimited( true, "\t" ), inPath );String outPath = args[ 1 ];Tap outTap = new Hfs( new TextDelimited( true, "\t" ), outPath );Pipe copyPipe = new Pipe( "copy" );FlowDef flowDef = FlowDef.flowDef() .setName( "copy" ) .addSource( copyPipe, inTap ) .addTailSink( copyPipe, outTap );Flow wcFlow = flowConnector.connect( flowDef );wcFlow.complete();
上面就是一个完整的Cascading小程序,它简单的将文件从源目录拷贝到目标目录。首先我们定义了in tap和out tap,它们都是HDFS中的目录。之后我们定义了一个名为“copy”的pipe。然后定义了一个flow,由代码可知我们给这个flow添加了source tap和sink tap,由“copy”pipe相连。最后启动这个flow。
我们再来回顾一下这个过程。Cascading会形成由一个或多个step构成的物理执行计划,通常我们称之为有向无环图(DAG,它在大数据领域得到了广泛应用,例如在Hive中执行HQL时,实际也是自动产生了DAG并在Hadoop上运行)。当Cascading运行时,数据以键值对的形式流过DAG图。一个step在Hadoop中可能对应多个map或reduce阶段。例如我们知道在Hadoop中做join操作需要编写reducer来完成,那么在cascading中虽然我们简单的使用其提供的join API,但实际上该API会被转换为reducer并在Hadoop上执行。
接下来再看一个复杂一些的例子,如何使用cascading计算word count。word count在大数据领域就像打印“hello world”一样,是经典的入门案例。如果不清楚这个案例,请先参考文章《MapReduce概念》:
http://blog.csdn.net/onlyqi/article/details/50477899
用例二
word count的第一步是将输入的字符串按空格分隔,得到一个一个的单词:
Fields token = new Fields( "token" );Fields text = new Fields( "text" );RegexSplitGenerator splitter= new RegexSplitGenerator( token, "[ \\[\\]\\(\\),.]" );Pipe docPipe = new Each( "token", text, splitter, Fields.RESULTS );
定义一个splitter,并按照splitter中定义的正则表达式将输入字符串分隔成一个一个的单词,也称为token。从docPipe流出的即为一个一个的单词。注意new each()指对每一个输入的键值对都应用该逻辑。
Pipe wcPipe = new Pipe( "wc", docPipe );wcPipe = new GroupBy( wcPipe, token );wcPipe = new Every( wcPipe, Fields.ALL, new Count(), Fields.ALL );
定义名为wcPipe的管道,与docPipe相连。在wcPipe中根据token做groupby操作,也就是汇总操作。注意new every()指在一批键值对上做操作,即聚合操作。
FlowDef flowDef = FlowDef.flowDef().setName( "wc" ).addSource( docPipe, docTap ).addTailSink( wcPipe, wcTap );
最后定义flow,执行flow并将结果写入wc.dot文件:
Flow wcFlow = flowConnector.connect( flowDef );
wcFlow.writeDOT( “dot/wc.dot” );
wcFlow.complete();
总得来说代码量还是比较少的,但个人感觉语义设计的不是很清晰。
用例三
实例的Pipe会更复杂一些,我们来看下面的例子。对于一个输入cvs文件,将每一行数据中的无用字段抛弃掉,一些字段做转换,并新增两个字段。
private static Pipe createWarrantyPipe(String fields) { Pipe docPipe; Fields scrubArguments = new Fields("#ORDER_BUSINESS_UNIT_ID"); //输入文件是一个cvs,包含很多字段。cvs包含字段的具体含义在配置文件中。下的代码实际是读出配置文件中定义的cvs字段,作为Pipe的输入字段。 List<String> items = new ArrayList<String>(Arrays.asList(fields.split(","))); for (String s : items) { Fields scrubArgument = new Fields(s); scrubArguments = scrubArguments.append(scrubArgument); } // 这里定义了Pipe的输出字段,且新增了两个原cvs中没有的新字段。 Fields outputScrubArguments = scrubArguments.append(new Fields("PROCESSED_FLG")).append(new Fields("STAGE_DT")).append(new Fields("FileName")); //下面的Pipe定义了输入字段,输出字段,且转换关系由ScrubWarFunction指定。 docPipe = new Pipe("copy"); docPipe = new Each(docPipe, scrubArguments, new ScrubWarFunction(outputScrubArguments), Fields.RESULTS); return docPipe;}
完整的ScrubWarFunction代码如下:
import java.text.DateFormat;import java.text.SimpleDateFormat;import java.util.Calendar;import org.apache.hadoop.mapred.FileSplit;import cascading.flow.FlowProcess;import cascading.flow.hadoop.HadoopFlowProcess;import cascading.operation.BaseOperation;import cascading.operation.Function;import cascading.operation.FunctionCall;import cascading.tap.hadoop.io.MultiInputSplit;import cascading.tuple.Fields;import cascading.tuple.Tuple;import cascading.tuple.TupleEntry;public class ScrubWarFunction extends BaseOperation implements Function {public ScrubWarFunction(Fields fieldDeclaration) { super(2, fieldDeclaration);}public void operate(FlowProcess flowProcess, FunctionCall functionCall) { TupleEntry inputargument = functionCall.getArguments(); HadoopFlowProcess hfp = (HadoopFlowProcess) flowProcess; MultiInputSplit mis = (MultiInputSplit) hfp.getReporter().getInputSplit(); FileSplit fs = (FileSplit) mis.getWrappedInputSplit(); String FileName = fs.getPath().getName(); DateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd HH:mm:ss"); Calendar cal = Calendar.getInstance(); String STAGE_DT = dateFormat.format(cal.getTime()); String PROCESSED_FLAG = "0"; Tuple result = new Tuple(); // All the fields be transformed and other fields to be added to the result. for (int i = 0; i < inputargument.size(); i++) { result.add(inputargument.getString(i)); } // Add additional fields. result.add(STAGE_DT); result.add(PROCESSED_FLAG); result.add(FileName); functionCall.getOutputCollector().add(result);}
}
- Hadoop Cascading简介
- CSS (Cascading Style Sheets) 简介
- Cascading:一个简单的Hadoop MapReduce应用
- Cascading:一个简单的Hadoop MapReduce应用
- Cascading——针对Hadoop MapReduce的数据处理API
- Mapr 安装hadoop的组件(一)——安装cascading
- Cascading——针对Hadoop MapReduce的数据处理API
- 层叠样式表(Cascading Style Sheets,CSS)简介
- Hadoop 简介
- Hadoop简介
- Hadoop 简介
- hadoop简介
- Hadoop简介
- Hadoop简介
- Hadoop简介
- Hadoop简介
- Hadoop简介
- Hadoop简介
- Shiro学习笔记(6)——shiro缓存
- QString中文乱码
- 开篇
- 获取文件中汉字个数
- For mine
- Hadoop Cascading简介
- JqueryEasyUi(EasyUI Window 窗口)
- 这是程序启动界面,感觉处理的不错,用软件加载信息的时间作为新线程等待时间
- 一个失职妈妈的悔过书
- html 标签属性大全 (完美版)
- Memcache
- vtk中Register函数的妙用
- python print
- POJ 1733 Parity game