day3_day6

通过案例学习MAPREDUCE教程

 

1. wordcount示例开发

1.1. wordcount程序整体运行流程示意图

 

map阶段： 将每一行文本数据变成<单词,1>这样的kv数据

reduce阶段：将相同单词的一组kv数据进行聚合：累加所有的v

注意点：mapreduce程序中，

map阶段的进、出数据，

reduce阶段的进、出数据，

类型都应该是实现了HADOOP序列化框架的类型，如：

String对应Text

Integer对应IntWritable

Long对应LongWritable

1.2. 编码实现

WordcountMapper类开发

WordcountReducer类开发

JobSubmitter客户端类开发

 

《详见代码》

 

1.3. 运行mr程序

1) 将工程整体打成一个jar包并上传到linux机器上，

2) 准备好要处理的数据文件放到hdfs的指定目录中

3) 用命令启动jar包中的Jobsubmitter，让它去提交jar包给yarn来运行其中的mapreduce程序  ：  hadoop jar wc.jar cn.edu360.mr.wordcount.JobSubmitter .....

4) 去hdfs的输出目录中查看结果

2. yarn快速理解

2.1. yarn的基本概念

yarn是一个分布式程序的运行调度平台

yarn中有两大核心角色：

1、Resource Manager

接受用户提交的分布式计算程序，并为其划分资源

管理、监控各个Node Manager上的资源情况，以便于均衡负载

 

 

2、Node Manager

管理它所在机器的运算资源（cpu + 内存）

负责接受Resource Manager分配的任务，创建容器、回收资源

 

2.2. YARN的安装

node manager在物理上应该跟data node部署在一起

resource manager在物理上应该独立部署在一台专门的机器上

 

 

1、修改配置文件：

vi yarn-site.xml

<configuration>

<property>

<name>yarn.resourcemanager.hostname</name>

<value>hdp20-01</value>

</property>

 

 

<property>

<name>yarn.nodemanager.aux-services</name>

<value>mapreduce_shuffle</value>

</property>

 

2、scp这个yarn-site.xml到其他节点

3、启动yarn集群：start-yarn.sh  （注：该命令应该在resourcemanager所在的机器上执行）

4、用jps检查yarn的进程，用web浏览器查看yarn的web控制台

http://hdp20-01:8088

 

 

3. mr编程案例（一）

3.1. mr编程案例1——求TOPN

1、读取附件中的文件request.dat，

需求1：求出每一个url被访问的总次数，并将结果输出到一个结果文件中

思路：就是一个wordcount

map阶段： 解析数据，将url作为key，1作为value发出

reduce阶段：将一组数据的value累加

 

 

需求2：求出每个网站被访问次数最多的top3个url《分组TOPN》

 

思路：

map阶段——切字段，抽取域名作为key，url作为value，返回即可

reduce阶段——用迭代器，将一个域名的一组url迭代出来，挨个放入一个hashmap中进行计数，最后从这个hashmap中挑出次数最多的3个url作为结果返回

 

 

需求3：求访问次数最多的topn个网站（只能有1个reduce worker）《全局TOPN》

思路：

map阶段：解析数据，将域名作为key，1作为value

reduce阶段：

reduce方法中——对一个域名的一组1累加，然后将 <域名,总次数>放入一个成员变量Treemap中

cleanup方法中——从treemap中挑出次数最高的n个域名作为结果输出

 

要点1：每一个reduce worker程序，会在处理完自己的所有数据后，调用一次cleanup方法

 

要点2：如何向map和reduce传自定义参数

从JobSubmitter的main方法中，可以向map worker和reduce worker传递自定义参数（通过configuration对象来写入自定义参数）；然后，我们的map方法和reduce方法中，可以通过context.getConfiguration()来取自定义参数    

 

3.2. mr编程案例2——自定义类型

需求：统计一下文件中，每一个用户所耗费的总上行流量，总下行流量，总流量

1363157982040 13502468823 5C-0A-5B-6A-0B-D4:CMCC-EASY 120.196.100.99 y0.ifengimg.com 综合门户 57 102 7335 110349 200

1363157986072 18320173382 84-25-DB-4F-10-1A:CMCC-EASY 120.196.100.99 input.shouji.sogou.com 搜索引擎 21 18 9531 2412 200

1363157990043 13925057413 00-1F-64-E1-E6-9A:CMCC 120.196.100.55 t3.baidu.com 搜索引擎 69 63 11058 48243 200

 

思路：

map阶段：将每一行按tab切分成各字段，提取其中的手机号作为输出key，流量信息封装到FlowBean对象中，作为输出的value

 

要点：自定义类型如何实现hadoop的序列化接口

FlowBean这种自定义数据类型必须实现hadoop的序列化接口：Writable，实现其中的两个方法：

readFields(in)   反序列化方法

write(out)   序列化方法

 

reduce阶段：遍历一组数据的所有value（flowbean），进行累加，然后以手机号作为key输出，以总流量信息bean作为value输出

 

3.3. mr编程案例3——自定义Partitioner

统计每一个用户的总流量信息，并且按照其归属地，将统计结果输出在不同的文件中

1、思路：

想办法让map端worker在将数据分区时，按照我们需要的按归属地划分

实现方式：自定义一个Partitioner

 

2、实现

先写一个自定义Paritioner

（代码见工程）

 

3.4. mr编程案例4——全局排序

需求：统计request.dat中每个页面被访问的总次数，同时，要求输出结果文件中的数据按照次数大小倒序排序

 

关键技术点：

mapreduce程序内置了一个排序机制：

map worker 和reduce worker ，都会对数据按照key的大小来排序

所以最终的输出结果中，一定是按照key有顺序的结果

 

思路：

本案例中，就可以利用这个机制来实现需求：

1、先写一个mr程序，将每个页面的访问总次数统计出来

2、再写第二个mr程序：

map阶段： 读取第一个mr产生的结果文件，将每一条数据解析成一个java对象UrlCountBean（封装着一个url和它的总次数），然后将这个对象作为key，null作为value返回

要点：这个java对象要实现WritableComparable接口，以让worker可以调用对象的compareTo方法来进行排序

 

reduce阶段：由于worker已经对收到的数据按照UrlCountBean的compareTo方法排了序，所以，在reduce方法中，只要将数据输出即可，最后的结果自然是按总次数大小的有序结果

 

看示意图：

 

 

3.5. mr编程案例5——倒排索引创建

需求：有如下数据：

a.txt

hello tom

hello jim

hello kitty

hello rose

 

b.txt

hello jerry

hello jim

hello kitty

hello jack

 

c.txt

hello jerry

hello java

hello c++

hello c++

 

 

思路：

1、先写一个mr程序：统计出每个单词在每个文件中的总次数

hello-a.txt 4

hello-b.txt 4

hello-c.txt 4

java-c.txt 1

jerry-b.txt 1

jerry-c.txt 1

 

要点1：map方法中，如何获取所处理的这一行数据所在的文件名？

worker在调map方法时，会传入一个context，而context中包含了这个worker所读取的数据切片信息，而切片信息又包含这个切片所在的文件信息

那么，就可以在map中：

FileSplit split = context.getInputSplit();

String fileName = split.getpath().getName();

 

 

要点2：setup方法                                                                
worker在正式处理数据之前，会先调用一次setup方法，所以，常利用这个机制来做一些初始化操作；

 

 

 

2、然后在写一个mr程序，读取上述结果数据：

map： 根据-切，以单词做key，后面一段作为value

reduce： 拼接values里面的每一段，以单词做key，拼接结果做value，输出即可

 

 

 

3.6. mr编程案例6——自定义GroupingComparator

需求：一下数据，表示线段的左端点和右端点

1,4

2,5

3,4

2,6

4,7

5,8

5,9

6,10

10,15

11,16

12,18

13,17

 

需求1：求所有交错的层数

 

map：将一条线段的范围内坐标点作为key，1作为value

reduce：累加1，就得到了坐标点上的重叠次数

 

 

需求2：求出重叠次数最高的坐标点及其重叠次数（全局TOPN）

 

map：读数据，将<标点,重叠次数>封装为一个PointTimes对象，作为key返回，null为value

注意：PointTimes类要实现WritableComparable接口，以规定如何比较两个PointTimes对象的大小

 

reduce端：

注意：要想办法让worker将所有的PointTimes对象看成相同，以让worker把所有的数据看成一组，来调一次reduce方法。

实现方式就是自定义一个GroupingComparator(//具体见代码)

 

然后，reduce方法中，输出这一组（其实是这个worker所收到的全部数据）的前n个key即可

 

 

 

 

 

 

 

 

3.7. mr编程案例7——控制输入、输出格式

需求：还是对案例3中的流量数据进行汇总，然后求出汇总结果中的流量最大的TOPN条

 

步骤1:——

思路：统计逻辑跟之前的流量统计一致：

map：以手机号作为key，flowbean作为value

注：步骤1输出的结果文件通过指定SequenceFileOutputFormat来产生SequenceFile文件；SequenceFile文件是hadoop定义的一种文件，里面存放的是大量key-value的对象序列化字节（文件头部还存放了key和value所属的类型名）；

 

步骤2：

   思路：读取步骤1的SequenceFile结果文件，需要指定inputformatclass为SequenceFileInputFormat组件

既然使用了这种输入组件，那么我们的map方法中直接就接收一对KEY-VALUE数据

 

如何实现topn呢？

通过把所有汇总数据发给同一个reduce端的worker，并且通过定义一个GroupingComparator来让这个worker把所有手机号的flowbean对象看成一组，调用一次reduce方法，我们就只需要在reduce方法中输出前n个即可

 

 

 

 

4. mapreduce框架的运作机制

 

4.1. 核心角色：

MRAppmaster

Worker(map task)

Worker(reduce task)

 

 

 

4.2. 运行机制全图：

 

 

 

 

5. mr编程案例（二）

5.1. mr编程案例8——join算法

5.1.1. 数据：

select a.*,b.* from a join b on a.uid=b.uid;

 

有订单数据：

order001,u001

order002,u001

order003,u005

order004,u002

order005,u003

order006,u004

 

有用户数据：

u001,senge,18,angelababy

u002,laozhao,48,ruhua

u003,xiaoxu,16,chunge

u004,laoyang,28,zengge

u005,nana,14,huangbo

 

 

5.1.2. 需求：

 

 

5.1.3. 思路：

map端：

不管worker读到的是什么文件，我们的map方法中是可以通过context来区分的

对于order数据，map中切字段，封装为一个joinbean，打标记：t_order

对于user数据，map中切字段，封装为一个joinbean，打标记：t_user

然后，以uid作为key，以joinbean作为value返回

 

reduce端：

用迭代器迭代出一组相同uid的所有数据joinbean，然后判断

如果是标记字段为t_order的，则加入一个arraylist<JoinBean>中

如果标记字段为t_user的，则放入一个Joinbean对象中

 

然后，遍历arraylist，对里面的每一个JoinBean填充userBean中的user数据，然后输出这个joinBean即可

 

 

 

5.2. mr编程案例9——数据倾斜场景

5.2.1. 数据：

a a a a a a b b b a a a

a a a a c c b c a a a c

a b b c a a d d e e f f

f g a a a b a b h h g j

 

5.2.2. 需求：

需要做wordcount

但是，会有一个问题存在：

a特别多，

负责处理a这个单词数据的reduce worker就会很累（负载不均衡，过大）

思考：如何处理？会让整个数据处理过程中，数据倾斜的状况得到缓解

 

5.2.3. 思路：

将key进行打散（具体方案：给key拼接一个随机字符串），以均衡reduce端worker的负载；

 

5.3. mr编程案例10——json数据解析

5.3.1. 数据：

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"}

{"movie":"661","rate":"3","timeStamp":"978302109","uid":"1"}

{"movie":"914","rate":"3","timeStamp":"978301968","uid":"1"}

{"movie":"1357","rate":"5","timeStamp":"978298709","uid":"2"}

{"movie":"3068","rate":"4","timeStamp":"978299000","uid":"2"}

{"movie":"1537","rate":"4","timeStamp":"978299620","uid":"2"}

{"movie":"647","rate":"3","timeStamp":"978299351","uid":"3"}

{"movie":"2194","rate":"4","timeStamp":"978299297","uid":"3"}

求：

每个用户评分最高的N条记录

每个用户评分的平均值

最大方（评分给得高）的N个用户

最热门的N部电影

评价最高的N部电影

.......

 

5.3.2. 需求：

求出每个用户的评分总和

5.3.3. 思路：

典型的wordcount

 

 

 

5.4. mr编程案例11——共同好友分析

5.4.1. 数据：

冒号左边为用户id，冒号右边为用户的好友列表

A:B,C,D,F,E,O

B:A,C,E,K

C:F,A,D,I

D:A,E,F,L

E:B,C,D,M,L

F:A,B,C,D,E,O,M

G:A,C,D,E,F

H:A,C,D,E,O

I:A,O

J:B,O

K:A,C,D

L:D,E,F

M:E,F,G

O:A,H,I,J

 

5.4.2. 需求：

求出有共同好友的用户对，及他们的共同好友，如：

A与B，有共同好友C,E

A与C，有共同好友D

......

 

5.4.3. 思路：

 

 

 

6. mr客户端提交job到集群运行

6.1. yarn的资源参数配置

yarn.scheduler.minimum-allocation-mb  默认值：1024  // yarn分配一个容器时最低内存

yarn.scheduler.maximum-allocation-mb  默认值：8192  // yarn分配一个容器时最大内存

 

yarn.scheduler.minimum-allocation-vcores  默认值：1  // yarn分配一个容器时最少cpu核数

yarn.scheduler.maximum-allocation-vcores  默认值：32 // yarn分配一个容器时最多cpu核数

 

// 1个nodemanager拥有的总内存资源

yarn.nodemanager.resource.memory-mb  默认值：8192  

 

// 1个nodemanager拥有的总cpu资源（逻辑的，表示比例而已）

yarn.nodemanager.resource.cpu-vcores   默认值：8  

 

 

 

7. zookeeper 集群搭建

上传安装包，解压

修改conf/zoo.cfg

# The number of milliseconds of each tick

tickTime=2000

# The number of ticks that the initial

# synchronization phase can take

initLimit=10

# The number of ticks that can pass between

# sending a request and getting an acknowledgement

syncLimit=5

# the directory where the snapshot is stored.

# do not use /tmp for storage, /tmp here is just

# example sakes.

dataDir=/root/zkdata

# the port at which the clients will connect

clientPort=2181

# Set to "0" to disable auto purge feature

#autopurge.purgeInterval=1

server.1=hdp-01:2888:3888

server.2=hdp-02:2888:3888

server.3=hdp-03:2888:3888

 

配置文件修改完后，将安装包拷贝给hdp-02 和 hdp-03

 

接着，到hdp-01上，新建数据目录/root/zkdata，并在目录中生成一个文件myid，内容为1

接着，到hdp-02上，新建数据目录/root/zkdata，并在目录中生成一个文件myid，内容为2

接着，到hdp-03上，新建数据目录/root/zkdata，并在目录中生成一个文件myid，内容为3

 

 

启动zookeeper集群：