1. Hadoop从头说 1.1 Google是一家做搜索的公司 做搜索是技术难度很高的活。首先要存储很多的数据,要把全球的大部分网页都抓下来,可想而知存储量有多大。然后,要能快速检索网页,用户输入几个关键词找资料,越快越好,最好在一秒之内出结果。如果全球每秒有上亿个用户在检索,只有一两秒的检索时间,要在全球的网页里找到最合适的检索结果,难度很大。 Google用三个最重要的核心技术解决上述问题,它们分别是GFS, MapReduce和BigTable。Google发表了它们的设计论文,但没有将它们开源,核心竞争力不可能开源的。论文在这里,有兴趣的同学可以去看看:GFS,http://labs.google.com/papers/gfs-sosp2003.pdf;MapReduce, http://labs.google.com/papers/mapreduce-osdi04.pdf ;Bigtable,http://labs.google.com/papers/bigtable-osdi06.pdf。 Google的论文发表之后,Doug Cutting等人根据论文的思想,在开源项目Nutch的基础上实现了Hadoop。后来,Doug Cutting去了Yahoo,继续做Hadoop。后来,Hadoop的开发和应用开始爆发了。 在对应关系上看,Hadoop MapReduce对应MapReduce,Hadoop Distributed File System (HDFS)对应GFS,HBase对应BigTable。一般我们所说的Hadoop其实是指Hadoop体系,它包括Hadoop MapReduce,HDFS,HBase,还有其他更多的技术。 1.2 MapReduce和HDFS是如何工作的 先用一种有助于理解的方式描述MapReduce和HDFS是如何工作的。假如有1000G的多个文本文件,内容是英文网页,需要统计词频,也就是哪些单词出现过,各出现过多少次,有1000台计算机可供使用,要求速度越快越好。最直接的想法是,把1000G的文件分成1000份,每台机器处理1G数据。处理完之后,其他999台机器将处理结果发送到一台固定的机器上,由这台机器进行合并然后输出结果。 Hadoop将这个过程进行自动化的处理。首先看如何存储这1000G的文本文件。HDFS在这1000台机器上创建分布式文件系统,将1000G的文件切分成若干个固定大小的文件块,每个块一般是64M大小,分散存储在这1000台机器上。这么多机器,在运行的时候难免会出现有几台突然死机或者挂掉的情况,这导致上面存储的文件块丢失,会导致计算出错。为避免这种情况,HDFS对每个文件块都做复制,复制成3~5个相同的块,放到不同的机器上,这样死机的文件块在其他机器上仍然可以找得到,不影响计算。 MapReduce其实是两部分,先是Map过程,然后是Reduce过程。从词频计算来说,假设某个文件块里的一行文字是”This is a small cat. That is a small dog.”,那么,Map过程会对这一行进行处理,将每个单词从句子解析出来,依次生成形如<“this”, 1>, <”is”, 1>, <”a”, 1>, <”small”, 1>, <”cat”, 1>, <”that”, 1>, <”is”, 1>, <”a”, 1>, <”small”, 1>, <”dog”, 1>的键值对,<”this”, 1>表示“this”这个单词出现了1次,在每个键值对里,单词出现的次数都是1次,允许有相同的键值对多次出现,比如<”is”,1>这个键值对出现了2次。Reduce过程就是合并同类项,将上述产生的相同的键值对合并起来,将这些单词出现的次数累加起来,计算结果就是<“this”, 1>, <”is”, 2>, <”a”, 2>, <”small”, 2>, <”cat”, 1>, <”that”, 1>, <”dog”, 1>。这种方式很简洁,并且可以进行多种形式的优化。比如说,在一个机器上,对本地存储的1G的文件块先Map,然后再Reduce,那么就得到了这1G的词频统计结果,然后再将这个结果传送到远程机器,跟其他999台机器的统计结果再次进行Reduce,就得到1000G文件的全部词频统计结果。如果文件没有那么大,只有三四个G,就不需要在本地进行Reduce了,每次Map之后直接将结果传送到远程机器做Reduce。 具体地,如果用Hadoop来做词频统计,流程是这样的: 1)先用HDFS的命令行工具,将1000G的文件复制到HDFS上; 2)用Java写MapReduce代码,写完后调试编译,然后打包成Jar包; 3)执行Hadoop命令,用这个Jar包在Hadoop集群上处理1000G的文件,然后将结果文件存放到指定的目录。 4)用HDFS的命令行工具查看处理结果文件。 1.3 API参考 开发过程需要的API全部在Java API和Hadoop API,在下面两个地方找: Hadoop 1.2.1的API文档:http://hadoop./docs/r1.2.1/api/index.html Java JDK1.7的API文档:http://docs.oracle.com/javase/7/docs/api/ 2. 词频统计 在这里,我们开始实现Word Count的MapReduce。这里的Word Count程序是从Hadoop的例子代码改编来的。 3. 标准形式的MapReduce程序 所谓标准形式的MapReduce,就说需要写MapReduce的时候,脑海里立刻跳出的就是这个形式,一个Map的Java文件,一个Reduce的Java文件,一个负责调用的主程序Java文件。这个标准形式已经是最简了,没有多余的东东可以删除,没有肥肉,是干货。写MapReduce和主程序的时候,分别引用哪些包哪些类,每个包每个类是什么作用,这些要很清晰。如果记不住的话,将这些代码写几遍,编译调试运行,然后不看代码,自己从头写出来,编译调试运行,重复多次应该可以记住了。 3.1 目录和文件结构 首先创建一个目录wordcount_01存放源代码、编译和打包结果,比如将这个目录放在/home/brian/wordcount_01。 wordcount_01目录下,有两个子目录,分别是src目录和classes目录。src目录存放Java的源代码,classes目录存放编译结果。在src目录下,创建三个文件,分别是IntSumReducer.java,TokenizerMapper.java,WordCount.java。从MapReduce的角度看, TokenizerMapper.java文件是做Map的代码,IntSumReducer.java是做Reduce的代码, WordCount.java是主程序,负责执行整个流程。这三个Java文件内容在下面给出。 3.2 TokenizerMapper .java文件的源代码 package com.brianchen.hadoop; import java.io.IOException; import java.util.StringTokenizer; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; public class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ IntWritable one = new IntWritable(1); Text word = new Text(); public void map(Object key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()){ word.set(itr.nextToken()); context.write(word, one); } } } 下面逐行解释代码,所有的类更详细的资料其实都可以在1.3节的两个API地址里找到: 1)“package com.brianchen.hadoop” Java提供包机制管理代码,关键词就是package,可以随意指定一个包的名字,诸如笔者的就是”com.brianchen.hadoop”,只要不跟其他的包重复就可以。为了保证包的唯一性,Sun公司推荐用公司的域名的逆序作为包名,于是大家就在代码里看到诸如”org.apache.hadoop”之类的包名。 2)”import java.io.IOException” 凡是以java开头的包,在JDK1.7的API里找类的资料。这一句从java的io包里导入IOException。IOException,输入输出异常类。所谓异常,就是 Exception,就是程序出错了,异常机制是Java的错误捕获机制。那么,IOException就是处理输入输出错误时候的异常,I是Input,O是Output。 3) “import java.util.StringTokenizer” 从java的util包引入StringTokenizer类。StringTokenizer将符合一定格式的字符串拆分开。比如说,”This is a cat”是一个字符串,这四个单词是用空格符隔开的,那么StringTokenizer可以将它们拆成四个单词”This”, “is”,”a”,“cat”。如果是用其他符号隔开,也能处理,比如”14;229;37”这个字符串,这三个数字是分号隔开的,StringTokenizer将它们拆成”14”,“229”,“37”。只要指定了分隔符,StringTokenizer就可以将字符串拆开。“拆开”的术语叫“解析”。 4)”import org.apache.hadoop.io.IntWritable” 凡是以org.apache.hadoop 开头的包,在Hadoop 1.2.1的API找类的详细信息。从hadoop的io包里引入IntWritable类。IntWritable类表示的是一个整数,是一个以类表示的整数,是一个以类表示的可序列化的整数。在Java里,要表示一个整数,假如是15,可以用int类型,int类型是Java的基本类型,占4个字节,也可以用Integer类,Integer类封装了一个int类型,让整数成为类。Integer类是可以序列化的。但Hadoop觉得Java的序列化不适合自己,于是实现了IntWritable类。至于什么是序列化,这个问题比较长,这个问题会在后面章节详细讲。 5) “import org.apache.hadoop.io.Text” 从hadoop的io包里引入Text类。Text类是存储字符串的可比较可序列化类。 6) “import org.apache.hadoop.mapreduce.Mapper” Mapper类很重要,它将输入键值对映射到输出键值对,也就是MapReduce里的Map过程。 7)”public class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>” 定义一个自己的Map过程,类名是TokenizerMapper,它继承了Hadoop的Mapper类。“<Object, Text, Text, IntWritable>”,这里,第一个参数类型是Object,表示输入键key的参数类型,第二个参数参数类型是Text,表示输入值的类型,第三个参数类型也是Text,表示输出键类型,第四个参数类型是IntWritable,表示输出值类型。 在这个例子里,第一个参数Object是Hadoop根据默认值生成的,一般是文件块里的一行文字的行偏移数,这些偏移数不重要,在处理时候一般用不上,第二个参数类型是要处理的字符串,形如”This is a cat.”。经过Map处理之后,输出的就是诸如<”This”, 1>的键值对,这个”This”就是第三个参数类型,是Text类型,而1就是第四个参数类型,是IntWritable。 8)“IntWritable one = new IntWritable(1)” 定义输出值,始终是1。 9) “Text word = new Text()” 定义输出键。 10) “public void map(Object key, Text value, Context context) throws IOException, InterruptedException ” 定义map函数,函数有三个参数,key是输入键,它是什么无所谓,实际上用不到它的,value是输入值。在map函数中,出错的时候会抛出异常,所以有“throws IOException, InterruptedException ”。至于Context类,这个类的定义是在TokenizerMapper的祖先类Mapper的内部,不需要引入,如果去查看Mapper类的源代码的话,能看到Context类是继承MapContext类的。 11) “StringTokenizer itr = new StringTokenizer(value.toString())” 定义StringTokenizer对象itr, StringTokenizer的构造函数只接受Java的String类,而value是Text类,所以要进行转化,将value转成String类,也就是“value.toString()”。 12)Map过程 while (itr.hasMoreTokens()){ word.set(itr.nextToken()); context.write(word, one); } 在默认的情况下,StringTokenizer以空格符作为分隔符对字符串进行解析,每次解析会先调用hasMoreTokens看看是不是需要做解析,如果需要做,就用nextToken()函数获取解析结果,然后用这个结果给word赋值,然后,再将word和one作为一个键值对写到context里,context会存储键值留待Reduce过程处理。 3.3 IntSumReducer.java文件的源代码 package com.brianchen.hadoop; import java.io.IOException; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; public class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } 跟上节相同的地方就不解释了,只解释上节没有的东东。 1)”import org.apache.hadoop.mapreduce.Reducer” 引入hadoop的Reducer类,这个类负责MapReduce的Reduce过程。 2) “public class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> “ 定义Reduce过程,也就是IntSumReducer类,这个类继承Hadoop的Reducer类。这里的”<Text,IntWritable,Text,IntWritable>”,含义跟上一节一样,依次分别是输入键类型,输入值类型,输出键类型,输出值类型。 3)“IntWritable result = new IntWritable()” 定义输出结果,这是一个整数。 4) “public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException ” 定义reduce函数。key是输入键类型,values是一个实现了Iterable接口的变量,可以把它理解成values里包含若干个IntWritable整数,可以通过迭代的方式遍历所有的值,至于Context类型,跟Mapper里的Context类似的方式,是在Redurer类内部实现的。 举例来说,假如处理一个字符串”This is a That is a“,那么,经过Map过程之后,到达reduce函数的时候,依次传递给reduce函数的是:key=”This”,values=<1>;key = “is”,values=<1, 1>;key = “a”, values=<1, 1>;key=”That”, values=<1>。注意,在key = “is”和key=”a”的时候,values里有两个1。 5) Reduce过程 int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); 这个过程,就是用一个循环,不断从values里取值,然后累加计算和,循环结束后,将累加和赋值给result变量,然后,将键值和累加和作为一个键值对写入context。继续以上一步的例子来说,写入context的键值对依次就是<”This”,1>,<“is”,2>,<“a”, 2>,<”That”, 1>。 3.4 WordCount.java文件的源代码 package com.brianchen.hadoop; 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; import org.apache.hadoop.util.GenericOptionsParser; public class WordCount { public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "wordcount"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizerMapper.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } } 1)”import org.apache.hadoop.conf.Configuration” Configuration类,顾名思义,读写和保存各种配置资源。 2) “import org.apache.hadoop.fs.Path” 引入Path类,Path类保存文件或者目录的路径字符串。 3) “import org.apache.hadoop.mapreduce.Job” 引入Job类。在hadoop里,每个需要执行的任务是一个Job,这个Job负责很多事情,包括参数配置,设置MapReduce细节,提交到Hadoop集群,执行控制,查询执行状态,等等。 4)”import org.apache.hadoop.mapreduce.lib.input.FileInputFormat” 引入FileInputFormat类。这个类的很重要的作用就是将文件进行切分split,因为只有切分才可以并行处理。这个会在后面章节有详细解释。 5) “import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat” 引入 FileOutputFormat类,处理结果写入输出文件。 6) “import org.apache.hadoop.util.GenericOptionsParser” 引入 GenericOptionsParser类,这个类负责解析hadoop的命令行参数。 7)”public class WordCount ” 这是word count主类,它负责读取命令行参数,配置Job,调用Mapper和Reducer,返回结果等等工作。 8)“Configuration conf = new Configuration()” 默认情况下,Configuration开始实例化的时候,会从Hadoop的配置文件里读取参数。 9)”String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs()” 读取参数分两步,上一步是从Hadoop的配置文件读取参数,这一步是从命令行参数读取参数,args是存放命令行参数的字符串数组。 10) “if (otherArgs.length != 2) ” 如果命令行参数不是2个,就出错了,退出。因为程序需要知道处理的是哪个输入文件,处理结果放到哪个目录,必须是两个参数。 11)” Job job = new Job(conf, "wordcount")” 每个运行的处理任务就是一个Job,”worodcount”是Job的名字。 12) “ job.setJarByClass(WordCount.class)” Jar文件是Java语言的一个功能,可以将所有的类文件打包成一个Jar文件,setJarByClass的意思是,根据WordCount类的位置设置Jar文件。 13) “job.setMapperClass(TokenizerMapper.class)” 设置Mapper。 14) “job.setReducerClass(IntSumReducer.class)” 设置Reducer。 15) “job.setOutputKeyClass(Text.class)” 设置输出键的类型。 16)“job.setOutputValueClass(IntWritable.class)” 设置输出值的类型。 17) “FileInputFormat.addInputPath(job, new Path(otherArgs[0]))” 设置要处理的文件,也就是输入文件,它是otherArgs的第一个参数。 18) “FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]))” 设置输出文件,将处理结果写到这个文件里,它是otherArgs的第二个参数。 19) “System.exit(job.waitForCompletion(true) ? 0 : 1)” 最后一步,job开始执行,等待执行结束。 3.5 编译 用javac编译项目。javac即Java programming language compiler,是Java JDK的命令行编译器。如前所说,wordcount_01目录存放源代码和编译结果,要在这个目录下进行编译。 3.5.1 “cd ~/wordcount_01” 先执行这个命令,切换目录到wordcount_01下。 3.5.2 “javac -classpath /home/brian/usr/hadoop/hadoop-1.2.1/hadoop-core-1.2.1.jar:/home/brian/usr/hadoop/hadoop-1.2.1/lib/commons-cli-1.2.jar -d ./classes/ ./src/*.java” 执行这条命令,编译源代码。-classpath,设置源代码里使用的各种类的库文件路径,路径之间用”:”隔开,-d参数,设置编译后的class文件存在路径。 3.6 打包 3.6.1 “jar -cvf wordcount.jar -C ./classes/ .” 将编译好的class文件打包成Jar包,jar命令是JDK的打包命令行工具,跟tar非常像。在命令里,-C是值在执行jar的时候将目录切换到当前目录下的classes目录,这个目录包含编译好的class文件。打包结果是wordcount.jar文件,放在当前目录下。 3.7 执行 3.7.1 首先要确实一下Hadoop已经运行起来了。启动方式就是第1章的第7节。然后,执行 3.7.2 “cd ~/usr/hadoop/hadoop-1.2.1” 切换目录到Hadoop的安装目录下。 3.7.3 “./bin/hadoop fs -put READER.txt readme.txt” 仍然用README.txt做测试,将它复制到HDFS上,更名为readme.txt 3.7.4 “./bin/hadoop fs -rmr output” 处理结果要放在HDFS的output目录里,如果这个目录已经存在了,Hadoop是不会运行的,会报错,先删除它。 3.7.5 “./bin/hadoop jar /home/brian/wordcount_01/wordcount.jar com.brianchen.hadoop.WordCount readme.txt output” 运行程序,处理readme.txt文件,将结果写入output目录,其中”jar”参数是指定jar包的位置,而”com.brianchen.hadoop.WordCount”,这里”com.brianchen.hadoop”是包的名字, “WordCount”是主类,注意,如果不写包名字会报错的,必须有包名。 3.8 查看结果 3.8.1 “./bin/hadoop fs -cat output/part-r-00000” 处理结果output目录的 part-r-00000文件里,用cat命令可以输出到屏幕显示。 4. 最简形式的MapReduce 最简单形式的Word Count的MapReduce代码是Hadoop自带的例子,略作改动放在这里。这个例子只有一个Java文件,Mapper和Reducer都写在WordCount类的内部。 4.1 目录和文件结构 代码放在~/wordcount_02目录,它有两个子目录,分别是classes和src,classes目录存放编译结果,src目录存放源代码,src目录下只有一个java文件,即”WordCount.java”,所有的代码都在里面。 4.2 WordCount.java文件的源代码 package com.brianchen.hadoop; import java.io.IOException; import java.util.StringTokenizer; 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.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.util.GenericOptionsParser; public class WordCount { public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()){ word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } } 这里的代码,跟前一节有点不太一样。 1)”public static class TokenizerMapper” 这表示TokenizerMapper类是WordCount类的内部静态类,这种方式可以将TokenizerMapper隐藏在WordCount类内部,且TokenizerMapper类不引用WordCount类的任何变量和函数。 2) “private final static IntWritable one” 跟上一节的定义相比,这里多了”private final static”,”private”表示这个变量是类的私有变量,“final”表示这变量只能在定义的时候被赋值一次,以后不可更改,”static”表示这是一个静态变量,独立于对象,被该类的所有实例共享,这种做法的好处是,one这个值是私有的不可更改的仅仅只有一个,代码更可靠,更节省内存空间。 4.3 编译 4.3.1 “cd ~/wordcount_02” 4.3.2 “javac -classpath /home/brian/usr/hadoop/hadoop-1.2.1/hadoop-core-1.2.1.jar:/home/brian/usr/hadoop/hadoop-1.2.1/lib/commons-cli-1.2.jar -d ./classes/ ./src/WordCount.java ” 4.4 打包 4.4.1 “jar -cvf wordcount.jar -C ./classes/ . ” 4.5 运行 4.5.1 “cd ~/usr/bin/hadoop/hadoop-1.2.1” 4.5.2 “./bin/hadoop fs -rmr output” 4.5.3 “./bin/hadoop jar /home/brian/wordcount_02/wordcount.jar com.brianchen.hadoop.WordCount readme.txt output” 4.6 查看结果 4.6.1 “./bin/hadoop fs -cat output/part-r-00000” |
|
来自: IT技术武馆 > 《Hadoop及生态圈相关》