Hadoop实战-中高级部分 之 Hadoop MapReduce高级编程
Hadoop RestFulHadoop HDFS原理1
Hadoop HDFS原理2
Hadoop作业调优参数调整及原理
Hadoop HA
Hadoop MapReduce高级编程
Hadoop IO
Hadoop MapReduce工作原理
Hadoop 管理
Hadoop 集群安装
Hadoop RPC
第一部分：重要的组件
Combiner
·什么是Combiner
·combine函数把一个map函数产生的<key,value>对（多个key, value）合并成一个新的<key2,value2>. 将新的<key2,value2>作为输入到reduce函数中，其格式与reduce函数相同。
·这样可以有效的较少中间结果，减少网络传输负荷。
·什么情况下可以使用Combiner
·可以对记录进行汇总统计的场景，如求和。
·求平均数的场景就不可以使用了
Combiner执行时机
·运行combiner函数的时机有可能会是merge完成之前，或者之后，这个时机可以由一个参数控制，即 min.num.spill.for.combine（default 3）
·当job中设定了combiner，并且spill数最少有3个的时候，那么combiner函数就会在merge产生结果文件之前运行
·通过这样的方式，就可以在spill非常多需要merge，并且很多数据需要做conbine的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。
·Combiner也有可能不执行， Combiner会考虑当时集群的负载情况。
Combiner如何使用
·代码示例
·继承Reducer类
public static class Combiner extends MapReduceBase implements
Reducer<Text, Text, Text, Text> {
public void reduce(Text key, Iterator<Text> values,
OutputCollector<Text, Text> output, Reporter reporter)
throws IOException {
}
}
·配置作业时加入conf.setCombinerClass(Combiner.class)
Partitioner
·什么是Partitioner
·Mapreduce 通过Partitioner 对Key 进行分区，进而把数据按我们自己的需求来分发。
·什么情况下使用Partitioner
·如果你需要key按照自己意愿分发，那么你需要这样的组件。
·例如：数据文件内包含省份，而输出要求每个省份输出一个文件。
·框架默认的HashPartitioner
·public class HashPartitioner<K, V> extends Partitioner<K, V> {
/** Use {@link Object#hashCode()} to partition. */
public int getPartition(K key, V value,
int numReduceTasks) {
return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
}
}
Partitioner如何使用
·实现Partitioner接口覆盖getPartition()方法
·配置作业时加入conf.setPartitionerClass(MyPartitioner.class);
·Partitioner示例
public static class MyPartitioner implements Partitioner<Text, Text> {
@Override
public int getPartition(Text key, Text value, int numPartitions) {
}
}
Partitioner需求示例
·需求描述
·数据文件中含有省份
·需要相同的省份送到相同的Reduce里
·从而产生不同的文件
·数据样例
·1 liaoning
·1 代表该省份有多少个直辖市
·步骤
·实现Partitioner，覆盖getPartition
·根据省份字段进行切分
RecordReader
·什么是RecordReader
·用于在分块中读取<Key,Value>对，也就是说每一次我们读取一条记录都会调用该类。
·主要是处理经过InputFormat分片完的数据
·什么时候使用RecordReader
·需要对输入的数据按自己的需求处理
·如：要求输入的key不是文件的偏移量而是文件的路径或者名字
·系统默认为LineRecordReader
·按照每行的偏移量做为map输出时的key值，每行的内容作为map的value值，默认的分隔符是回车和换行。
RecordReader需求示例
·需求
·更改map对应的输入的<key,value>值，key对应的文件的路径（或者是文件名），value对应的是文件的内容（content）。
·步骤
·重写InputFormat不对文件切分
·重写RecordReader
·在配置作业时使用自定义的组件进行数据处理
第二部分：Join
案例分析
·输入为2个文件，文件一内容如下
·空格分割：用户名 手机号 年龄
·内容样例
·Tom 1314567890 14
·文件二内容
·空格分割：手机号 地市
·内容样例
·13124567890 hubei
·需要统计出的汇总信息为 用户名 手机号 年龄 地市
Map端Join
·设计思路
·使用DistributedCache.addCacheFile()将地市的文件加入到所有Map的缓存里
·在Map函数里读取该文件，进行Join
· 将结果输出到reduce
·需要注意的是
·DistributedCache需要在生成Job作业前使用
Reduce端Join
·设计思路
·Map端读取所有文件，并在输出的内容里加上标识代表数据时从哪个文件里来的
·在reduce对按照标识对数据进行保存
·然后根据Key的Join来求出结果直接输出
第三部分：排序
普通排序
·Mapreduce本身自带排序功能
·Text对象是不适合排序的，如果内容为整型不会安照编码顺序去排序
·一般情况下我们可以考虑以IntWritable做为Key,同时将Reduce设置成0 ,进行排序
部分排序
·即输出的每个文件都是排过序的
·如果我们不需要全局排序，那么这是个不错的选择。
全局排序
·产生背景
·Hadoop平台没有提供全局数据排序，而在大规模数据处理中进行数据的全局排序是非常普遍的需求。
·使用hadoop进行大量的数据排序排序最直观的方法是把文件所有内容给map之后，map不做任何处理，直接输出给一个reduce，利用hadoop的自己的shuffle机制，对所有数据进行排序，而后由reduce直接输出。
·快速排序基本步骤就是需要现在所有数据中选取一个作为支点。然后将大于这个支点的放在一边，小于这个支点的放在另一边。
设想如果我们有 N 个支点（这里可以称为标尺），就可以把所有的数据分成 N+1 个part ，将这 N+1 个 part 丢给 reduce ，由 hadoop 自动排序，最后输出 N+1 个内部有序的文件，再把这 N+1 个文件首尾相连合并成一个文件，收工 。
由此我们可以归纳出这样一个用 hadoop 对大量数据排序的步骤：
1 ） 对待排序数据进行抽样；
2 ） 对抽样数据进行排序，产生标尺；
3 ） Map 对输入的每条数据计算其处于哪两个标尺之间；将数据发给对应区间 ID的 reduce
4 ） Reduce 将获得数据直接输出。
·Hadoop 提供了Sampler接口可以返回一组样本，该接口为Hadoop的采样器。
public interface Sampler<K, V> {
K[] getSample(InputFormat<K, V> inf, Job job)
throws IOException, InterruptedException;
}
·Hadoop提供了一个TotalOrderPartitioner，可以使我们来实现全局排序。
二次排序
·产生背景
·MapReduce默认会对key进行排序
·将输出到Reduce的values也进行预先的排序
·实现方式
·重写Partitioner，完成key分区，进行第一次排序
·实现WritableComparator，完成自己的排序逻辑，完成key的第2次排序
·原理
·Map之前的数据
key1 1
key2 2
key2 3
key3 4
key1 2
·Mapduce只能排序key,所以为了二次排序我们要重新定义自己的key 简单说来就是<key value> value ,组合完后
<key1 1 > 1
<key2 2 > 2
<key2 3 > 3
<key3 4> 4
<key1 2 > 2
·原理
·接下来实现自定义的排序类，分组类，数据变成
<key1 1 > 1
<key1 2 > 2
<key2 2 > 2
<key2 3 > 3
<key3 4> 4
·最后 reduce处理后输出结果
key1 1
key1 2
key2 2
key2 3
key3 4
第四部分：计数器
·什么是计数器
计数器主要用来收集系统信息和作业运行信息，用于知道作业成功、失败等情况，比日志更便利进行分析。
·内置计数器
·Hadoop内置的计数器，记录作业执行情况和记录情况。包括MapReduce框架、文件系统、作业计数三大类。
·计数器由关联任务维护，定期传递给tasktracker，再由tasktracker传给jobtracker。
·计数器可以被全局聚集。内置的作业计数器实际上由jobtracker维护，不必在整个网络中传递。
·当一个作业执行成功后，计数器的值才是完整可靠的。
用户自定义Java计数器
·MapReduce框架允许用户自定义计数器
·计数器是全局使用的
·计数器有组的概念，可以由一个Java枚举类型来定义
·如何配置
·0.20.2以下的版本使用Reporter,
·0.20.2以上的版本使用context.getCounter(groupName, counterName) 来获取计数器配置并设置。
·动态计数器
·所谓动态计数器即不采用Java枚举的方式来定义
·Reporter中的获取动态计数器的方法
·public void incrCounter(String group,String counter,long amount)
组名称，计数器名称，计数值
·一些原则
·创建计数器时，尽量让名称易读
·获取计数器
·Web UI
·命令行 hadoop job-counter
·Java API
·Java API
·在作业运行完成后，计数器稳定后获取。 使用job.getCounters()得到Counters
第五部分：合并小文件示例
·产生背景
·Hadoop不适合处理小文件
·会占用大量的内存空间
·解决方案
·文件内容读取到SequenceFile内
转载请注明出处【 http://sishuok.com/forum/blogPost/list/0/5961.html】
页:
[1]