Mapreduce其他部分

1.hadoop的压缩codec

Codec为压缩，解压缩的算法实现。 在Hadoop中，codec由CompressionCode的实现来表示。下面是一些实现：

可分割性：可分割与不可分割的区别：文件是否可被切成多个inputsplit。

对于不能切割的文件，如果使用mapreduce算法，需要切割成一个inputsplit，那么这个文件在网络传输的时候必须连着传输

中间一旦传输失败就必须重传，一个inputsplit一般都比较小，对于文件比较大的文件可否分割也是影响性能的重要因素。

压缩比和压缩速度上综合相比LZO好一些，压缩速度是其他的十几倍，但是压缩比相差不大。

 mapreduce中那些文件可压缩？

1. 输入文件可能是压缩文件

2.map输出可能是压缩文件

3.reduce输出可以压缩

代码：

完整的测试代码：

 package Mapreduce;
 
 import java.io.IOException;
 
 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.io.compress.CompressionCodec;
 import org.apache.hadoop.io.compress.GzipCodec;
 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.input.TextInputFormat;
 import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
 import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
 import org.apache.hadoop.yarn.webapp.hamlet.Hamlet.MAP;
 
 /**
  * 压缩文件实例
  *
  *
  */
 public class CompressTest {
     public static void main(String[] args) throws Exception {
         //必须要传递的是自定的mapper和reducer的类，输入输出的路径必须指定，输出的类型<k3,v3>必须指定
         //2将自定义的MyMapper和MyReducer组装在一起
         Configuration conf=new Configuration();
         String jobName=CompressTest.class.getSimpleName();
         //1首先寫job，知道需要conf和jobname在去創建即可
         Job job = Job.getInstance(conf, jobName);
 
         //*13最后，如果要打包运行改程序，则需要调用如下行
         job.setJarByClass(CompressTest.class);
 
         //3读取HDFS內容：FileInputFormat在mapreduce.lib包下
         FileInputFormat.setInputPaths(job, new Path("hdfs://neusoft-master:9000/data/hellodemo"));
         //4指定解析<k1,v1>的类（谁来解析键值对）
         //*指定解析的类可以省略不写，因为设置解析类默认的就是TextInputFormat.class
         job.setInputFormatClass(TextInputFormat.class);
         //5指定自定义mapper类
         job.setMapperClass(MyMapper.class);
         //6指定map输出的key2的类型和value2的类型  <k2,v2>
         //*下面两步可以省略，当<k3,v3>和<k2,v2>类型一致的时候,<k2,v2>类型可以不指定
         job.setMapOutputKeyClass(Text.class);
         job.setMapOutputValueClass(LongWritable.class);
         //7分区(默认1个)，排序，分组，规约 采用 默认
 
         //**map端输出进行压缩
         conf.setBoolean    ("mapred.compress.map.output",true);
         //**reduce端输出进行压缩
         conf.setBoolean    ("mapred.output.compress",true);
         //**reduce端输出压缩使用的类
         conf.setClass("mapred.output.compression.codec", GzipCodec.class, CompressionCodec.class);
         //接下来采用reduce步骤
         //8指定自定义的reduce类
         job.setReducerClass(MyReducer.class);
         //9指定输出的<k3,v3>类型
         job.setOutputKeyClass(Text.class);
         job.setOutputValueClass(LongWritable.class);
         //10指定输出<K3,V3>的类
         //*下面这一步可以省
         job.setOutputFormatClass(TextOutputFormat.class);
         //11指定输出路径
         FileOutputFormat.setOutputPath(job, new Path("hdfs://neusoft-master:9000/out11"));
 
         //12写的mapreduce程序要交给resource manager运行
         job.waitForCompletion(true);
     }
     private static class MyMapper extends Mapper<LongWritable, Text, Text,LongWritable>{
         Text k2 = new Text();
         LongWritable v2 = new LongWritable();
         @Override
         protected void map(LongWritable key, Text value,//三个参数
                 Mapper<LongWritable, Text, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {
             String line = value.toString();
             String[] splited = line.split("\t");//因为split方法属于string字符的方法，首先应该转化为string类型在使用
             for (String word : splited) {
                 //word表示每一行中每个单词
                 //对K2和V2赋值
                 k2.set(word);
                 v2.set(1L);
                 context.write(k2, v2);
             }
         }
     }
     private static class MyReducer extends Reducer<Text, LongWritable, Text, LongWritable> {
         LongWritable v3 = new LongWritable();
         @Override //k2表示单词，v2s表示不同单词出现的次数，需要对v2s进行迭代
         protected void reduce(Text k2, Iterable<LongWritable> v2s,  //三个参数
                 Reducer<Text, LongWritable, Text, LongWritable>.Context context)
                 throws IOException, InterruptedException {
             long sum =0;
             for (LongWritable v2 : v2s) {
                 //LongWritable本身是hadoop类型，sum是java类型
                 //首先将LongWritable转化为字符串，利用get方法
                 sum+=v2.get();
             }
             v3.set(sum);
             //将k2,v3写出去
             context.write(k2, v3);
         }
     }
 }

压缩文件实例

结果对比：

1.无压缩时运行mapreduce的时间

2.带压缩的运行时间

[root@neusoft-master filecontent]# hadoop jar CompressTest.jar　　

从时间上可以看出，运行时间和效率方面有了很大的提升，可以作为优化的一种。

2.mapreduce调度算法

hadoop目前支持以下三种调度器：

FifoScheduler：最简单的调度器，按照先进先出的方式处理应用。只有一个队列可提交应用，所有用户提交到这个队列。没有应用优先级可以配置。

CapacityScheduler：可以看作是FifoScheduler的多队列版本。每个队列可以限制资源使用量。但是，队列间的资源分配以使用量作排列依据，使得容量小的队列有竞争优势。集群整体吞吐较大。延迟调度机制使得应用可以放弃跨机器或者跨机架的调度机会，争取本地调度。 详情见官网http://hadoop.apache.org/docs/r1.2.1/capacity_scheduler.html

FairScheduler：多队列，多用户共享资源。特有的客户端创建队列的特性，使得权限控制不太完美。根据队列设定的最小共享量或者权重等参数，按比例共享资源。延迟调度机制跟CapacityScheduler的目的类似，但是实现方式稍有不同。资源抢占特性，是指调度器能够依据公平资源共享算法，计算每个队列应得的资源，将超额资源的队列的部分容器释放掉的特性。 详情见官网http://hadoop.apache.org/docs/r1.2.1/fair_scheduler.html

(1) FairScheduler的配置：

修改mapred-site.xml，然后重启集群 更多配置见conf/fair-scheduler.xml

(2)CapacityScheduler配置

修改mapred-site.xml，然后重启集群 更多配置见conf/capacity-scheduler.xml

CapacityScheduler运行结果:

3.Hadoop Streaming

  Hadoop Streaming是Hadoop提供的一个编程工具，它允许用户使用任何可执行文件或者脚本文件作为Mapper和Reducer，通过Hadoop Streaming编写的MapReduce应用程序中每个任务可以由不同的编程语言环境组成

4.MapReduce的job如何调优

• 如果存在大量的小数据文件，可以使用SequenceFile、自定义的CombineFileInputFormat
• 推测执行在整个集群上关闭，特定需要的作业单独开启，一般可以省下约5%~10%的集群资源
• mapred.map.task.speculative.execution=true; mapred.reduce.task.speculative.execution=false;
• 开启jvm重用 mapred.job.reuse.jvm.num.tasks=-1
• 增加InputSplit大小 mapred.min.split.size=268435456
• 增大map输出的缓存 io.sort.mb=300
• 增加合并spill文件数量 io.sort.factor=50 map端输出压缩，
• 推荐LZO压缩算法 mapred.compress.map.output=true; mapred.map.output.compression.codec=com.hadoop.compression.lzo.LzoCodec;
• 增大shuffle复制线程数 mapred.reduce.parallel.copies=15
• 设置单个节点的map和reduce执行数量(默认值是2) mapred.tasktracker.map.tasks.maxinum=2 mapred.tasktracker.reduce.tasks.maxinum=2

5.MapReduce常见算法

单词计数 数据去重 排序 Top K 选择 投影 分组 多表连接 单表关联

6.MapReduce中的join操作

• reduce side join
• map side join