Hadoop實戰(zhàn)實例 ? Hadoop?是Google?MapReduce的一個Java實現。MapReduce是一種簡化的分布式編程模式，讓程序自動分布到一個由普通機器組成的超大集群上并發(fā)執(zhí)行。就如同java程序員可以不考慮內存泄露一樣，?MapReduce的run-time系統(tǒng)會解決輸入數據的分布細節(jié)，跨越機器集群的程序執(zhí)行調度，處理機器的失效，并且管理機器之間的通訊請求。這樣的模式允許程序員可以不需要有什么并發(fā)處理或者分布式系統(tǒng)的經驗，就可以處理超大的分布式系統(tǒng)得資源。

一、概論

????作為Hadoop程序員，他要做的事情就是：
????1、定義Mapper，處理輸入的Key-Value對，輸出中間結果。
????2、定義Reducer，可選，對中間結果進行規(guī)約，輸出最終結果。
????3、定義InputFormat?和OutputFormat，可選，InputFormat將每行輸入文件的內容轉換為Java類供Mapper函數使用，不定義時默認為String。
????4、定義main函數，在里面定義一個Job并運行它。
????

????然后的事情就交給系統(tǒng)了。
????1.基本概念：Hadoop的HDFS實現了google的GFS文件系統(tǒng)，NameNode作為文件系統(tǒng)的負責調度運行在master，DataNode運行在每個機器上。同時Hadoop實現了Google的MapReduce，JobTracker作為MapReduce的總調度運行在master，TaskTracker則運行在每個機器上執(zhí)行Task。

????2.main()函數，創(chuàng)建JobConf，定義Mapper，Reducer，Input/OutputFormat?和輸入輸出文件目錄，最后把Job提交給JobTracker，等待Job結束。

????3.JobTracker，創(chuàng)建一個InputFormat的實例，調用它的getSplits()方法，把輸入目錄的文件拆分成FileSplist作為Mapper?task?的輸入，生成Mapper?task加入Queue。

????4.TaskTracker?向?JobTracker索求下一個Map/Reduce。
??????
?????Mapper?Task先從InputFormat創(chuàng)建RecordReader，循環(huán)讀入FileSplits的內容生成Key與Value，傳給Mapper函數，處理完后中間結果寫成SequenceFile.
?????Reducer?Task?從運行Mapper的TaskTracker的Jetty上使用http協議獲取所需的中間內容（33%），Sort/Merge后（66%），執(zhí)行Reducer函數，最后按照OutputFormat寫入結果目錄。?

??????TaskTracker?每10秒向JobTracker報告一次運行情況，每完成一個Task10秒后，就會向JobTracker索求下一個Task。

??????Nutch項目的全部數據處理都構建在Hadoop之上，詳見Scalable?Computing?with?Hadoop。

二、程序員編寫的代碼

?（可以查看hadoop-examples-0.20.203.0.jar,里面也有一個類grep）

????我們做一個簡單的分布式的Grep，簡單對輸入文件進行逐行的正則匹配，如果符合就將該行打印到輸出文件。因為是簡單的全部輸出，所以我們只要寫Mapper函數，不用寫Reducer函數，也不用定義Input/Output?Format。

package??demo.hadoop??

public???class??HadoopGrep?{??

?????public???static???class??RegMapper??extends??MapReduceBase??implements??Mapper?{??

???????????????private??Pattern?pattern;??

???????????????public???void??configure(JobConf?job)?{??

?????????????????????????pattern??=??Pattern.compile(job.get(?"?mapred.mapper.regex?"?));??

??????????????}??

??????????????public???void??map(WritableComparable?key,?Writable?value,?OutputCollector?output,?Reporter?reporter)??

?????????????????????throws??IOException?{??

?????????????????????????String?text??=??((Text)?value).toString();??

?????????????????????????Matcher?matcher??=??pattern.matcher(text);??

???????????????????????if??(matcher.find())?{??

????????????????????????output.collect(key,?value);??

?????????????}??

????}??

?}??

??

??private??HadoopGrep?()?{??

?}??//??singleton???

??

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

??JobConf?grepJob??=???new??JobConf(HadoopGrep.?class?);??

??grepJob.setJobName(?"?grep-search?"?);??

??grepJob.set(?"?mapred.mapper.regex?"?,?args[?2?]);??

??

??grepJob.setInputPath(?new??Path(args[?0?]));??

??grepJob.setOutputPath(?new??Path(args[?1?]));??

??grepJob.setMapperClass(RegMapper.?class?);??

??grepJob.setReducerClass(IdentityReducer.?class?);??

??JobClient.runJob(grepJob);??

?}??

}??

????????? RegMapper類的configure()函數接受由main函數傳入的查找字符串，map()?函數進行正則匹配，key是行數，value是文件行的內容，符合的文件行放入中間結果。
????????main()函數定義由命令行參數傳入的輸入輸出目錄和匹配字符串，Mapper函數為RegMapper類，Reduce函數是什么都不做，直接把中間結果輸出到最終結果的的IdentityReducer類，運行Job。

整個代碼非常簡單，絲毫沒有分布式編程的任何細節(jié)。

三.運行Hadoop程序

????????Hadoop這方面的文檔寫得不全面，綜合參考GettingStartedWithHadoop?與Nutch?Hadoop?Tutorial?兩篇后，再碰了很多釘子才終于完整的跑起來了，記錄如下：?????
3.1?local運行模式
???????完全不進行任何分布式計算，不動用任何namenode,datanode的做法，適合一開始做調試代碼。
???????解壓hadoop，其中conf目錄是配置目錄，hadoop的配置文件在hadoop-default.xml，如果要修改配置，不是直接修改該文件，而是修改hadoop-site.xml，將該屬性在hadoop-site.xml里重新賦值。
???????hadoop-default.xml的默認配置已經是local運行，不用任何修改，配置目錄里唯一必須修改的是hadoop-env.sh?里JAVA_HOME的位置。
???????將編譯好的HadoopGrep與RegMapper.class?放入hadoop/build/classes/demo/hadoop/目錄?

??????? 或者編譯成jar包HadoopGrep.jar放入hadoop/build/classes/demo/hadoop/目錄

??????? 找一個比較大的xx.log文件放，然后運行

bin/hadoop?demo.hadoop.HadoopGrep? input ? /tmp/out? "[a-b]"
??????? (jar包運行：bin/hadoop jar HadoopGrep.jar ?HadoopGrep? input ? /tmp/output? "[a-b]" )
??????? 說明：
? ? ? ?? input? 為xx.log文件所在目錄?
???????? /tmp/output為輸出目錄?
???????? "[a-b]" ? grep的字符串?

??? ??? 查看輸出目錄的結果，查看hadoop/logs/里的運行日志。??
??? ??? 在重新運行前，先刪掉輸出目錄。
??

??3.2 集群運行模式

??? （查看集群配置：http://blog.csdn.net/hguisu/article/details/7237395）

????? 1 ）執(zhí)行bin/hadoop?dfs?可以看到它所支持的文件操作指令。???

????? 2） 創(chuàng)建目錄輸入inpu：???
???????????$?bin/hadoop?dfs -mkdir input ???

????? 3）上傳文件xx.log到指定目錄 input ：???
???????????$?bin/hadoop?dfs -put xx.log input

4 )? 執(zhí)行 bin/hadoop demo.hadoop.HadoopGrep input? output
???????????? (jar包運行：bin/hadoop jar HadoopGrep.jar? HadoopGrep? input?? /tmp/output? "[a-b]" )

???? ? 5 ） 查看輸出文件：

將輸出文件從分布式文件系統(tǒng)拷貝到本地文件系統(tǒng)查看：
??????????? $ bin/hadoop fs -get output output
??????????? $ cat output/*

??????????? 或者
??????????? 在分布式文件系統(tǒng)上查看輸出文件：
??????????? $ bin/hadoop fs -cat output/*

重新執(zhí)行前,運行hadoop/bin/hadoop?dfs -rm output刪除output目錄

? ? ?? 7.運行hadoop/bin/stop-all.sh?結束。
????

四、效率

????經測試，Hadoop并不是萬用靈丹，很取決于文件的大小和數量，處理的復雜度以及群集機器的數量，相連的帶寬，當以上四者并不大時，hadoop優(yōu)勢并不明顯。
????比如，不用hadoop用java寫的簡單grep函數處理100M的log文件只要4秒，用了hadoop?local的方式運行是14秒，用了hadoop單機集群的方式是30秒，用雙機集群10M網口的話更慢，慢到不好意思說出來的地步。

總結

以上是生活随笔為你收集整理的Hadoop实战实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。