[Hadoop in Action] 第1章 Hadoop简介
- 编写可扩展、分布式的数据密集型程序和基础知识
- 理解Hadoop和MapReduce
- 编写和运行一个基本的MapReduce程序
1、什么是Hadoop
Hadoop是一个开源的框架,可编写和运行分布式应用处理大规模数据。
Hadoop与众不同之处在于以下几点:
- 方便——Hadoop运行在由一般商用机器构成的大型集群上,或者云计算服务之上;
- 健壮——Hadoop致力于在一般商用硬件上运行,其架构假设硬件会频繁地出现失效;
- 可扩展——Hadoop通过增加集群节点,可以线性地扩展以处理更大的数据集;
- 简单——Hadoop运行用户快速编写出高效的并行代码。
2、了解分布式系统和Hadoop
理解分布式系统(向外扩展)和大型单机服务器(向上扩展)之间的对比,考虑现有I/O技术的性价比。
理解Hadoop和其他分布式架构(SETI@home)的区别:
Hadoop设计理念是代码向数据迁移,而SETI@home设计理念是数据迁移。
要运行的程序在规模上比数据小几个数量级,更容易移动;此外,在网络上移动数据要比在其上加载代码更花时间,不如让数据不动而将可执行代码移动到数据所在机器上去。
3、比较SQL数据库和Hadoop
SQL(结构化查询语言)是针对结构化数据设计的,而Hadoop最初的许多应用针对的是文本这种非结构化数据。让我们从特定的视角将Hadoop与典型SQL数据库做更详细的比较:
- 用向外扩展代替向上扩展——扩展商用关系型数据库的代价会更加昂贵的
- 用键/值对代替关系表——Hadoop使用键/值对作为基本数据单元,可足够灵活地处理较少结构化的数据类型
- 用函数式编程(MapReduce)代替声明式查询(SQL)——在MapReduce中,实际的数据处理步骤是由你指定的,很类似于SQL引擎的一个执行计划
- 用离线处理代替在线处理——Hadoop是专为离线处理和大规模数据分析而设计的,并不适合那种对几个记录随机读写的在线事务处理模式
4、理解MapReduce
MapReduce是一种数据处理模型,最大的优点是容易扩展到多个计算节点上处理数据;
在MapReduce模型中,数据处理原语被称为mapper和reducer;
分解一个数据处理应用为mapper和reducer有时是繁琐的,但是一旦一MapReduce的形式写好了一个应用程序,仅需修改配置就可以将它扩展到集群中几百、几千,甚至几万台机器上运行。
[动手扩展一个简单程序]
少量文档处理方式:对于每个文档,使用分词过程逐个提取单词;对于每个单词,在多重集合wordcount中的相应项上加1;最后display()函数打印出wordcount中的所有条目。
大量文档处理方式:将工作分布到多台机器上,每台机器处理这些文档的不同部分,当所有机器都完成时,第二个处理阶段将合并这些结果。
一些细节可能会妨碍程序按预期工作,如文档读取过量导致中央存储服务器的带宽性能跟不上、多重集合wordcount条目过多超过计算机的内存容量。此外,第二阶段只有一个计算机处理wordcount任务,容易出现瓶颈,所以可以采用分布的方式运转,以某种方式将其分割到多台计算机上,使之能够独立运行,即需要在第一阶段后将wordcount分区,使得第二阶段的每台计算机仅需处理一个分区。
为了使它工作在一个分布式计算机集群上,需要添加以下功能:
- 存储文件到许多计算机上(第一阶段)
- 编写一个基于磁盘的散列表,使得处理不受内存容量限制
- 划分来自第一阶段的中间数据(即wordcount)
- 洗牌这些分区到第二阶段中合适的计算机上
MapReduce程序执行分为两个主要阶段,为mapping和reducing,每个阶段均定义为一个数据处理函数,分别称为mapper和reducer。在mapping阶段,MapReduce获取输入数据并将数据单元装入mapper;在reduce阶段,reducer处理来自mapper的所有输出,并给出最终结果。简而言之,mapper意味着将输入进行过滤与转换,使reducer可以完成聚合。
另外,为了扩展分布式的单词统计程序,不得不编写了partitioning和shuffling函数。
在MapReduce框架中编写应用程序就是定制化mapper和reducer的过程,以下是完整的数据流:
- 应用的输入必须组织为一个键/值对的列表list(<k1,v1>);
- 含有键/值对的列表被拆分,进而通过调用mapper的map函数对每个单独的键/值对<k1,v1>进行处理;
- 所有mapper的输出被聚合到一个包含<k2,v2>对的巨大列表中;
- 每个reducer分别处理每个被聚合起来的<k2,list(v2)>,并输出<k3,v3>。
5、用Hadoop统计单词——运行第一个程序
- Linux操作系统
- JDK1.6以上运行环境
- Hadoop操作环境
Usage:hadoop [—config configdir] COMMAND
这里COMMAND为下列其中一个:
namenode -format 格式化DFS文件系统
secondarynamenode 运行DFS的第二个namenode
namenode 运行DFS的namenode
datanode 运行一个DFS的datanode
dfsadmin 运行一个DFS的admin客户端
fsck 运行一个DFS文件系统的检查工具
fs 运行一个普通的文件系统用户客户端
balancer 运行一个集群负载均衡工具
jobtracker 运行MapReduce的jobtracker节点
pipes 运行一个pipes作业
tasktracker 运行一个MapReduce的tasktracker节点
job 处理MapReduce作业
version 打印版本
jar <jar> 运行一个jar文件
distcp <srcurl> <desturl> 递归地复制文件或者目录
archive -archiveName NAME <src>* <dest> 生成一个Hadoop档案
daemonlog 获取或设置每个daemon的log级别
CLASSNAME 运行名为CLASSNAME的类大多数命令会在使用w/o参数
时打出帮助信息。
运行单词统计示例程序的命令形式如下:
hadoop jar hadoop-*-examples.jar wordcount [-m <maps>] [-r reduces] input output
编译修改后的单词统计程序的命令形式如下:
javac -classpath hadoop-*-core.jar -d playground/classes playground/src/WordCount.java
jar -cvf playground/src/wordcount.jar -C playground/classes/
运行修改后的单词统计程序的命令形式如下:
hadoop jar playground/wordcount.jar org.apache.hadoop.examples.WordCount input output
代码清单 WordCount.java
1 public class WordCount { 2 3 public static class TokenizerMapper 4 extends Mapper<Object, Text, Text, IntWritable>{ 5 6 private final static IntWritable one = new IntWritable(1); 7 private Text word = new Text(); 8 9 public void map(Object key, Text value, Context context 10 ) throws IOException, InterruptedException { 11 StringTokenizer itr = new StringTokenizer(value.toString()); //(1)使用空格进行分词 12 while (itr.hasMoreTokens()) { 13 word.set(itr.nextToken()); //(2)把Token放入Text对象中 14 context.write(word, one); 15 } 16 } 17 } 18 19 public static class IntSumReducer 20 extends Reducer<Text,IntWritable,Text,IntWritable> { 21 private IntWritable result = new IntWritable(); 22 23 public void reduce(Text key, Iterable<IntWritable> values, 24 Context context 25 ) throws IOException, InterruptedException { 26 int sum = 0; 27 for (IntWritable val : values) { 28 sum += val.get(); 29 } 30 result.set(sum); 31 context.write(key, result); //(3)输出每个Token的统计结果 32 } 33 } 34 35 public static void main(String[] args) throws Exception { 36 Configuration conf = new Configuration(); 37 String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); 38 if (otherArgs.length < 2) { 39 System.err.println("Usage: wordcount <in> [<in>...] <out>"); 40 System.exit(2); 41 } 42 Job job = new Job(conf, "word count"); 43 job.setJarByClass(WordCount.class); 44 job.setMapperClass(TokenizerMapper.class); 45 job.setCombinerClass(IntSumReducer.class); 46 job.setReducerClass(IntSumReducer.class); 47 job.setOutputKeyClass(Text.class); 48 job.setOutputValueClass(IntWritable.class); 49 for (int i = 0; i < otherArgs.length - 1; ++i) { 50 FileInputFormat.addInputPath(job, new Path(otherArgs[i])); 51 } 52 FileOutputFormat.setOutputPath(job, 53 new Path(otherArgs[otherArgs.length - 1])); 54 System.exit(job.waitForCompletion(true) ? 0 : 1); 55 } 56 }
在(1)的位置上wordcount以默认配置使用了Java的StringTokenizer,这里仅基于空格来分词。为了在分词过程中忽略标准的标点符号,将它们加入到stringTokenizer的定界符列表中:
StringTokenizer itr = new StringTokenizer(value.toString(),” \t\n\r\f,.:;?![]’");
因为希望单词统计忽略大小写,把它们转换为Text对象前先将所有的单词都变成小写:
word.set(itr.nextToken().toLowerCase());
希望仅仅显示出现次数大于4次的单词:
if (sum > 4) context.write(key, result);
6、hadoop历史
创始人:Doug Cutting
2004年左右——Google发表了两篇论文来论述Google文件系统(GFS)和MapReduce框架。
2006年1月——雅虎聘用Doug,让他和一个专项团队一起改进Hadoop,并将其作为一个开源项目。
[转载请注明] http://www.cnblogs.com/zhengrunjian/