Hadoop学习(4)-mapreduce的一些注意事项
关于mapreduce的一些注意细节
如果把mapreduce程序打包放到了liux下去运行，
命令java –cp xxx.jar 主类名
如果报错了，说明是缺少相关的依赖jar包
用命令hadoop jar xxx.jar 类名因为在集群机器上用 hadoop jar xx.jar mr.wc.JobSubmitter 命令来启动客户端main方法时，hadoop jar这个命令会将所在机器上的hadoop安装目录中的jar包和配置文件加入到运行时的classpath中
那么，我们的客户端main方法中的new Configuration()语句就会加载classpath中的配置文件，自然就有了
fs.defaultFS 和 mapreduce.framework.name 和 yarn.resourcemanager.hostname 这些参数配置
会把本地hadoop的相关的所有jar包都会引用
Mapreduce也有本地的job运行，就是可以不用提交到yarn上，可以以单机的模式跑一边以多个线程模拟也可以。
就是如果不管在Linux下还是windows下，提交job都会默认的提交到本地去运行，
如果在linux默认提交到yarn上运行，需要写配置文件hadoop/etc/mapred-site.xml文件
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
Key,value对，如果是自己的类的话，那么这个类要实现Writable，同时要把你想序列化的数据转化成二进制，然后放到重写方法wirte参数的DataOutput里面，另一个readFields重写方法是用来反序列化用的，
注意反序列化的时候，会先拿这个类的无参构造方法构造出一个对象出来，然后再通过readFields方法来复原这个对象。
DataOutput也是一种流，只不过是hadoop的在封装，自己用的时候，里面需要加个FileOutputStream对象
DataOutput写字符串的时候要用writeUTF(“字符串”),他这样编码的时候，会在字符串的前面先加上字符串的长度，这是考虑到字符编码对其的问题，hadoop解析的时候就会先读前面两个字节，看一看这个字符串有多长，不然如果用write(字符串.getBytes())这样他不知道这个字符串到底有多少个字节。
在reduce阶段，如果把一个对象写到hdfs里面，那么会调用字符串的toString方法，你可以重写这个类的toString方法
举例，下面这个类就可以在hadoop里序列化
package mapreduce2; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import org.apache.hadoop.hdfs.client.HdfsClientConfigKeys.Write; import org.apache.hadoop.io.Writable; import org.apache.hadoop.util.Waitable; public class FlowBean implements Writable { private int up;//上行流量 private int down;//下行流量 private int sum;//总流量 private String phone;//电话号 public FlowBean(int up, int down, String phone) { this.up = up; this.down = down; this.sum = up + down; this.phone = phone; } public int getUp() { return up; } public void setUp(int up) { this.up = up; } public int getDown() { return down; } public void setDown(int down) { this.down = down; } public int getSum() { return sum; } public void setSum(int sum) { this.sum = sum; } public String getPhone() { return phone; } public void setPhone(String phone) { this.phone = phone; } @Override public void readFields(DataInput di) throws IOException { //注意这里读的顺序要和写的顺序是一样的 this.up = di.readInt(); this.down = di.readInt(); this.sum = this.up + this.down; this.phone = di.readUTF(); } @Override public void write(DataOutput Do) throws IOException { Do.writeInt(this.up); Do.writeInt(this.down); Do.writeInt(this.sum); Do.writeUTF(this.phone); } @Override public String toString() { return "电话号"+this.phone+" 总流量"+this.sum; } }
当所有的reduceTask都运行完之后，还会调用一个cleanup方法
应用练习：统计一个页面访问总量为n条的数据
方案一：只用一个reducetask，利用cleanup方法，在reducetask阶段，先不直接放到hdfs里面，而是存到一个Treemap里面
再在reducetask结束后，在cleanup里面通过把Treemap里面前五输出到HDFS里面；
package cn.edu360.mr.page.topn; public class PageCount implements Comparable<PageCount>{ private String page; private int count; public void set(String page, int count) { this.page = page; this.count = count; } public String getPage() { return page; } public void setPage(String page) { this.page = page; } public int getCount() { return count; } public void setCount(int count) { this.count = count; } @Override public int compareTo(PageCount o) { return o.getCount()-this.count==0?this.page.compareTo(o.getPage()):o.getCount()-this.count; } }
map类
import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; public class PageTopnMapper extends Mapper<LongWritable, Text, Text, IntWritable>{ @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { String line = value.toString(); String[] split = line.split(" "); context.write(new Text(split[1]), new IntWritable(1)); } }
reduce类
package cn.edu360.mr.page.topn; import java.io.IOException; import java.util.Map.Entry; import java.util.Set; import java.util.TreeMap; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class PageTopnReducer extends Reducer<Text, IntWritable, Text, IntWritable>{ TreeMap<PageCount, Object> treeMap = new TreeMap<>(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException { int count = 0; for (IntWritable value : values) { count += value.get(); } PageCount pageCount = new PageCount(); pageCount.set(key.toString(), count); treeMap.put(pageCount,null); } @Override protected void cleanup(Context context) throws IOException, InterruptedException { Configuration conf = context.getConfiguration();
//可以在cleanup里面拿到configuration，从里面读取要拿前几条数据 int topn = conf.getInt("top.n", 5); Set<Entry<PageCount, Object>> entrySet = treeMap.entrySet(); int i= 0; for (Entry<PageCount, Object> entry : entrySet) { context.write(new Text(entry.getKey().getPage()), new IntWritable(entry.getKey().getCount())); i++; if(i==topn) return; } } }
然后jobSubmit类，注意这个要设定Configuration，这里面有几种方法
第一种是加载配置文件
Configuration conf = new Configuration(); conf.addResource("xx-oo.xml");
然后再在xx-oo.xml文件里面写
<configuration> <property> <name>top.n</name> <value>6</value> </property> </configuration>
第二种方式
//通过直接设定 conf.setInt("top.n", 3); //通过对java主程序 直接传进来的参数 conf.setInt("top.n", Integer.parseInt(args[0]));
第三种方式通过获取配置文件参数
Properties props = new Properties(); props.load(JobSubmitter.class.getClassLoader().getResourceAsStream("topn.properties")); conf.setInt("top.n", Integer.parseInt(props.getProperty("top.n")));
然后再在topn.properties里面配置参数
top.n=5
subsubmit类，默认在本机模拟运行
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.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; public class JobSubmitter { public static void main(String[] args) throws Exception { /** * 通过加载classpath下的*-site.xml文件解析参数 */ Configuration conf = new Configuration(); conf.addResource("xx-oo.xml"); /** * 通过代码设置参数 */ //conf.setInt("top.n", 3); //conf.setInt("top.n", Integer.parseInt(args[0])); /** * 通过属性配置文件获取参数 */ /*Properties props = new Properties(); props.load(JobSubmitter.class.getClassLoader().getResourceAsStream("topn.properties")); conf.setInt("top.n", Integer.parseInt(props.getProperty("top.n")));*/ Job job = Job.getInstance(conf); job.setJarByClass(JobSubmitter.class); job.setMapperClass(PageTopnMapper.class); job.setReducerClass(PageTopnReducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.setInputPaths(job, new Path("F:\\mrdata\\url\\input")); FileOutputFormat.setOutputPath(job, new Path("F:\\mrdata\\url\\output")); job.waitForCompletion(true); } }
有时一个任务一个mapreduce是完成不了的，有可能会拆分成两个或多个mapreduce
map阶段会有自己的排序机制，比如一组数据(a,1),(b,1),(a,1),(c,1),他会先处理key为1的一组数据，
这个排序机制我们也可以自己去实现，要对这个类实现Comparable接口，然后重写compareTo方法。
但要注意这个排序机制只是对于一个reducetask来说的，如果有多个的话，只会得到局部排序。
如果要多个reducetask的话，我们就需要控制数据的分发规则，这样虽然是会生成多个排序后的文件，但这些文件整体上依然是有序的。因为我们控制了每一个reducetask处理数据的范围。
额外java知识点补充
Treemap，放进去的东西会自动排序
两种Treemap的自定义方法，第一种是传入一个Comparator
public class TreeMapTest { public static void main(String[] args) { TreeMap<FlowBean, String> tm1 = new TreeMap<>(new Comparator<FlowBean>() { @Override public int compare(FlowBean o1, FlowBean o2) { //如果两个类总流量相同的会比较电话号 if( o2.getAmountFlow()-o1.getAmountFlow()==0){ return o1.getPhone().compareTo(o2.getPhone()); } //如果流量不同，就按从小到大的顺序排序 return o2.getAmountFlow()-o1.getAmountFlow(); } }); FlowBean b1 = new FlowBean("1367788", 500, 300); FlowBean b2 = new FlowBean("1367766", 400, 200); FlowBean b3 = new FlowBean("1367755", 600, 400); FlowBean b4 = new FlowBean("1367744", 300, 500); tm1.put(b1, null); tm1.put(b2, null); tm1.put(b3, null); tm1.put(b4, null); //treeset的遍历 Set<Entry<FlowBean,String>> entrySet = tm1.entrySet(); for (Entry<FlowBean,String> entry : entrySet) { System.out.println(entry.getKey() +"\t"+ entry.getValue()); } } }
第二种是在这个类中，实现一个Comparable接口
package cn.edu360.mr.page.topn; public class PageCount implements Comparable<PageCount>{ private String page; private int count; public void set(String page, int count) { this.page = page; this.count = count; } public String getPage() { return page; } public void setPage(String page) { this.page = page; } public int getCount() { return count; } public void setCount(int count) { this.count = count; } @Override public int compareTo(PageCount o) { return o.getCount()-this.count==0?this.page.compareTo(o.getPage()):o.getCount()-this.count; } }
