大数据 #

大数据4大特点 #

1. Volume (海量数据存储)
2. Velocity(高速)
3. Variety(多样性)
4. Value(低价值密度 - 数据清洗)

平台

Hadoop,Flume,Kafka,HBase,Spark的等框架的平台搭建，集群性能监控，集群新能调优。

数据仓库

ETL数据清洗，数据分析，数仓建模

实时指标的分析性能调优，数据挖掘。

Hadoop #

Hadoop 官网

1 概念 #

1.1 Hadoop 是什么？ #

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。主要解决海量数据的存储和分析计算问题。

Hadoop通常是指一个更广泛的概念--Hadoop生态圈

1.2 Hadoop 的优势(4高) #

1. 高可靠性:Hadoop底层维护了多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据丢失。
2. 高扩展性:在集群分配任务数据，可方便的扩展数以千计的节点。
3. 高效性:在MapReduce是并行工作的加快任务处理速度。
4. 高容错性:能够自动的将失败的任务重新分配。

1.3 Hadoop 的组成 #

1.3.1 HDFS 架构概述 #

Hadoop Distributed File System简称HDFS，是一个分布式文件系统。

1. NameNode(nn): 存储文件的元数据如文件名，文件目录接口，文件属性，以及每个文件的块列表和**块所在的DataNode**等。
2. DataNode(dn): 在本地文件系统存储文件块数据，以及块数据的校验和。
3. Secondary NameNode(2nn): 每隔一段时间对NameNode数据据备份。

1.3.2 Yarn架构概述 #

Yet Another Resource Negotiator 简称Yarn 是Hadoop的资源管理器(主要管理CPU和内存)。

1. ResouceManager(RM): 整个集群资源的管理者。
2. NodeManager(NM): 单节点服务器管理者。
3. ApplicationMaster(AM): 单个任务运行的老大。
4. Container: 容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源。

1.3.3 MapReduce架构概述 #

MapReduce将计算分为两个阶段Map和Reduce。

1. Map阶段: 并行处理输入数据。
2. Reduce阶段: 对Map结果进行汇总。

1.4 大数据技术生态体系 #

推荐系统: 用户搜索/购买记录到日志，Flume采集对应的日志交给Kafka做缓冲，然后交给Flink做实时计算，计算完成存储成文件/数据库 推荐业务读取计算完成的结果返回给前端。

2 生产集群搭建 #

2.1 准备工作 #

正常安装centos7.5最小版

修改ip

vi /etc/sysconfig/network-scripts/ifcfg-ens33

修改host

vi /etc/hostname

应用重启网络服务，如果报错就重启虚拟机reboot

systemctl restart network

安装epel-release

yum install -y epel-release
# 还需要安装 net-tools
yum install -y net-tools
# vim 编辑器
yum install -y vim 

关闭防火墙

systemctl stop firewalld
systemctl disable firewalld.service

安装jdk，解压配置

tar -zxvf jdk***.tar.gz

进入/etc/profile.d，创建一个shell脚本，然后执行source /etc/profile。

# Java_Home jdk 8
export JAVA_HOME=/home/module/jdk1.8.0_152
export PATH=$PATH:$JAVA_HOME/bin

检查java安装

java -version

## 打印 
java version "1.8.0_152"
Java(TM) SE Runtime Environment (build 1.8.0_152-b16)
Java HotSpot(TM) 64-Bit Server VM (build 25.152-b16, mixed mode)

无密登录

ssh-keygen -t rsa
ssh-copy-id ip

2.1.1 安装Hadoop 3.1.3 #

解压缩

tar -zxvf hadoop-3.1.3.tar.gz 

进入/etc/profile.d，创建一个shell脚本，然后执行source /etc/profile。

cat /etc/profile.d/my_hadoop_env.sh 
#Hadoop hadoop 3.1.3

export HADOOP_HOME=/home/module/hadoop-3.1.3

export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

检查hadoop安装

hadoop
# 打印
Usage: hadoop [OPTIONS] SUBCOMMAND [SUBCOMMAND OPTIONS]
 or    hadoop [OPTIONS] CLASSNAME [CLASSNAME OPTIONS]
  where CLASSNAME is a user-provided Java class

  OPTIONS is none or any of:

buildpaths                       attempt to add class files from build tree
--config dir                     Hadoop config directory
--debug                          turn on shell script debug mode
--help                           usage information
hostnames list[,of,host,names]   hosts to use in slave mode
hosts filename                   list of hosts to use in slave mode
loglevel level                   set the log4j level for this command
workers                          turn on worker mode

  SUBCOMMAND is one of:


    Admin Commands:

daemonlog     get/set the log level for each daemon

    Client Commands:

archive       create a Hadoop archive
checknative   check native Hadoop and compression libraries availability
classpath     prints the class path needed to get the Hadoop jar and the required libraries
conftest      validate configuration XML files
credential    interact with credential providers
distch        distributed metadata changer
distcp        copy file or directories recursively
dtutil        operations related to delegation tokens
envvars       display computed Hadoop environment variables
fs            run a generic filesystem user client
gridmix       submit a mix of synthetic job, modeling a profiled from production load
jar <jar>     run a jar file. NOTE: please use "yarn jar" to launch YARN applications, not this command.
jnipath       prints the java.library.path
kdiag         Diagnose Kerberos Problems
kerbname      show auth_to_local principal conversion
key           manage keys via the KeyProvider
rumenfolder   scale a rumen input trace
rumentrace    convert logs into a rumen trace
s3guard       manage metadata on S3
trace         view and modify Hadoop tracing settings
version       print the version

    Daemon Commands:

kms           run KMS, the Key Management Server

SUBCOMMAND may print help when invoked w/o parameters or with -h.

以上就算安装成功。

2.1.2 hadoop 目录内容 #

cd hadoop-3.1.3
[root@hadoop1207 hadoop-3.1.3]# ll
总用量 180
drwxr-xr-x. 2 1000 1000    183 9月  12 2019 bin
drwxr-xr-x. 3 1000 1000     20 9月  12 2019 etc
drwxr-xr-x. 2 1000 1000    106 9月  12 2019 include
drwxr-xr-x. 3 1000 1000     20 9月  12 2019 lib
drwxr-xr-x. 4 1000 1000   4096 9月  12 2019 libexec
-rw-rw-r--. 1 1000 1000 147145 9月   4 2019 LICENSE.txt
-rw-rw-r--. 1 1000 1000  21867 9月   4 2019 NOTICE.txt
-rw-rw-r--. 1 1000 1000   1366 9月   4 2019 README.txt
drwxr-xr-x. 3 1000 1000   4096 9月  12 2019 sbin
drwxr-xr-x. 4 1000 1000     31 9月  12 2019 share

bin 目录 一些命令的文件目录

cd bin/
[root@hadoop1207 bin]# ll
总用量 996
-rwxr-xr-x. 1 1000 1000 441936 9月  12 2019 container-executor
-rwxr-xr-x. 1 1000 1000   8707 9月  12 2019 hadoop
-rwxr-xr-x. 1 1000 1000  11265 9月  12 2019 hadoop.cmd
-rwxr-xr-x. 1 1000 1000  11026 9月  12 2019 hdfs  			# 和资源存储相关的命令
-rwxr-xr-x. 1 1000 1000   8081 9月  12 2019 hdfs.cmd
-rwxr-xr-x. 1 1000 1000   6237 9月  12 2019 mapred			# 和计算相关的命令
-rwxr-xr-x. 1 1000 1000   6311 9月  12 2019 mapred.cmd
-rwxr-xr-x. 1 1000 1000 483728 9月  12 2019 test-container-executor
-rwxr-xr-x. 1 1000 1000  11888 9月  12 2019 yarn				# 和资源调度相关的命令
-rwxr-xr-x. 1 1000 1000  12840 9月  12 2019 yarn.cmd

etc/hadoop 目录 存储一些配置文件，配置hdfs,mapre ,yarn

sbin 目录 存储一些启动脚本

cd sbin/
[root@hadoop1207 sbin]# ll
总用量 108
-rwxr-xr-x. 1 1000 1000 2756 9月  12 2019 distribute-exclude.sh
drwxr-xr-x. 4 1000 1000   36 9月  12 2019 FederationStateStore
-rwxr-xr-x. 1 1000 1000 1983 9月  12 2019 hadoop-daemon.sh			# 单节点服务器
-rwxr-xr-x. 1 1000 1000 2522 9月  12 2019 hadoop-daemons.sh
-rwxr-xr-x. 1 1000 1000 1542 9月  12 2019 httpfs.sh
-rwxr-xr-x. 1 1000 1000 1500 9月  12 2019 kms.sh
-rwxr-xr-x. 1 1000 1000 1841 9月  12 2019 mr-jobhistory-daemon.sh	# 启动历史服务器
-rwxr-xr-x. 1 1000 1000 2086 9月  12 2019 refresh-namenodes.sh
-rwxr-xr-x. 1 1000 1000 1779 9月  12 2019 start-all.cmd
-rwxr-xr-x. 1 1000 1000 2221 9月  12 2019 start-all.sh
-rwxr-xr-x. 1 1000 1000 1880 9月  12 2019 start-balancer.sh
-rwxr-xr-x. 1 1000 1000 1401 9月  12 2019 start-dfs.cmd
-rwxr-xr-x. 1 1000 1000 5170 9月  12 2019 start-dfs.sh  				# hdfs集群的启动命令
-rwxr-xr-x. 1 1000 1000 1793 9月  12 2019 start-secure-dns.sh
-rwxr-xr-x. 1 1000 1000 1571 9月  12 2019 start-yarn.cmd
-rwxr-xr-x. 1 1000 1000 3342 9月  12 2019 start-yarn.sh				# 资源调度器命令
-rwxr-xr-x. 1 1000 1000 1770 9月  12 2019 stop-all.cmd
-rwxr-xr-x. 1 1000 1000 2166 9月  12 2019 stop-all.sh
-rwxr-xr-x. 1 1000 1000 1783 9月  12 2019 stop-balancer.sh
-rwxr-xr-x. 1 1000 1000 1455 9月  12 2019 stop-dfs.cmd
-rwxr-xr-x. 1 1000 1000 3898 9月  12 2019 stop-dfs.sh
-rwxr-xr-x. 1 1000 1000 1756 9月  12 2019 stop-secure-dns.sh
-rwxr-xr-x. 1 1000 1000 1642 9月  12 2019 stop-yarn.cmd
-rwxr-xr-x. 1 1000 1000 3083 9月  12 2019 stop-yarn.sh
-rwxr-xr-x. 1 1000 1000 1982 9月  12 2019 workers.sh
-rwxr-xr-x. 1 1000 1000 1814 9月  12 2019 yarn-daemon.sh
-rwxr-xr-x. 1 1000 1000 2328 9月  12 2019 yarn-daemons.sh

2.2 本地模式 #

不借助hdfs将文件存储再服务器内部。

创建一个文件，随便写一些内容，统计每个单词出现频率。

cat laoshireninput/word.txt
laoshiren
xiangdehua
laoshiren
zhoujielun

执行计算，必须指定一个输入路径，一个输出路径

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount laoshireninput/ ./laoshirenoutput

cd laoshirenoutput/
[root@hadoop1207 laoshirenoutput]# ll
总用量 4
-rw-r--r--. 1 root root 38 4月  25 01:18 part-r-00000			# 真正的数据
-rw-r--r--. 1 root root  0 4月  25 01:18 _SUCCESS				# 表示标记并没有数据

cat part-r-00000 
laoshiren	2
xiangdehua	1
zhoujielun	1

2.3 完全分布式集群 #

2.3.1 准备工作 #

在创建2个完全一致的虚拟机，可以不装JDK和hadoop，等后期使用scp拷贝过去。

拷贝JDK和Hadoop

scp -r jdk1.8.0_152/ root@192.168.8.202:/root/module
# scp 安全拷贝
# -r 递归
# 本地文件
# 用户@主机:对应路径

scp -r hadoop-3.1.3/ root@192.168.8.202:/opt/modules

修改/etc/hosts文件，追加如下内容

172.31.10.201 hadoop201
172.31.10.202 hadoop202
172.31.10.203 hadoop203

安装 rsync

yum install -y rsync 

同步脚本，用于同步机器配置文件

#!/bin/bash

if [ $# -lt 1 ]
then
 echo Not Enough Arguement!
 exit;
fi

for host in hadoop202 hadoop203 hadoop201
do
 echo ==================== $host ====================
 #3. 遍历所有目录，挨个发送
 for file in $@
 do
 #4. 判断文件是否存在
 if [ -e $file ]
 then
 #5. 获取父目录
 pdir=$(cd -P $(dirname $file); pwd)
 #6. 获取当前文件的名称
 fname=$(basename $file)
 ssh $host "mkdir -p $pdir"
 rsync -av $pdir/$fname $host:$pdir
 else
 echo $file does not exists!
 fi
 done
done

2.3.2 Hadoop 配置文件 #

默认配置文件

核心配置文件 core-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- 指定 NameNode 的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop201:8020</value>
    </property>
    <!-- 指定 hadoop 数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/home/module/hadoop-3.1.3/data</value>
    </property>
    <!-- 配置 HDFS 网页登录使用的静态用户为 atguigu -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>root</value>
    </property>
</configuration>

HDFS 配置文件hdfs-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- nn web 端访问地址-->
    <property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop201:9870</value>
    </property>
    <!-- 2nn web 端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop203:9868</value>
    </property>
</configuration>

YARN配置文件yarn-site.xml

<?xml version="1.0"?>
<configuration>
    <!-- 指定 MR 走 shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <!-- 指定 ResourceManager 的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop202</value>
    </property>
    <!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CO
            NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
            RED_HOME
        </value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
    <!-- 设置日志聚集服务器地址 -->
    <property>
        <name>yarn.log.server.url</name>
        <value>http://hadoop201:19888/jobhistory/logs</value>
    </property>
    <!-- 设置日志保留时间为 7 天 -->
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
    </property>
</configuration>

MapReduce 配置文件mapred-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- 指定mapreduce 程序运行在yarn -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>yarn.app.mapreduce.am.env</name>
        <value>HADOOP_MAPRED_HOME=/home/module/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.map.env</name>
        <value>HADOOP_MAPRED_HOME=/home/module/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.reduce.env</name>
        <value>HADOOP_MAPRED_HOME=/home/module/hadoop-3.1.3</value>
    </property>
    <property>
        <name>mapreduce.cluster.map.memory.mb</name>
        <value>-1</value>
    </property>
    <property>
        <name>mapreduce.cluster.reduce.memory.mb</name>
        <value>-1</value>
    </property>
    <!-- 历史服务器端地址 -->
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>hadoop201:10020</value>
    </property>
    <!-- 历史服务器 web 端地址 -->
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>hadoop201:19888</value>
    </property>
</configuration>

vi workers

hadoop201
hadoop202
hadoop203

分发配置文件

xsync /home/module/hadoop-3.1.3/etc/hadoop

修改启动文件 sbin/start-dfs.sh和sbin/stop-dfs.sh 和sbin/start-yarn.sh和sbin/stop-yarn.sh，并分发xsync /home/module/hadoop-3.1.3/sbin

#!/usr/bin/env bash
HDFS_DATANODE_USER=root
HADOOP_SECURE_DN_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root
YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root
# ...省略

集群初始化

hdfs namenode -format
# 启动hdfs
sbin/start-dfs.sh

到hadoop202机器 启动 resouce manager

sbin/start-yarn.sh

查看http://hadoop201:9870,地址

查看http://hadoop202:8088,地址

2.3.3 基础测试 #

创建目录

hadoop fs -mkdir /wcinput

上传文件

hadoop fs -put /root/a.txt /wcinput
# 输出
2021-05-05 13:15:51,994 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false

实际存储在

cat $HADOOP_HOME/data/dfs/data/current/BP-1065121377-192.168.8.201-1620119427494/current/finalized/subdir0/subdir0/blk_1073741825

wordcount

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /wcinput /wcoutput

编写启动脚本

#!/bin/bash
if [ $# -lt 1 ]
then
 echo "No Args Input..."
 exit ;
fi
case $1 in
"start")
 echo " =================== 启动 hadoop 集群 ==================="
 echo " --------------- 启动 hdfs ---------------"
 ssh hadoop201 "/home/module/hadoop-3.1.3/sbin/start-dfs.sh"
 echo " --------------- 启动 yarn ---------------"

ssh hadoop202 "/home/module/hadoop-3.1.3/sbin/start-yarn.sh"
 echo " --------------- 启动 historyserver ---------------"
 ssh hadoop201 "/home/module/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
 echo " =================== 关闭 hadoop 集群 ==================="
 echo " --------------- 关闭 historyserver ---------------"
 ssh hadoop201 "/home/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
 echo " --------------- 关闭 yarn ---------------"
 ssh hadoop202 "/home/module/hadoop-3.1.3/sbin/stop-yarn.sh"
 echo " --------------- 关闭 hdfs ---------------"
 ssh hadoop201 "/home/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
 echo "Input Args Error..."
;;
esac

HDFS #

hdfs 产生背景 #

随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系 统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这 就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。

HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目 录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务 器有各自的角色。 HDFS 的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭 之后就不需要改变。

hdfs 优缺点 #

优点

1. 高容错性

• 数据自动保存多个副本。它通过增加副本的形式，提高容错性。
• 某个副本丢失以后，他可以自动恢复。

2. 适合处理大数据

• 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
• 文件规模：能够处理百万规模以上的文件数量，数量相当之大。

3. 可构建在廉价机器上，通过多副本机制，提高可靠性。

缺点

• 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。

• 无法高效的对大量小文件进行存储。

  • 存储大量小文件的话，它会占用NameNode大量的内存来存储文件目 录和 块信息。这样是不可取的，因为NameNode的内存总是有限的；
  • 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
  • 不支持并发写入、文件随机修改。

• 一个文件只能有一个写，不允许多个线程同时写；

• 仅支持数据append（追加），不支持文件的随机修改

组成 #

NameNode(NN)：就是Master，它是一个主管、管理者。

1. 管理HDFS的名称空间；
2. 配置副本策略；
3. 管理数据块（Block）映射信息；
4. 处理客户端读写请求。

DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。

1. 存储实际的数据块；
2. 执行数据块的读/写操作。

Client：就是客户端。

1. 文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传；（按照NameNode文件块分割）
2. 与NameNode交互，获取文件的位置信息；
3. 与DataNode交互，读取或者写入数据；
4. Client提供一些命令来管理HDFS，比如NameNode格式化；
5. Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；

Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不 能马上替换NameNode并提供服务。

1. 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
2. 在紧急情况下，可辅助恢复NameNode。

文件块大小问题 #

HDFS中的文件在物理上是分块存储（Block），块的大小可以通过配置参数 ( dfs.blocksize）来规定，默认大小在Hadoop2.x/3.x版本中是128M，1.x版本中是64M。

思考：为什么块的大小不能设置太小，也不能设置太大？ （1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置； （2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开 始位置所需的时间。导致程序在处理这块数据时，会非常慢。 总结：HDFS块的大小设置主要取决于磁盘传输速率。

HDFS的shell相关操作 #

基本语法 #

hadoop fs 具体命令 OR hdfs dfs 具体命令 两个是完全相同的。

各个模块启动停止HDFS

start-dfs.sh , stop-dfs.sh

各个模块启动停止yarn

start-yarn.sh , stop-yarn.sh

逐一启动和停止

hdfs --daemon start/stop namenode/datanode/secondarynamenode

yarn --daemon start/stop resourcemanager/nodemanager

命令大全 #

hadoop fs

[-appendToFile <localsrc> ... <dst>]
 [-cat [-ignoreCrc] <src> ...]
 [-chgrp [-R] GROUP PATH...]
 [-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
 [-chown [-R] [OWNER][:[GROUP]] PATH...]
 [-copyFromLocal [-f] [-p] <localsrc> ... <dst>]
 [-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
 [-count [-q] <path> ...]
 [-cp [-f] [-p] <src> ... <dst>]
 [-df [-h] [<path> ...]]
 [-du [-s] [-h] <path> ...]
 [-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
 [-getmerge [-nl] <src> <localdst>]
 [-help [cmd ...]]
 [-ls [-d] [-h] [-R] [<path> ...]]
 [-mkdir [-p] <path> ...]
 [-moveFromLocal <localsrc> ... <dst>]
 [-moveToLocal <src> <localdst>]
 [-mv <src> ... <dst>]
 [-put [-f] [-p] <localsrc> ... <dst>]
 [-rm [-f] [-r|-R] [-skipTrash] <src> ...]
 [-rmdir [--ignore-fail-on-non-empty] <dir> ...]
<acl_spec> <path>]]
 [-setrep [-R] [-w] <rep> <path> ...] 
 [-stat [format] <path> ...]
 [-tail [-f] <file>]
 [-test -[defsz] <path>]
 [-text [-ignoreCrc] <src> ...]

1 上传和下载 #

• 从本地剪切粘贴到 HDFS

hadoop fs -moveFromLocal ./shuguo.txt /sanguo

• 从本地文件系统中拷贝文件到 HDFS 路径去

hadoop fs -copyFromLocal ./weiguo.txt /sanguo

等同于hadoop fs -put filePath dir

• 追加文件到已存在的文件的末尾

hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt

• 从hdfs 拷贝到本地

hadoop fs -copyToLocal /sanguo/shuguo.txt ./downloadFile.txt

等同于-get

2 其他操作 #

• list file

hadoop fs -ls /sanguo

• 显示文件内容

hadoop fs -cat /sanguo/shuguo.txt

• 创建路径

hadoop fs -mkdir /jinguo

• 从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

hadoop fs -cp /sanguo/shuguo.txt  /jinguo

• 移动文件

 hadoop fs -mv /sanguo/wuguo.txt /jinguo

• 显示一个文件的末尾 1kb 的数据

hadoop fs -tail /jinguo/shuguo.txt

• 删除文件或文件夹

 hadoop fs -rm /sanguo/shuguo.txt

• 递归删除目录及目录里面内容

 hadoop fs -rm -r /sanguo

HDFS的客户端API #

依赖 #

 <project.hadoop.version>3.1.3</project.hadoop.version>

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>${project.hadoop.version}</version>
</dependency>

基础配置 #

Configuration configuration = null;
FileSystem fs = null;

@Before
public void init() {
    // 1 获取文件系统
    configuration = new Configuration();
    try {
        fs = FileSystem.get(new URI("hdfs://hadoop201:8020"), configuration, "root");
    } catch (IOException | InterruptedException | URISyntaxException e) {
        e.printStackTrace();
    }
}

@After
public void close() {
    try {
        // 3 关闭资源
        fs.close();
    } catch (IOException e) {
        e.printStackTrace();
    }
}

创建文件夹 #

/**
 * 创建文件夹
 */
@Test
public void testMkdir() {
    try {
        // 2 创建目录
        fs.mkdirs(new Path("/xiyou/huaguoshan/"));
    } catch (IOException e) {
        e.printStackTrace();
    }
}

上传文件 #

/**
 * 上传文件
 */
@Test
public void put(){
    try {
        String filePath = "D:\\IdeaExampleProjects\\data-ware-house\\hadoop\\static\\image\\hadoop_0001.jpg";
        fs.copyFromLocalFile(new Path(filePath), new Path("/xiyou/huaguoshan"));
    } catch (IOException e) {
        e.printStackTrace();
    }
}

将 hdfs-site.xml 拷贝到项目的 resources 资源目录下

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
		<name>dfs.replication</name>
 		<value>1</value>
	</property>
</configuration>

参数优先级排序：（1）客户端代码中设置的值 configuration.set("dfs.replication", "2"); >（2）ClassPath 下的用户自定义配置文 件 >（3）然后是服务器的自定义配置（xxx-site.xml）>（4）服务器的默认配置（xxx-default.xml）

下载文件 #

/**
 * 文件下载
 */
@Test
public void testGet(){
    try {
        fs.copyToLocalFile(false,
                new Path("/xiyou/huaguoshan/hadoop_0001.jpg"),
                new Path("d:/sunwukong2.jpg"), 
                true);
    } catch (IOException e) {
        e.printStackTrace();
    }
}

useRawLocalFileSystem:是否开启本地文件校验。设置为true，会生成一个本地文件，即文件名+.crc。将文件加上校验码，传输到客户端，然后在客户端做CRC加密算法进行校验。

删除文件 #

/**
 * 文件删除
 */
@Test
public void testDelete(){
    try {
        fs.delete(new Path("/xiyou/huaguoshan/hadoop_0002.png"), 
                  true);
    } catch (IOException e) {
        e.printStackTrace();
    }
}

文件重命名和移动 #

/**
 * 文件更名和移动
 */
@Test
public void testMove() {
    try {
        fs.rename(new Path("/xiyou/huaGuoshan/hadoop_0001.jpg"),
                new Path("/xiyou/huaguoshan/hadoop_0003.jpg"));
    } catch (IOException e) {
        e.printStackTrace();
    }
}

文件详情查看 #

/**
 * 文件详情查看
 */
@Test
public void testFileList() {
    try {
        RemoteIterator<LocatedFileStatus> fileRemoteIterator = fs.listFiles(new Path("/xiyou"), true);
        while (fileRemoteIterator.hasNext()) {
            LocatedFileStatus fileStatus = fileRemoteIterator.next();
            log.info("========{}=========", fileStatus.getPath());
            log.info("Permission: {}", fileStatus.getPermission());
            log.info("Owner: {}", fileStatus.getOwner());
            log.info("Group: {}", fileStatus.getGroup());
            log.info("Len: {}", fileStatus.getLen());
            log.info("ModificationTime: {}", 
                     fileStatus.getModificationTime());
            log.info("Replication: {}", fileStatus.getReplication());
            log.info("BlockSize: {}", fileStatus.getBlockSize());
            log.info("filePathName: {}", 
                     fileStatus.getPath().getName());
            // 获取块信息
            BlockLocation[] blockLocations = 
                fileStatus.getBlockLocations();
            System.out.println(Arrays.toString(blockLocations));
        }
    } catch (IOException e) {
        e.printStackTrace();
    }
}

第二个参数表示递归

fileStatus.getBlockLocations() 表示文件的块信息

HDFS读写流程 #

HDFS的写数据流程 #

1. 客户端通过 Distributed FileSystem 模块向 NameNode 请求上传文件，NameNode 检查目标文件是否已存在，父目录是否存在。
2. NameNode 返回是否可以上传。
3. 客户端请求第一个 Block 上传到哪几个 DataNode 服务器上。
4. NameNode 返回 3 个 DataNode 节点，分别为 dn1、dn2、dn3。
5. 客户端通过 FSDataOutputStream 模块请求 dn1 上传数据，dn1 收到请求会继续调用dn2，然后 dn2 调用 dn3，将这个通信管道建立完成。
6. dn1、dn2、dn3 逐级应答客户端。
7. 客户端开始往 dn1 上传第一个 Block（先从磁盘读取数据放到一个本地内存缓存），以 Packet 为单位，dn1 收到一个 Packet 就会传给 dn2，dn2 传给 dn3；dn1 每传一个 packet 会放入一个应答队列等待应答。
8. 当一个 Block 传输完成之后，客户端再次请求 NameNode 上传第二个 Block 的服务器。（重复执行 3-7 步）。

网络拓扑-节点距离计算 #

节点距离：两个节点到达最近的共同祖先的距离总和。

副本节点选择 #

For the common case, when the replication factor is three, HDFS’s placement policy is to put one replica on the local machine if the writer is on a datanode, otherwise on a random datanode, another replica on a node in a different (remote) rack, and the last on a different node in the same remote rack. This policy cuts the inter-rack write traffic which generally improves write performance. The chance of rack failure is far less than that of node failure; this policy does not impact data reliability and availability guarantees. However, it does reduce the aggregate network bandwidth used when reading data since a block is placed in only two unique racks rather than three. With this policy, the replicas of a file do not evenly distribute across the racks. One third of replicas are on one node, two thirds of replicas are on one rack, and the other third are evenly distributed across the remaining racks. This policy improves write performance without compromising data reliability or read performance.

第一个机架选择最近上传速度最快，第二个选择隔壁保证可靠性，第三个再次兼顾效率选择同机架上不同节点。

源码说明

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-hdfs</artifactId>
    <version>${project.hadoop.version}</version>
</dependency>

BlockPlacementPolicyDefault.chooseTargetInOrder

HDFS的读数据流程 #

1. 客户端通过 DistributedFileSystem 向 NameNode 请求下载文件，NameNode 通过查询元数据，找到文件块所在的 DataNode 地址。
2. 挑选一台 DataNode（就近原则，然后随机）服务器，请求读取数据。
3. DataNode 开始传输数据给客户端（从磁盘里面读取数据输入流，以 Packet 为单位来做校验）。
4. 客户端以 Packet 为单位接收，先在本地缓存，然后写入目标文件。

注意：在读取block数据的时候是串行读。

NN和2NN工作原理 #

工作机制 #

NameNode的元数据存储在内存还是磁盘中？如果存储在 NameNode 节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，元数据需要存放在内存中。但如果只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。因此产生在磁盘中备份元数据的 FsImage。

这样又会带来新的问题，当在内存中的元数据更新时，如果同时更新 FsImage，就会导致效率过低，但如果不更新，就会发生一致性问题，一旦 NameNode 节点断电，就会产生数据丢失。因此，引入 Edits 文件（只进行追加操作，效率很高）。每当元数据有更新或者添加元数据时，修改内存中的元数据并追加到 Edits 中。这样，一旦 NameNode 节点断电，可以通过 FsImage 和 Edits 的合并，合成元数据。

但是，如果长时间添加数据到 Edits 中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行 FsImage 和 Edits 的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于 FsImage 和 Edits 的合并。

• 第一阶段：NameNode 启动
  1. 第一次启动 NameNode 格式化后，创建 Fsimage 和 Edits 文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。
  2. 客户端对元数据进行增删改的请求。
  3. NameNode 记录操作日志，更新滚动日志。
  4. NameNode 在内存中对元数据进行增删改。
• 第二阶段：Secondary NameNode 工作
  1. Secondary NameNode 询问 NameNode 是否需要 CheckPoint。直接带回 NameNode 是否检查结果。
  2. Secondary NameNode 请求执行 CheckPoint。
  3. NameNode 滚动正在写的 Edits 日志。
  4. 将滚动前的编辑日志和镜像文件拷贝到 Secondary NameNode
  5. Secondary NameNode 加载编辑日志和镜像文件到内存，并合并。
  6. 生成新的镜像文件 fsimage.chkpoint。
  7. 拷贝 fsimage.chkpoint 到 NameNode。
  8. NameNode 将 fsimage.chkpoint 重新命名成 fsimage。

Fsimage和Edits解析 #

NameNode被格式化之后，将在/opt/module/hadoop-3.1.3/data/tmp/dfs/name/current 目录中产生如下文件 （1）Fsimage文件：HDFS文件系统元数据的一个永久性的检查点，其中包含HDFS文件系统的所有目录和文件inode的序列化信息。

（2）Edits文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到Edits文件中。

（3）seen_txid文件保存的是一个数字，就是最后一个edits_的数字。 （4）每 次NameNode启动的时候都会将Fsimage文件读入内存，加 载Edits里面的更新操作，保证内存中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。

hdfs oiv -p XML -i fsimage_0000000000000000025 -o /home/fsimage.xml


hdfs oev -p XML -i edits_0000000000000000012-0000000000000000013 -o /home/edits.xml

DataNode工作机制 #

1. 一个数据块在 DataNode 上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
2. DataNode 启动后向 NameNode 注册，通过后，周期性（6 小时）的向 NameNode 上报所有的块信息。
3. 心跳是每 3 秒一次，心跳返回结果带有 NameNode 给该 DataNode 的命令如复制块数据到另一台机器，或删除某个数据块。如果超过 10 分钟没有收到某个 DataNode 的心跳，则认为该节点不可用。
4. 集群运行中可以安全加入和退出一些机器。

MapReduce #

MapReduce 概述 #

MapReduce 定义 #

MapReduce 是一个分布式运算程序的编程框架，是用户开发“基于 Hadoop 的数据分析应用”的核心框架。MapReduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个 Hadoop 集群上。

MapReduce 优缺点 #

优点 #

• MapReduce 易于编程

它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。

• 良好的扩展性

当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。

• 高容错性

MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。

• 适合 PB 级以上海量数据的离线处理

可以实现上千台服务器集群并发工作，提供数据处理能力。

缺点 #

• 不擅长实时计算

MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。

• 不擅长流式计算

流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。

• 不擅长 DAG（有向无环图）计算

多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

MapReduce 核心思想 #

• 分布式的运算程序往往需要分成至少 2 个阶段。
• 第一个阶段的 MapTask 并发实例，完全并行运行，互不相干。
• 第二个阶段的 ReduceTask 并发实例互不相干，但是他们的数据依赖于上一个阶段的所有 MapTask 并发实例的输出。
• MapReduce 编程模型只能包含一个 Map 阶段和一个 Reduce 阶段，如果用户的业务逻辑非常复杂，那就只能多个 MapReduce 程序，串行运行。

MapReduce 进程 #

一个完整的 MapReduce 程序在分布式运行时有三类实例进程：

• MrAppMaster：负责整个程序的过程调度及状态协调。
• MapTask：负责 Map 阶段的整个数据处理流程。
• ReduceTask：负责 Reduce 阶段的整个数据处理流程。

官方 WordCount 源码 #

MapReduce 编程规范 #

用户编写的程序分成三个部分：Mapper、Reducer 和 Driver。

1．Mapper阶段

• 用户自定义的Mapper要继承自己的父类
• Mapper的输入数据是KV对的形式（KV的类型可自定义）
• Mapper中的业务逻辑写在map()方法中
• Mapper的输出数据是KV对的形式（KV的类型可自定义）
• map()方法（MapTask进程）对每一个调用一次

2．Reducer阶段

• 用户自定义的Reducer要继承自己的父类
• Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
• Reducer的业务逻辑写在reduce()方法中
• ReduceTask进程对每一组相同k的组调用一次reduce()方法

3．Driver阶段 相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是封装了MapReduce程序相关运行参数的job对象

Mapper #

继承org.apache.hadoop.mapreduce.Mapper

package org.apache.hadoop.mapreduce;

import java.io.IOException;

import org.apache.hadoop.classification.InterfaceAudience;
import org.apache.hadoop.classification.InterfaceStability;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.RawComparator;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.mapreduce.task.MapContextImpl;


@InterfaceAudience.Public
@InterfaceStability.Stable
public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {


  public abstract class Context implements MapContext<KEYIN,VALUEIN,KEYOUT,VALUEOUT> {
  
  }
  
  /**
   * Map阶段开始被调用一次.
   */
   protected void setup(Context context) {
   
   }
  /**
   * 每一对Key value 都会调用异常，所有的MRA都应该重写这个方法
   */
  @SuppressWarnings("unchecked")
  protected void map(KEYIN key, VALUEIN value, 
                     Context context) throws IOException, InterruptedException {
    context.write((KEYOUT) key, (VALUEOUT) value);
  }

  /**
   * Map阶段结束之后执行一次
   */
  protected void cleanup(Context context ) {}
  
  public void run(Context context) throws IOException, InterruptedException {
  	// 初始化方法
    setup(context);
    try {
      while (context.nextKeyValue()) {
      // map 
        map(context.getCurrentKey(), context.getCurrentValue(), context);
      }
    } finally {
      // 结束方法
      cleanup(context);
    }
  }
}

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class WordCountMapper extends Mapper<Object, Text, Text, IntWritable> {

    /**
     * Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT>
     *     KEYIN map阶段 输入的Key的类型
     *     VALUEIN map阶段输入的value 类型 通常用String 也就是 hdfs 的 text 类型
     *     KEYOUT 输入的Key 类型
     *     VALUEOUT map 阶段输出的Key 类型
     *     map(Key,value,context)
     *     context
     *
     */

    Text k = new Text();
    IntWritable v = new IntWritable(1);
    
    @Override
    protected void map(Object key, Text value, Context context) throws IOException, InterruptedException {
        // 1 获取一行
        String line = value.toString();
        // 2 切割
        String[] words = line.split(" ");
        // 3 输出
        for (String word : words) {
            k.set(word);
            context.write(k, v);
        }
    }
}

Reducer #

继承org.apache.hadoop.mapreduce.Reducer

/**
 * 这个方法对每个 键 调用一次。
 */
@SuppressWarnings("unchecked")
protected void reduce(KEYIN key, Iterable<VALUEIN> values, Context c) throws IOException, InterruptedException {
  for(VALUEIN value: values) {
    context.write((KEYOUT) key, (VALUEOUT) value);
  }
}

Job

public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
    // 1 获取配置信息以及获取 job 对象
    Configuration conf = new Configuration();
    Job job = Job.getInstance(conf);
    // 2 关联本 Driver 程序的 jar
    job.setJarByClass(WordCountLinuxJobDriver.class);
    // 3 关联 Mapper 和 Reducer 的 jar
    job.setMapperClass(WordCountMapper.class);
    job.setReducerClass(WordCountReducer.class);
    // 4 设置 Mapper 输出的 kv 类型
    job.setMapOutputKeyClass(Text.class);
    job.setMapOutputValueClass(IntWritable.class);
    // 5 设置最终输出 kv 类型
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    // 6 设置输入和输出路径
    FileInputFormat.setInputPaths(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job,new Path(args[1]));
    // 7 提交 job
    boolean result = job.waitForCompletion(true);
    System.exit(result ? 0 : 1);
}

hadoop jar xxx.jar xx.xx.xxx /input /output

hadoop jar hello-mapreduce.jar com.laoshiren.hello.hdfs.mapreduce.WordCountLinuxJobDriver /laoshiren/wordcount /laoshiren/output

具体代码看hadoop/hello-mapreduce/../hdfs/mapreduce

序列化 #

为什么不用 Java 的序列化? Java 的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，Hadoop 自己开发了一套序列化机制（Writable）。

Hadoop 序列化特点：

• 紧凑 ：高效使用存储空间。
• 快速：读写数据的额外开销小。
• 互操作：支持多语言的交互

自定义序列化 #

具体实现 bean 对象序列化如下 。

1. 必须实现 Writable 接口org.apache.hadoop.io.Writable
2. 反序列化时，需要反射调用空参构造函数，所以必须有空参构造
3. 重写序列化方法，重写反序列化方法
4. 注意反序列化的顺序和序列化的顺序完全一致
5. 要想把结果显示在文件中，需要重写toString()，可用"\t"分开，方便后续用。
6. 如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口，因为MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。

    @Override
    public void write(DataOutput out) throws IOException {
        out.writeUTF(this.phoneNo);
        out.writeLong(this.upStream);
        out.writeLong(this.downloadStream);
        out.writeLong(this.totalStream);
    }

    @Override
    public void readFields(DataInput in) throws IOException {
        this.phoneNo = in.readUTF();
        this.upStream = in.readLong();
        this.downloadStream = in.readLong();
        this.totalStream = in.readLong();
    }

    @Override
    public String toString() {
        return phoneNo + "\t" + upStream + "\t" + downloadStream + "\t" + totalStream;
    }

具体代码看hadoop/hello-mapreduce/../hdfs/io

MapReduce框架原理 #

InputFormat 数据输入 #

切片与 MapTask 并行度决定机制 #

数据块：Block 是 HDFS 物理上把数据分成一块一块。数据块是 HDFS 存储数据单位。

数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。数据切片是 MapReduce 程序计算输入数据的单位，一个切片会对应启动一个MapTask。

1. 一个Job的Map阶段并行度由客户端在提交Job时的切片数决定
2. 每一个Split切片分配一个MapTask并行实例处理
3. 默认情况下，切片大小=BlockSize
4. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

Job 提交流程源码和切片源码详解 #

waitForCompletion()
submit();
// 1 建立连接
connect();
// 1）创建提交 Job 的代理
new Cluster(getConfiguration());
// （1）判断是本地运行环境还是 yarn 集群运行环境
initialize(jobTrackAddr, conf);
// 2 提交 job
submitter.submitJobInternal(Job.this, cluster)
// 1）创建给集群提交数据的 Stag 路径
Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);
// 2）获取 jobid ，并创建 Job 路径
JobID jobId = submitClient.getNewJobID();
// 3）拷贝 jar 包到集群
copyAndConfigureFiles(job, submitJobDir);
rUploader.uploadFiles(job, jobSubmitDir);
// 4）计算切片，生成切片规划文件
writeSplits(job, submitJobDir);
maps = writeNewSplits(job,jobSubmitDir);
input.getSplits(job);
// 5）向 Stag 路径写 XML 配置文件
writeConf(conf, submitJobFile);
conf.writeXml(out);
// 6）提交 Job,返回提交状态
status = submitClient.submitJob(jobId,submitJobDir.toString(),job.getCredentials());

• 程序先找到你数据存储的目录。

• 开始遍历处理（规划切片）目录下的每一个文件

• 遍历第一个文件ss.txt

  • 获取文件大小fs.sizeOf(ss.txt)
  • 计算切片大小computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
  • 默认情况下，切片大小=blocksize
  • 开始切，形成第1个切片：ss.txt—0:128M 第2个切片ss.txt—128:256M 第3个切片ss.txt—256M:300M （每次切片时，都要判断切完剩下的部分是否大于块的1.1倍，不大于1.1倍就划分一块切片）
  • 将切片信息写到一个切片规划文件中
  • 整个切片的核心过程在getSplit()方法中完成
  • InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等。

• 提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数。

MapReduce 工作流程 #

Partition #

默认分区是根据key的hashCode对ReduceTasks个数取模得到的。用户没法控制哪个key存储到哪个分区。

具体代码看hadoop/hello-mapreduce/../hdfs/partitioner

OutputFormat #

OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat接口。

继承OutputFormat 返回一个RecordWriter ,然后自定义RecordWrite就可以向DB等写。

在Driver加上job.setOutputFormatClass(XXXOutputFormat.class);

具体代码看hadoop/hello-mapreduce/../hdfs/outputformat

Reduce Join #

Map 端的主要工作：为来自不同表或文件的 key/value 对，打标签以区别不同来源的记录。然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。 Reduce 端的主要工作：在 Reduce 端以连接字段作为 key 的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在 Map 阶段已经打标志）分开，最后进行合并就 ok 了。

public class TableBean implements Writable {
    //订单 id
    private String id; 
    //产品 id
    private String pid;
    //产品数量
    private int amount; 
    //产品名称
    private String pname; 
    //判断是 order 表还是 pd 表的标志字段
    private String flag; 
}

具体代码看hadoop/hello-mapreduce/../hdfs/reducejoin

Map Join #

Map Join 适用于一张表十分小、一张表很大的场景。

• 在 Mapper 的 setup 阶段，将文件读取到缓存集合中。
• 在 Driver 驱动类中加载缓存。

job.addCacheFile(new URI("file:///D:/IdeaExampleProjects/data-ware-house/env/example/join/input/dt.txt"));

Mapper

private Map<String, String> pdMap = new HashMap<>();

@Override
protected void setup(Context context) throws IOException, InterruptedException {
    //通过缓存文件得到小表数据 pd.txt
    URI[] cacheFiles = context.getCacheFiles();
    Path path = new Path(cacheFiles[0]);
    //获取文件系统对象,并开流
    FileSystem fs = FileSystem.get(context.getConfiguration());
    FSDataInputStream fis = fs.open(path);
    //通过包装流转换为 reader,方便按行读取
    BufferedReader reader = new BufferedReader(new
            InputStreamReader(fis, "UTF-8"));
    String line;
    while (StringUtils.isNotEmpty(line = reader.readLine())) {
        //切割一行
        //01 小米
        String[] split = line.split("\t");
        pdMap.put(split[0], split[1]);
    }
    //关流
    IOUtils.closeStream(reader);
}

MapReduce开发总结 #

1. 输入接口是Inputformat
   • 默认使用的实现类是：TextInputFormat 一次读一行文本，然后将该行的起始偏移量作为 key，行内容作为 value 返回。
2. 逻辑处理结构是Mapper
   • 用户根据业务需求实现其中三个方法：map() setup() cleanup ()
3. Partitioner分区，job.setNumReduceTasks(4);
   • 有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
4. Comparable 排序
5. Combiner 合并
6. 逻辑处理接口：Reducer
   • 用户根据业务需求实现其中三个方法：reduce() setup() cleanup ()
7. 输出数据接口：OutputFormat
   • 默认实现类是 TextOutputFormat，功能逻辑是：将每一个 KV 对，向目标文本文件输出一行。

压缩 #

• 压缩的好处和坏处 压缩的优点：以减少磁盘 IO、减少磁盘存储空间。 压缩的缺点：增加 CPU 开销。
• 压缩原则
  • 运算密集型的 Job，少用压缩
  • IO 密集型的 Job，多用压缩

Mapper 压缩 #

[文件] -> mapper() -> 压缩 -> 传输 -> 解压缩 -> reducer()

// 1 获取配置信息以及获取 job 对象
Configuration conf = new Configuration();
// 开启 map 端输出压缩
conf.setBoolean("mapreduce.map.output.compress", true);
// 设置 map 端输出压缩方式
conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);

Reduce压缩 #

// 设置 reduce 端输出压缩开启
FileOutputFormat.setCompressOutput(job, true);
// 设置压缩的方式
FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);

具体代码看hadoop/hello-mapreduce/../hdfs/zip

YARN #

Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而 MapReduce 等运算程序则相当于运行于操作系统之上的应用程序。

Yarn 基础架构 #

YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。

ResourceManager 主要作用如下

1. 处理客户端请求
2. 监控 NodeManager
3. 启动或监控 ApplicationMaster
4. 资源的分配与调度

NodeManager（NM）主要作用如下

1. 管理单个节点上的资源
2. 处理来自 ResourceManager 的命令
3. 处理来自 ApplicationMaster 的命令

ApplicationMaster（AM）作用如下

1. 为应用程序申请资源并分配给内部的任务
2. 任务的监控与容错

Container

Container 是 YARN 中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁 盘、网络等。

YARN工作机制 #

1. MR 程序提交到客户端所在的节点。Job#waitForCompletion() 创建 YarnRunner
2. Yarn 向 ResourceManager 申请一个 Application，RM 将该应用程序的资源路径返回给 YarnRunner 。
3. 该程序将运行所需资源提交到 HDFS 上 。
4. 程序资源提交完毕后，申请运行 mrAppMaster 。
5. RM 将用户的请求初始化成一个 Task ，放入调度队列。
6. 其中一个 NodeManager 领取到 Task 任务。
7. 该 NodeManager 创建容器 Container，并产生 MRAppmaster。
8. Container 从 HDFS 上拷贝资源到本地。
9. MRAppmaster 向 RM 申请运行 MapTask 资源。
10. RM 将运行 MapTask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器。
11. MR 向两个接收到任务的 NodeManager 发送程序启动脚本，这两个 NodeManager分别启动 MapTask，MapTask 对数据分区排序。
12. MrAppMaster 等待所有 MapTask 运行完毕后，向 RM 申请容器，运行 ReduceTask。
13. ReduceTask 向 MapTask 获取相应分区的数据。
14. 程序运行完毕后，MR 会向 RM 申请注销自己。

Yarn 调度器和调度算法 #

目前，Hadoop 作业调度器主要有三种：FIFO、容量（Capacity Scheduler）和公平（Fair Scheduler）。Apache Hadoop3.1.3 默认的资源调度器是 Capacity Scheduler。CDH 框架默认调度器是 Fair Scheduler。

先进先出调度器（FIFO） #

FIFO 调度器（First In First Out）：单队列，根据提交作业的先后顺序，先来先服务。

容量调度器（Capacity Scheduler） #

1. 多队列：每个队列可配置一定的资源量，每个队列采用FIFO调度策略。
2. 容量保证：管理员可为每个队列设置资源最低保证和资源使用上限
3. 灵活性：如果一个队列中的资源有剩余，可以暂时共享给那些需要资源的队列，而一旦该队列有新的应用程序提交，则其他队列借调的资源会归还给该队列。
4. 多租户：
   • 支持多用户共享集群和多应用程序同时运行。
   • 为了防止同一个用户的作业独占队列中的资源，该调度器会对同一用户提交的作业所占资源量进行限定。

容量调度器资源分配算法

公平调度器（Fair Scheduler） #

Yarn 常用命令 #

**查询任务列表 **

yarn application -list -appStates finished

states: [NEW, NEW_SAVING, SUBMITTED, ACCEPTED, RUNNING, FINISHED, FAILED, KILLED]

杀死应用程序

yarn application -kill [application ID]

yarn application -kill application_1640246979505_0001

2021-12-23 17:33:02,104 INFO client.RMProxy: Connecting to ResourceManager at hadoop202/172.31.10.202:8032
Application application_1640246979505_0001 has already finished 

查看日志

yarn logs -applicationId application_1640246979505_0001

查看尝试运行的任务

yarn applicationattempt -list application_1640246979505_0002

2021-12-23 17:42:29,838 INFO client.RMProxy: Connecting to ResourceManager at hadoop202/172.31.10.202:8032
Total number of application attempts :1
         ApplicationAttempt-Id	               State	                    AM-Container-Id	                       Tracking-URL
appattempt_1640246979505_0002_000001	            FINISHED	container_1640246979505_0002_01_000001	http://hadoop202:8088/proxy/application_1640246979505_0002/

ApplicationAttemp 状态

yarn applicationattempt -status appattempt_1640246979505_0002_000001

2021-12-23 20:17:51,948 INFO client.RMProxy: Connecting to ResourceManager at hadoop202/172.31.10.202:8032
Application Attempt Report : 
	ApplicationAttempt-Id : appattempt_1640246979505_0002_000001
	State : FINISHED
	AMContainer : container_1640246979505_0002_01_000001
	Tracking-URL : http://hadoop202:8088/proxy/application_1640246979505_0002/
	RPC Port : 35243
	AM Host : hadoop203
	Diagnostics : 

查看 container 日志

yarn logs -applicationId application_1640246979505_0002 -containerId container_1640246979505_0002_01_000001

yarn node 查看节点状态

yarn node -list all

2021-12-23 20:19:35,826 INFO client.RMProxy: Connecting to ResourceManager at hadoop202/172.31.10.202:8032
Total Nodes:3
         Node-Id	     Node-State	Node-Http-Address	Number-of-Running-Containers
 hadoop201:35523	        RUNNING	   hadoop201:8042	                           0
 hadoop203:39840	        RUNNING	   hadoop203:8042	                           0
 hadoop202:40982	        RUNNING	   hadoop202:8042	                           0

yarn rmadmin 更新配置

加载队列配置：yarn rmadmin -refreshQueues

yarn queue 查看队列

yarn queue -status default

2021-12-23 20:22:16,517 INFO client.RMProxy: Connecting to ResourceManager at hadoop202/172.31.10.202:8032
Queue Information : 
Queue Name : default
	State : RUNNING
	Capacity : 100.0%
	Current Capacity : .0%
	Maximum Capacity : 100.0%
	Default Node Label expression : <DEFAULT_PARTITION>
	Accessible Node Labels : *
	Preemption : disabled
	Intra-queue Preemption : disabled

Yarn 生产环境核心参数 #

ResourceManager 相关 #

NodeManager 相关 #

Containe 相关 #

Tools #

import org.apache.hadoop.util.Tool;
import org.apache.hadoop.conf.Configuration;

public class WordCountTools implements Tool {

    private Configuration conf;
    @Override
    public int run(String[] args) throws Exception {
        Job job = Job.getInstance(conf);
        
        return job.waitForCompletion(true) ? 0 : 1;
    }
    @Override
    public void setConf(Configuration conf) {
        this.conf = conf;
    }
    @Override
    public Configuration getConf() {
        return conf;
    }
}

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
import java.util.Arrays;

public class WordCountDriver {

    private static Tool tool;

    public static void main(String[] args) throws Exception {
        // 1. 创建配置文件
        Configuration conf = new Configuration();
        // 2. 判断是否有 tool 接口
        switch (args[0]){
            case "wordcount":
                tool = new WordCountTools();
                break;
            default:
                throw new RuntimeException(" No such tool: "+ args[0] );
        }
        // 3. 用 Tool 执行程序
        // Arrays.copyOfRange 将老数组的元素放到新数组里面
        int run = ToolRunner.run(conf, tool, Arrays.copyOfRange(args, 1, args.length));
        System.exit(run);
    }
}