[hadoop in Action] 第3章 Hadoop组件

• 管理HDFS中的文件
• 分析MapReduce框架中的组件
• 读写输入输出数据

 

1、HDFS文件操作

 

［命令行方式］

 

Hadoop的文件命令采取的形式为：

hadoop fs -cmd <args>

其中，cmd是具体的文件命令，而<args>是一组数目可变的参数。

 

（1）添加文件和目录

     HDFS有一个默认的工作目录/user/$USER，其中$USER是你的登录用户名。不过这个目录不会自动建立，让我们用mkdir命令创建它。Hadoop的mkdir命令会自动创建父目录，类似于UNIX中使用-p选项的mkdir命令。

     hadoop fs -mkdir /user/chuck

     

     如果想看到所有的子目录，则可以使用hadoop的lsr命令，类似于UNIX中打开－r选项的ls：

     hadoop fs -lsr /

     ［输出结果显示出属性信息，比如权限、所有者、组、文件大小以及最后修改日期，所有这些都类似于UNIX的概念。显示“1”的列给出文件的复制因子。因为复制因子不适用于目录，故届时该列仅会显示一个破折号(-)］

 

     在本地文件系统中创建一个名为examle.txt的文本文件，用hadoop的put命令将它从本地文件系统复制到HDFS中：

     hadoop fs -put example.txt ./

 

 

（2）获取文件

     从HDFS中复制文件到本地文件系统：

     hadoop fs -get example.txt ./

 

     显示HDFS中文件的内容：

     hadoop fs -cat example.txt

     ［可以在hadoop的文件命令中使用UNIX的管道，将其结果发送给其他的UNIX命令做进一步处理］

 

     查看最后一千字节：

     hadoop fs -tail example.txt

 

（3）删除文件

     删除HDFS中的文件：

     hadoop fs -rm example.txt

    ［ rm命令还可以用于删除空目录］

 

     删除目录(目录不为空)：

     hadoop fs -rmr /user/chuck

 

（4）查阅帮助

     hadoop fs -help <cmd>

 

［编程方式］

 

hadoop命令行工具中有一个getmerge命令，用于把一组HDFS文件在复制到本地计算机以前进行合并，下面开发的是实现把本地计算机文件复制到HDFS以前进行合并：

 

 

---

代码清单 PutMerge程序

 

 import java.io.IOException;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.hadoop.fs.FSDataInputStream;
 import org.apache.hadoop.fs.FSDataOutputStream;
 import org.apache.hadoop.fs.FileStatus;
 import org.apache.hadoop.fs.FileSystem;
 import org.apache.hadoop.fs.Path;

 public class PutMerge {

     public static void main(String[] args) throws IOException {

         Configuration conf = new Configuration();
         FileSystem hdfs  = FileSystem.get(conf);
         FileSystem local = FileSystem.getLocal(conf);

         Path inputDir = new Path(args[0]);   //（1）设定输入目录和输出文件
         Path hdfsFile = new Path(args[1]); 

         try {
             FileStatus[] inputFiles = local.listStatus(inputDir);    //（2）得到本地文件列表
             FSDataOutputStream out = hdfs.create(hdfsFile);    //（3）生成HDFS输出流

             for (int i=0; i<inputFiles.length; i++) {
                 System.out.println(inputFiles[i].getPath().getName());
                 FSDataInputStream in = local.open(inputFiles[i].getPath());    //（4）打开本地输入流
                 byte buffer[] = new byte[256];
                 int bytesRead = 0;
                 while( (bytesRead = in.read(buffer)) > 0) {
                     out.write(buffer, 0, bytesRead);
                 }
                 in.close();
             }
             out.close();
         } catch (IOException e) {
             e.printStackTrace();
         }
     }
 }

 

（1）根据用户定义的参数设置本地目录和HDFS的目标文件；

（2）提取本地输入目录中每个文件的信息；

（3）创建一个输出流写入到HDFS文件；

（4）遍历本地目录中的每个文件，打开一个输入流来读取该文件

 

---

 

FileSystem类还有些方法用于其他标准文件操作，如delete()、exists()、mkdirs()和rename()。

 

2、剖析MapReduce程序

 

 

MapReduce程序通过操作键/值对来处理数据，一般形式为：

map：(k1, v1) ——> list(k2, v2)

reduce：(k2, list(v2)) ——> list(k3,v3)

 

1. 输入数据；
2. 输入数据被分布在节点上；
3. 每个map任务处理一个数据分片；
4. Mapper输出中间数据；
5. 节点间的数据交换在“洗牌”阶段完成；
6. 相同key的中间数据进入相同的reducer；
7. 存储Reducer的输出。

 

     虽然我们可以并且的确经常把某些键与值称为整数、字符串等，但它们实际上并不是Integer、String等那些标准的Java类。这是因为为了让键/值对可以在集群上移动，MapReduce框架提供了一种序列化键/值对的方法。因此，只有那些支持这种序列化的类能够在这个框架中充当键或者值。

 

     更具体而言，实现Writable接口的类可以是值，而实现WritableComparable<T>接口的类既可以是键也可以是值。注意WritableComparable<T>接口是Writable和java.lang.Comparable<T>接口的组合。对于键而言，我们需要这个比较，因为它们将在Reduce阶段进行排序，而值仅会被简单地传递。

 

     Hadoop带有一些预定义的类用于实现WritableComparable，包括面向所有基本数据类型的封装类，如下表：

 

类	描述
BooleanWritable	标准布尔变量的封装
ByteWritable	单字节数的封装
DoubleWritable	双字节数的封装
FloatWritable	浮点数的封装
IntWritable	整数的封装
LongWritable	长整数的封装
Text	使用UTF8格式的文本封装
NullWritable	无键值的占位符

 

     键和值所采用的数据类型可以超过Hadoop自身所支持的基本类型，可以自定义数据类型，只要它实现了Writable（或WritableComparable<T>）接口。

 

---

代码清单 示例实现WritableComparable接口的类

 

 import java.io.DataInput;
 import java.io.DataOutput;
 import java.io.IOException;

 import org.apache.hadoop.io.WritableComparable;

 public class Edge implements WritableComparable<Edge> {

     private String departureNode;
     private String arrivalNode;

     public String getDepartureNode() { return departureNode;}

     @Override
     public void readFields(DataInput in) throws IOException {    //（1）说明如何读入数据
         departureNode = in.readUTF();
         arrivalNode = in.readUTF();
     }

     @Override
     public void write(DataOutput out) throws IOException {    //（2）说明如何写入数据
         out.writeUTF(departureNode);
         out.writeUTF(arrivalNode);
     }

     @Override
     public int compareTo(Edge o) {    //（3）定义数据排序
      return (departureNode.compareTo(o.departureNode) != 0)
          ? departureNode.compareTo(o.departureNode)
          : arrivalNode.compareTo(o.arrivalNode);
     }
 }

 

这个Edge类实现了Writable接口的readFields()及write()方法。它们与Java中的DataInput和DataOutput类一起用于类中内容的串行化。而Comparable接口中的实现是compareTo()方法。如果被调用的Edge小于、等于或者大于给定的Edge，这个方法会分别返回－1，0，1。

---

 

[Mapper]

 

     一个类要作为mapper，需继承MapReducebase基类并实现Mapper接口。并不奇怪，mapper和reducer的基类均为MapReduceBase类。它包含类的构造与解构方法。

• void configure(JobConfjob)：该函数提取XML配置文件或者应用程序主类中的参数，在数据处理之前调用该函数。
• void close()：作为map任务结束前的最后一个操作，该函数完成所有的结尾工作，如关闭数据库连接、打开文件等。

 

     Mapper接口负责数据处理阶段。它采用的形式为Mapper<k1,v1,k2,v2>Java泛型，这里键类和值类分别实现WritableComparable和Writable接口。Mapper只有一个方法——Map，用于处理一个单独的键/值对。

     void map (k1 key, v1 value, OutputCollector<k2,v2> output, Reporter reporter) throws IOException

 

     该函数处理一个给定的键/值对 (k1,v1)，生成一个键/值对(k2,v2)的列表(该列表也可能为空)。OutputCollector接收这个映射过程的输出，Reporter可以提供对mapper相关附加信息的记录，形成任务进度。

 

     Hadoop提供了一些有用的mapper实现，如下表：

 

类	描述
IdentityMapper<k,v>	实现Mapper<k,v,k,v>将输入直接映射到输出
InverseMapper<k,v>	实现Mapper<k,v,v,k>反转键/值对
RegexMapper<k>	实现Mapper<k,text,text,LongWritable>,为每个常规表达式的匹配项生成一个(match,1)对
TokenCountMapper<k>	实现Mapper<k,text,text,LongWritable>,当输入的值为分词时，生成一个(token,1)对

 

 

[Reducer]

 

     reducer的实现和mapper一样必须首先在MapReduce基类上扩展，允许配置和清理。此外，它还必须实现Reducer接口使其具有如下的单一方法：

     void reduce(k2 key, Iterator<v2> values, OutputCollector<k3,v3> output, Reporter reporter) throws IOException

 

     当reducer任务接收来自各个mapper的输出时，它按照键/值对中的键对输入数据进行排序，并将相同键的值归并。然后调用reduce()函数，并通过迭代处理那些与指定键相关联的值，生成一个(可能为空的)列表(k3,v3)。OutputCollector接收reduce阶段的输出，并写入输出文件。Reporter可提供对reducer相关附加信息的记录，形成任务进度。

 

     Hadoop提供了一些基本的reducer实现，如下表：

 

类	描述
IdentityReudcer<k,v>	实现Reducer<k,v,k,v>将输入直接映射到输出
LongSumReducer<k>	实现<k,LongWritable,k,LongWritable>, 计算与给定键相对应的所有值的和

 

 

[Partitioner：重定向Mapper输出]

 

     当使用多个reducer时，我们就需要采取一些办法来确定mapper应该把键/值对输出给谁。默认的作法是对键进行散列来确定reducer。hadoop通过HashPartitioner类强制执行这个策略。但有时HashPartitioner会让你出错。

 

 public class EdgePartitioner implements Partitioner<Edge, Writable>
 {
      @verride
      public int getPartition(Edge key, Writable value, int numPartitions)
      {
           return key.getDepartureNode().hashCode() % numPartitions;
      }

      @verride
      public void configure(JobConf conf) { }
 }

 

      一个定制的partitioner只需要实现configure()和getPartition()两个函数。前者将hadoop对作业的配置应用在patittioner上，而后者返回一个介于0和reducer任务数之间的整数，指向键/值对将要发送的reducer。

 

     在map和reduce阶段之间，一个MapReduce应用必然从mapper任务得到输出结果，并把这些结果发布给reduce任务。该过程通常被称为洗牌。

 

 

[Combiner：本地reduce]

 

在许多MapReduce应用场景中，我们不妨在分发mapper结果之前做一下“本地Reduce”。

 

 

[预定义的mapper和reducer类的单词计数]

 

---

代码清单 修改的WordCount例程

 

 import org.apache.hadoop.fs.Path;
 import org.apache.hadoop.io.Text;
 import org.apache.hadoop.io.LongWritable;
 import org.apache.hadoop.mapred.FileInputFormat;
 import org.apache.hadoop.mapred.FileOutputFormat;
 import org.apache.hadoop.mapred.JobClient;
 import org.apache.hadoop.mapred.JobConf;
 import org.apache.hadoop.mapred.lib.TokenCountMapper;
 import org.apache.hadoop.mapred.lib.LongSumReducer;

 public class WordCount2 {
     public static void main(String[] args) {
         JobClient client = new JobClient();
         JobConf conf = new JobConf(WordCount2.class);

         FileInputFormat.addInputPath(conf, new Path(args[0]));
         FileOutputFormat.setOutputPath(conf, new Path(args[1]));

         conf.setOutputKeyClass(Text.class);
         conf.setOutputValueClass(LongWritable.class);
         conf.setMapperClass(TokenCountMapper.class);
         conf.setCombinerClass(LongSumReducer.class);
         conf.setReducerClass(LongSumReducer.class);

         client.setConf(conf);
         try {
             JobClient.runJob(conf);
         } catch (Exception e) {
             e.printStackTrace();
         }
     }
 }

 

---

 

3、读和写

 

[InputFormat]

 

     hadoop分割与读取输入文件的方式被定义在InputFormat接口的一个实现中。TextInputFormat是InputFormat的默认实现，当你想要一次获取一行内容而输入数据又没有确定的键值时，这种数据格式通常会非常有用。

 

常用的InputFormat类，如下表：

 

InputFormat	描述
TextInputFormat	在文本文件中每一行均为一个记录。键(key)为一行的字节偏移，而值(value)为一行的内容 key: LongWritable value: Text
KeyValueTextInputFormat	在文本文件中的每一行均为一个记录。以每行的第一个分隔符为界，分隔符之前的是键(key)，之后的是值(value)。分离器在属性key.value.separator.in.input.line中设定，默认为制表符(\t)。 key: Text Value: Text
SequenceFileInputFormat<k,v>	用于读取序列文件的InputFormat。键和值由用户定义。序列文件为hadoop专用的压缩二进制文件格式。它专用于一个MapReduce作业和其他MapReduce作业之间传送数据。 key: K(用户定义) value: V(用户定义)
NLineInputFormat	与TextInputFormat相同，但每个分片一定有N行。N在属性mapred.line.input.format.linespermap中设定，默认为1. key: LongWritable value: Text

 

可以设置JobConf对象使用KeyValueTextInputFormat类读取这个文件：

     conf.setInputFormat(KeyValueTextInputFormat.class);

 

回想一下，我们之前在mapper中曾使用LongWritable和Text分别作为键(key)和值(value)的类型。在TextInputFormat中，因为值为用数字表示的偏移量，所以LongWritable是一个合理的键类型。而当使用KeyvalueTextInputFormat时，无论是键和值都为Text类型，你必须改变mapper的实现以及map()方法来适应这个新的键(key)类型。

 

生成一个定制的InputFormat：略

 

 

[OutputFormat]

 

当MapReduce输出数据到文件时，使用的是OutputForamt类，它与inputForamt类相似。因为每个reducer仅需将它的输出写入自己的文件中，输出无需分片。输出文件放在一个公用目录中，通常命名为part-nnnnn，这里nnnnn是reducer的分区ID。RecordWriter对象将输出结果进行格式化，而RecordReader对输入格式进行解析。

 

常用的OutputFormat类，如下表：

 

OutputFormat	描述
TextOutputFormat<k,v>	将每个记录写为一行文本。键和值以字符串的形式写入，并以制表符(\t)分隔。这个分隔符可以在属性mapred.textoutputformat.separator中修改
SequenceFileOutputFormat<k,v>	以hadoop专有序列文件格式写入键/值对。与SequenceFileInputForamt配合使用
NullOutputFormat<k,v>	无输出

 

 

  [转载请注明] http://www.cnblogs.com/zhengrunjian/