Hadoop教程汇总连载之Hadoop基本流程和代码范例

ienki

• 为何有些公司在机器学习业务方面倾向使用 R + Hadoop方案？
  
• 你不知道的十个Hadoop的应用场景
  
• Hadoop教程：Hadoop的源起和体系架构
  
• Hadoop教程：Hadoop核心架构详细解析
  
• Hadoop教程：Hadoop集群和网络的基本原理(一)
  
• Hadoop教程：Hadoop集群和网络的基本原理(二)
  
• Hadoop教程：Hadoop集群和网络的基本原理(三)
  
• Hadoop教程：Hadoop基本流程和代码范例
  
• Hadoop教程：SQL Server+Hadoop变身大数据解决方案
  
• Hadoop教程：谈百度是如何使用hadoop的，并做了哪些改进
  
• Hadoop教程：Smartbi在Hadoop大数据分析中的应用
  
• Hadoop教程：PayPal的Hadoop迭代式计算框架--Guagua
  
• Hadoop教程：8个值得关注的SQL-on-Hadoop框架
  
• Hadoop教程：四个方案将OpenStack部署到Hadoop
  
• Hadoop教程：Hadoop的技术生态圈
  
• Oracle大数据SQL使SQL、Hadoop和NoSQL融合互通
  
• Hadoop教程：Hadoop集群环境下的网络架构设计与优化
  
• Hadoop教程：9款Hadoop商业发行版的调研报告
  
• Hadoop教程：Hadoop分布式环境搭建
  
• Hadoop教程：Teradata Aster在Hadoop和R上的进展
  
• Hadoop和大数据是合并还是冲突？
  
• Hadoop教程：Hadoop数据传输工具Sqoop
  
• Hadoop教程：大数据处理平台Hadoop能为企业带来什么?
  
• Hadoop教程：Hadoop和大数据在电信业里的典型应用
  
• Hadoop教程：Hadoop在大数据中的角色
  
• Hadoop教程：Hadoop平台的基本组成与生态系统
  
• Hadoop教程：当机器大数据遇见Hadoop
  
• Hadoop教程：Hadoop系统分布式存储与并行计算构架
  
• Hadoop教程：用外部存储构建Hadoop
  
• Hadoop教程：用hadoop计算PI值
  
• Hadoop教程：Hadoop扩展过程中的潜在危机
  

基本流程：


　　


 一个图片太大了，只好分割成为两部分。根据流程图来说一下具体的一个任务执行的情况。
1. 分布式环境中客户端创建任务并提交。
2. InputFormat做Map前的预处理，主要负责以下工作：
a) 验证输入的格式是否符合JobConfig的输入定义，这个在实现Map和构建Conf的时候就会知道，不定义可以是Writable的任意子类。
b) 将input的文件split为逻辑上的输入InputSplit，其实这就是在上面提到的在分布式文件系统中blocksize是有大小限制的，因此大文件会被划分为多个block。
c) 通过RecordReader来再次处理inputsplit为一组records，输出给Map。(inputsplit只是逻辑切分的第一步，但是如何根据文件中的信息来切分还需要RecordReader来实现，例如最简单的默认方式就是回车换行的切分)
3. RecordReader处理后的结果作为Map的输入，Map执行定义的Map逻辑，输出处理后的key,value对到临时中间文件。
4. Combiner可选择配置，主要作用是在每一个Map执行完分析以后，在本地优先作Reduce的工作，减少在Reduce过程中的数据传输量。
5. Partitioner可选择配置，主要作用是在多个Reduce的情况下，指定Map的结果由某一个Reduce处理，每一个Reduce都会有单独的输出文件。(后面的代码实例中有介绍使用场景)
6. Reduce执行具体的业务逻辑，并且将处理结果输出给OutputFormat。
7. OutputFormat的职责是，验证输出目录是否已经存在，同时验证输出结果类型是否如Config中配置，最后输出Reduce汇总后的结果。
代码范例：
业务场景描述：
可设定输入和输出路径(操作系统的路径非HDFS路径)，根据访问日志分析某一个应用访问某一个API的总次数和总流量，统计后分别输出到两个文件中。
仅仅为了测试，因此没有去细分很多类，将所有的类都归并于一个类便于说明问题。


图4 测试代码类图
LogAnalysiser就是主类，主要负责创建，提交任务，并且输出部分信息。内部的几个子类用途可以参看流程中提到的角色职责。具体的看看几个类和方法的代码片断：
LogAnalysiser::MapClass
public static class MapClass extends MapReduceBase
implements Mapper<longwritable, text,="" longwritable="" style="box-sizing: border-box;">
 {
public void map(LongWritable key, Text value, OutputCollector<text, longwritable="" style="box-sizing: border-box;"> output, Reporter reporter)
 throws IOException
&