首页 > 代码库 > 使用Hadoop的MapReduce与HDFS处理数据
使用Hadoop的MapReduce与HDFS处理数据
hadoop是一个分布式的基础架构,利用分布式实现高效的计算与储存,最核心的设计在于HDFS与MapReduce,HDFS提供了大量数据的存储,mapReduce提供了大量数据计算的实现,通过Java项目实现hadoop job处理海量数据解决复杂的需求。
一、基本环境及相关软件的配置
详细配置说明:基本环境配置及权限申请
二、hadoop项目开发流程
hadoop主要的开发为job的初始化与分布式处理流程的开发。
1、任务基本配置
首相根据业务需求,需要在代码中配置job在每台机器上需要的java虚拟机使用的内存与执行过程需要的最大内存。
Configuration configuration = new Configuration(); configuration.set( "mapreduce.map.java.opts" , "-Xmx2048m" ); configuration.set( "mapreduce.map.memory.mb" , "3072" ); configuration.set( "mapreduce.reduce.java.opts" , "-Xmx2048m" ); configuration.set( "mapreduce.reduce.memory.mb" , "3072" ); Job job = new Job(configuration, "miuilite-dailyRetain-" +arg[ 4 ]); |
2、运行参数配置
job.setJarByClass(MiuiliteRetainJob. class ); MultipleOutputs.addNamedOutput(job, MIUIDanfaGeneralMapReduce.MULTI_OUTPUT_NAME_STATUS, SequenceFileOutputFormat. class ,Text. class , Text. class ); job.setOutputFormatClass(SequenceFileOutputFormat. class ); MultipleInputs.addInputPath(job, new Path(arg[ 0 ]), SequenceFileInputFormat. class , MiuiliteRetainMapReduce.NewLogMapper. class ); MultipleInputs .addInputPath(job, new Path(arg[ 1 ]), SequenceFileInputFormat. class , MiuiliteRetainMapReduce.StatusLogMapper. class ); FileOutputFormat.setOutputPath(job, new Path(arg[ 2 ])); job.setReducerClass(MiuiliteRetainMapReduce.RetainReducer. class ); job.setMapOutputKeyClass(Text. class ); job.setMapOutputValueClass(Text. class ); job.setOutputKeyClass(Text. class ); job.setOutputValueClass(LongWritable. class ); job.setNumReduceTasks( 40 ); //配置节点数量 |
hadoop任务处理过程中,各个分布式机器读取操作数据都是通过分布式储存文件系统hdfs,并且分布式计算将中间结果或者最终结果都是保存到hdfs上的,所以在job开发过程中需要的配置有:
1)相关的地址:数据hdfs地址,中间状态缓存保存HDFS地址,以及生成的结果hdfs保存地址,(如需要本地进一步处理结果,还需要本地地址,需要将hdfs的结果地址拉取到本 地进行处理),本地服务器地址:
MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);
注意:对于要写入数据的地址要具有写的权限,详细权限配置请看基本配置介绍。
2)各种数据格式:
一种是文件的读取格式,可以使用基于行的日志文件,也可以使用二进制格式,多行输入记录或其他的格式,Hadoop有自带的几种格式:
输入格式 | 解释 | key | value |
---|---|---|---|
TextInputFormat | 默认格式,按照行读取 | 行的字节偏移量 | 行的内容 |
KeyValueInputFormat | 解析每一行的数据 | 第一个Tab前的字符 | 剩下的内容 |
SequenceFileInputFormat | 具有高性能的二进制格式 | 自定义 | 自定义 |
所以在读取输入文件格式中,需要选择自己合适的格式来初始化 MultipleInputs.addInputPath(job, new Path(arg[0]),SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);
对于自定义的SequenceFileInputFormat,它会读取特殊的特定于Hadoop的二进制文件,会让Hadoop的mapper快速读取数据。Sequence文件是块压缩的,并提供了对几种数据类型(不仅仅是文本类型)直接的序列化与反序列化操作。
其次文件读取key 与value的格式,以及输出到文件的格式:BooleanWritable:标准布尔型数值,ByteWritable:单字节数值,DoubleWritable:双字节数,FloatWritable:浮点数,IntWritable:整型数,LongWritable:长整型数,Text:使用UTF8格式存储的文本,NullWritable:当<key,value>中的key或value为空时使用,需要在初始化job的过程中初始化对应输入输出的格式。
3)配置数据处理类,一般分为两个阶段,
第一步叫做mapping,会对数据作为mapper函数的输入数据,每条数据对应一个,mapper会吧每次map处理后的结果可以根据相同的key单独传到一个输出数据元素里面。例子: MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class,MiuiliteRetainMapReduce.NewLogMapper.class);。
注意:可以同时使用多个数据输入处理的mapper,但输出key与value格式必须保持一致。
第二步叫做reducer,会接收mapping的输出作为输入列表的迭代器,会将同一key的值聚合在一起,并做一定的处理而返回处理结果。例子:job.setReducerClass(MiuiliteRetainMapReduce.RetainReducer.class);
3、数据处理流程
在所有配置好了之后调用job.waitForCompletion(true);提交任务执行任务并等待结束。
Mapper阶段:
public static class NewLogMapper extends Mapper<Object, BytesWritable, Text, Text> { @Override public void map(Object key, BytesWritable value, Context context) { //..........省略中间处理原始数据过程,比如解密,生成OutPutKey等 context.write( new Text(OutPutKey), new Text(OutPutValue); } } |
Redecer阶段:
public static class RetainReducer extends Reducer<Text, Text, Text, Text> { @Override public void setup(Context context) throws IOException, InterruptedException { super .setup(context); //数据初始化过程,初始化相关的计数工具 } @Override public void reduce(Text key, Iterable<Text> values, Context context) { //对应同一个key进行相关的统计处理阶段,并将数据计入到相关的计数工具中。 } @Override protected void cleanup(Reducer.Context context) throws IOException, InterruptedException { stringCounter.output(context); super .cleanup(context); //执行完毕的后续阶段,将没台分布式计算的机器的结果输入到hdfs上,清理context, } |
reducer完成后需要统一将处理结果写入到HDFS中,所以在统计工具中应带有最后的输出函数:
public void output(Reducer.Context context, int longTailBar) throws IOException, InterruptedException { for (Iterator<String> iterator = stringCountMap.keySet().iterator(); iterator.hasNext();) { String key = iterator.next(); long value = http://www.mamicode.com/stringCountMap.get(key); if (value < longTailBar) continue ; key = key.replace( ‘\r‘ , ‘ ‘ ); key = key.replace( ‘\n‘ , ‘ ‘ ); context.write( new Text(key), new LongWritable(value)); } } |
4、处理结果本地
hadoop处理后的结果都是保存在hdfs上的,可以将对应的结果作为行的任务的输入进一步精确处理,如果需要进一步本地处理,通过调用本地shell命令将结果复制到本地:
private void copyToLocal(String hdfsPath, String localPath) throws IOException, InterruptedException { String[] cmd = { "/bin/sh" , "-c" , "hadoop fs -cat " + hdfsPath + "/part* > " + localPath}; String tmpDic = loalPath.substring( 0 ,localPath.lastIndexOf( "/" )); if (! new File(tmpDic).exists()){ new File(tmpDic).mkdirs(); } if (! new File(localPath).exists()){ new File(localPath).createNewFile(); } Process pid = Runtime.getRuntime().exec(cmd); if (pid != null ) { pid.waitFor(); } } |
三、运行流程
运行shell命令配置
hadoop项目运行方式通过shell文件执行指定的jar包,并指定对应的入口函数,依据项目的需求传入不同的参数。
hadoop jar miuiapp-logs.jar com.xiaomi.miui.logs.danfa.MiuiMihomeGeneralJob XXX-param-1 XXX-param-2 XXX-param-3
注意:如果通过crontab -e定时指定相关的命令运行,需要在运行的shell文件中添加 jdk,hadoop的地址到环境变量中。
注意:在配置pom过程中需要将jar包打成大包,将所有依赖的jar包都应该打进去,所以在pom中应该加入下列配置:
< plugin > < groupId >org.apache.maven.plugins</ groupId > < artifactId >maven-dependency-plugin</ artifactId > </ plugin > < plugin > < groupId >org.apache.maven.plugins</ groupId > < artifactId >maven-assembly-plugin</ artifactId > < version >2.3</ version > < configuration > < appendAssemblyId >false</ appendAssemblyId > < descriptorRefs > < descriptorRef >jar-with-dependencies</ descriptorRef > </ descriptorRefs > </ configuration > < executions > < execution > < id >make-assembly</ id > < phase >package</ phase > < goals > < goal >assembly</ goal > </ goals > </ execution > </ executions > </ plugin > |
使用Hadoop的MapReduce与HDFS处理数据