分布式计算开源框架Hadoop入门实践
回過(guò)頭來(lái)看，早先那種多線程，多任務(wù)分解的日志分析設(shè)計(jì)，其實(shí)是分布式計(jì)算的一個(gè)單機(jī)版縮略，如何將這種單機(jī)的工作進(jìn)行分拆，變成協(xié)同工作的集群，其實(shí)就是分布式計(jì)算框架設(shè)計(jì)所涉及的。在去年參加BEA大會(huì)的時(shí)候，BEA和VMWare合作采用虛擬機(jī)來(lái)構(gòu)建集群，無(wú)非就是希望使得計(jì)算機(jī)硬件能夠類似于應(yīng)用程序中資源池的資源，使用者無(wú)需關(guān)心資源的分配情況，從而最大化了硬件資源的使用價(jià)值。分布式計(jì)算也是如此，具體的計(jì)算任務(wù)交由哪一臺(tái)機(jī)器執(zhí)行，執(zhí)行后由誰(shuí)來(lái)匯總，這都由分布式框架的Master來(lái)抉擇，而使用者只需簡(jiǎn)單地將待分析內(nèi)容提供給分布式計(jì)算系統(tǒng)作為輸入，就可以得到分布式計(jì)算后的結(jié)果。
Hadoop是Apache開(kāi)源組織的一個(gè)分布式計(jì)算開(kāi)源框架，在很多大型網(wǎng)站上都已經(jīng)得到了應(yīng)用，如亞馬遜、Facebook和Yahoo等等。對(duì)于我來(lái)說(shuō)，最近的一個(gè)使用點(diǎn)就是服務(wù)集成平臺(tái)的日志分析。服務(wù)集成平臺(tái)的日志量將會(huì)很大，而這也正好符合了分布式計(jì)算的適用場(chǎng)景（日志分析和索引建立就是兩大應(yīng)用場(chǎng)景）。
當(dāng)前沒(méi)有正式確定使用，所以也是自己業(yè)余摸索，后續(xù)所寫的相關(guān)內(nèi)容，都是一個(gè)新手的學(xué)習(xí)過(guò)程，難免會(huì)有一些錯(cuò)誤，只是希望記錄下來(lái)可以分享給更多志同道合的朋友。
什么是Hadoop？
搞什么東西之前，第一步是要知道What（是什么），然后是Why（為什么），最后才是How（怎么做）。但很多開(kāi)發(fā)的朋友在做了多年項(xiàng)目以后，都習(xí)慣是先How，然后What，最后才是Why，這樣只會(huì)讓自己變得浮躁，同時(shí)往往會(huì)將技術(shù)誤用于不適合的場(chǎng)景。
Hadoop框架中最核心的設(shè)計(jì)就是：MapReduce和HDFS。MapReduce的思想是由Google的一篇論文所提及而被廣為流傳的，簡(jiǎn)單的一句話解釋MapReduce就是“任務(wù)的分解與結(jié)果的匯總”。HDFS是Hadoop分布式文件系統(tǒng)（Hadoop Distributed File System）的縮寫，為分布式計(jì)算存儲(chǔ)提供了底層支持。
MapReduce從它名字上來(lái)看就大致可以看出個(gè)緣由，兩個(gè)動(dòng)詞Map和Reduce，“Map（展開(kāi)）”就是將一個(gè)任務(wù)分解成為多個(gè)任務(wù)，“Reduce”就是將分解后多任務(wù)處理的結(jié)果匯總起來(lái)，得出最后的分析結(jié)果。這不是什么新思想，其實(shí)在前面提到的多線程，多任務(wù)的設(shè)計(jì)就可以找到這種思想的影子。不論是現(xiàn)實(shí)社會(huì)，還是在程序設(shè)計(jì)中，一項(xiàng)工作往往可以被拆分成為多個(gè)任務(wù)，任務(wù)之間的關(guān)系可以分為兩種：一種是不相關(guān)的任務(wù)，可以并行執(zhí)行；另一種是任務(wù)之間有相互的依賴，先后順序不能夠顛倒，這類任務(wù)是無(wú)法并行處理的。回到大學(xué)時(shí)期，教授上課時(shí)讓大家去分析關(guān)鍵路徑，無(wú)非就是找最省時(shí)的任務(wù)分解執(zhí)行方式。在分布式系統(tǒng)中，機(jī)器集群就可以看作硬件資源池，將并行的任務(wù)拆分，然后交由每一個(gè)空閑機(jī)器資源去處理，能夠極大地提高計(jì)算效率，同時(shí)這種資源無(wú)關(guān)性，對(duì)于計(jì)算集群的擴(kuò)展無(wú)疑提供了最好的設(shè)計(jì)保證。（其實(shí)我一直認(rèn)為Hadoop的卡通圖標(biāo)不應(yīng)該是一個(gè)小象，應(yīng)該是螞蟻，分布式計(jì)算就好比螞蟻吃大象，廉價(jià)的機(jī)器群可以匹敵任何高性能的計(jì)算機(jī)，縱向擴(kuò)展的曲線始終敵不過(guò)橫向擴(kuò)展的斜線）。任務(wù)分解處理以后，那就需要將處理以后的結(jié)果再匯總起來(lái)，這就是Reduce要做的工作。
圖1：MapReduce結(jié)構(gòu)示意圖
上圖就是MapReduce大致的結(jié)構(gòu)圖，在Map前還可能會(huì)對(duì)輸入的數(shù)據(jù)有Split（分割）的過(guò)程，保證任務(wù)并行效率，在Map之后還會(huì)有Shuffle（混合）的過(guò)程，對(duì)于提高Reduce的效率以及減小數(shù)據(jù)傳輸?shù)膲毫τ泻艽蟮膸椭：竺鏁?huì)具體提及這些部分的細(xì)節(jié)。
HDFS是分布式計(jì)算的存儲(chǔ)基石，Hadoop的分布式文件系統(tǒng)和其他分布式文件系統(tǒng)有很多類似的特質(zhì)。分布式文件系統(tǒng)基本的幾個(gè)特點(diǎn)：
對(duì)于整個(gè)集群有單一的命名空間。
數(shù)據(jù)一致性。適合一次寫入多次讀取的模型，客戶端在文件沒(méi)有被成功創(chuàng)建之前無(wú)法看到文件存在。
文件會(huì)被分割成多個(gè)文件塊，每個(gè)文件塊被分配存儲(chǔ)到數(shù)據(jù)節(jié)點(diǎn)上，而且根據(jù)配置會(huì)由復(fù)制文件塊來(lái)保證數(shù)據(jù)的安全性。
圖2：HDFS結(jié)構(gòu)示意圖
上圖中展現(xiàn)了整個(gè)HDFS三個(gè)重要角色：NameNode、DataNode和Client。NameNode可以看作是分布式文件系統(tǒng)中的管理者，主要負(fù)責(zé)管理文件系統(tǒng)的命名空間、集群配置信息和存儲(chǔ)塊的復(fù)制等。NameNode會(huì)將文件系統(tǒng)的Meta-da
文件寫入：
Client向NameNode發(fā)起文件寫入的請(qǐng)求。
NameNode根據(jù)文件大小和文件塊配置情況，返回給Client它所管理部分DataNode的信息。
Client將文件劃分為多個(gè)Block，根據(jù)DataNode的地址信息，按順序?qū)懭氲矫恳粋€(gè)DataNode塊中。
文件讀取：
Client向NameNode發(fā)起文件讀取的請(qǐng)求。
NameNode返回文件存儲(chǔ)的DataNode的信息。
Client讀取文件信息。
文件Block復(fù)制：
NameNode發(fā)現(xiàn)部分文件的Block不符合最小復(fù)制數(shù)或者部分DataNode失效。
通知DataNode相互復(fù)制Block。
DataNode開(kāi)始直接相互復(fù)制。
最后再說(shuō)一下HDFS的幾個(gè)設(shè)計(jì)特點(diǎn)（對(duì)于框架設(shè)計(jì)值得借鑒）：
Block的放置：默認(rèn)不配置。一個(gè)Block會(huì)有三份備份，一份放在NameNode指定的DataNode，另一份放在與指定DataNode非同一Rack上的DataNode，最后一份放在與指定DataNode同一Rack上的DataNode上。備份無(wú)非就是為了數(shù)據(jù)安全，考慮同一Rack的失敗情況以及不同Rack之間數(shù)據(jù)拷貝性能問(wèn)題就采用這種配置方式。
心跳檢測(cè)DataNode的健康狀況，如果發(fā)現(xiàn)問(wèn)題就采取數(shù)據(jù)備份的方式來(lái)保證數(shù)據(jù)的安全性。
數(shù)據(jù)復(fù)制（場(chǎng)景為DataNode失敗、需要平衡DataNode的存儲(chǔ)利用率和需要平衡DataNode數(shù)據(jù)交互壓力等情況）：這里先說(shuō)一下，使用HDFS的balancer命令，可以配置一個(gè)Threshold來(lái)平衡每一個(gè)DataNode磁盤利用率。例如設(shè)置了Threshold為10%，那么執(zhí)行balancer命令的時(shí)候，首先統(tǒng)計(jì)所有DataNode的磁盤利用率的均值，然后判斷如果某一個(gè)DataNode的磁盤利用率超過(guò)這個(gè)均值Threshold以上，那么將會(huì)把這個(gè)DataNode的block轉(zhuǎn)移到磁盤利用率低的DataNode，這對(duì)于新節(jié)點(diǎn)的加入來(lái)說(shuō)十分有用。
數(shù)據(jù)交驗(yàn)：采用CRC32作數(shù)據(jù)交驗(yàn)。在文件Block寫入的時(shí)候除了寫入數(shù)據(jù)還會(huì)寫入交驗(yàn)信息，在讀取的時(shí)候需要交驗(yàn)后再讀入。
NameNode是單點(diǎn)：如果失敗的話，任務(wù)處理信息將會(huì)紀(jì)錄在本地文件系統(tǒng)和遠(yuǎn)端的文件系統(tǒng)中。
數(shù)據(jù)管道性的寫入：當(dāng)客戶端要寫入文件到DataNode上，首先客戶端讀取一個(gè)Block然后寫到第一個(gè)DataNode上，然后由第一個(gè)DataNode傳遞到備份的DataNode上，一直到所有需要寫入這個(gè)Block的NataNode都成功寫入，客戶端才會(huì)繼續(xù)開(kāi)始寫下一個(gè)Block。
安全模式：在分布式文件系統(tǒng)啟動(dòng)的時(shí)候，開(kāi)始的時(shí)候會(huì)有安全模式，當(dāng)分布式文件系統(tǒng)處于安全模式的情況下，文件系統(tǒng)中的內(nèi)容不允許修改也不允許刪除，直到安全模式結(jié)束。安全模式主要是為了系統(tǒng)啟動(dòng)的時(shí)候檢查各個(gè)DataNode上數(shù)據(jù)塊的有效性，同時(shí)根據(jù)策略必要的復(fù)制或者刪除部分?jǐn)?shù)據(jù)塊。運(yùn)行期通過(guò)命令也可以進(jìn)入安全模式。在實(shí)踐過(guò)程中，系統(tǒng)啟動(dòng)的時(shí)候去修改和刪除文件也會(huì)有安全模式不允許修改的出錯(cuò)提示，只需要等待一會(huì)兒即可。
下面綜合MapReduce和HDFS來(lái)看Hadoop的結(jié)構(gòu)：
圖3：Hadoop結(jié)構(gòu)示意圖
在Hadoop的系統(tǒng)中，會(huì)有一臺(tái)Master，主要負(fù)責(zé)NameNode的工作以及JobTracker的工作。JobTracker的主要職責(zé)就是啟動(dòng)、跟蹤和調(diào)度各個(gè)Slave的任務(wù)執(zhí)行。還會(huì)有多臺(tái)Slave，每一臺(tái)Slave通常具有DataNode的功能并負(fù)責(zé)TaskTracker的工作。TaskTracker根據(jù)應(yīng)用要求來(lái)結(jié)合本地?cái)?shù)據(jù)執(zhí)行Map任務(wù)以及Reduce任務(wù)。
說(shuō)到這里，就要提到分布式計(jì)算最重要的一個(gè)設(shè)計(jì)點(diǎn)：Moving Computation is Cheaper than Moving Da
為什么要選擇Hadoop？
說(shuō)完了What，簡(jiǎn)單地說(shuō)一下Why。官方網(wǎng)站已經(jīng)給了很多的說(shuō)明，這里就大致說(shuō)一下其優(yōu)點(diǎn)及使用的場(chǎng)景（沒(méi)有不好的工具，只用不適用的工具，因此選擇好場(chǎng)景才能夠真正發(fā)揮分布式計(jì)算的作用）：
可擴(kuò)展：不論是存儲(chǔ)的可擴(kuò)展還是計(jì)算的可擴(kuò)展都是Hadoop的設(shè)計(jì)根本。
經(jīng)濟(jì)：框架可以運(yùn)行在任何普通的PC上。
可靠：分布式文件系統(tǒng)的備份恢復(fù)機(jī)制以及MapReduce的任務(wù)監(jiān)控保證了分布式處理的可靠性。
高效：分布式文件系統(tǒng)的高效數(shù)據(jù)交互實(shí)現(xiàn)以及MapReduce結(jié)合Local Da
使用場(chǎng)景：個(gè)人覺(jué)得最適合的就是海量數(shù)據(jù)的分析，其實(shí)Google最早提出MapReduce也就是為了海量數(shù)據(jù)分析。同時(shí)HDFS最早是為了搜索引擎實(shí)現(xiàn)而開(kāi)發(fā)的，后來(lái)才被用于分布式計(jì)算框架中。海量數(shù)據(jù)被分割于多個(gè)節(jié)點(diǎn)，然后由每一個(gè)節(jié)點(diǎn)并行計(jì)算，將得出的結(jié)果歸并到輸出。同時(shí)第一階段的輸出又可以作為下一階段計(jì)算的輸入，因此可以想象到一個(gè)樹狀結(jié)構(gòu)的分布式計(jì)算圖，在不同階段都有不同產(chǎn)出，同時(shí)并行和串行結(jié)合的計(jì)算也可以很好地在分布式集群的資源下得以高效的處理。
其實(shí)參看Hadoop官方文檔已經(jīng)能夠很容易配置分布式框架運(yùn)行環(huán)境了，不過(guò)這里既然寫了就再多寫一點(diǎn)，同時(shí)有一些細(xì)節(jié)需要注意的也說(shuō)明一下，其實(shí)也就是這些細(xì)節(jié)會(huì)讓人摸索半天。Hadoop可以單機(jī)跑，也可以配置集群跑，單機(jī)跑就不需要多說(shuō)了，只需要按照Demo的運(yùn)行說(shuō)明直接執(zhí)行命令即可。這里主要重點(diǎn)說(shuō)一下集群配置運(yùn)行的過(guò)程。
環(huán)境
7臺(tái)普通的機(jī)器，操作系統(tǒng)都是Linux。內(nèi)存和CPU就不說(shuō)了，反正Hadoop一大特點(diǎn)就是機(jī)器在多不在精。JDK必須是1.5以上的，這個(gè)切記。7臺(tái)機(jī)器的機(jī)器名務(wù)必不同，后續(xù)會(huì)談到機(jī)器名對(duì)于MapReduce有很大的影響。
部署考慮
正如上面我描述的，對(duì)于Hadoop的集群來(lái)說(shuō)，可以分成兩大類角色：Master和Slave，前者主要配置NameNode和JobTracker的角色，負(fù)責(zé)總管分布式數(shù)據(jù)和分解任務(wù)的執(zhí)行，后者配置DataNode和TaskTracker的角色，負(fù)責(zé)分布式數(shù)據(jù)存儲(chǔ)以及任務(wù)的執(zhí)行。本來(lái)我打算看看一臺(tái)機(jī)器是否可以配置成Master，同時(shí)也作為Slave使用，不過(guò)發(fā)現(xiàn)在NameNode初始化的過(guò)程中以及TaskTracker執(zhí)行過(guò)程中機(jī)器名配置好像有沖突（NameNode和TaskTracker對(duì)于Hosts的配置有些沖突，究竟是把機(jī)器名對(duì)應(yīng)IP放在配置前面還是把Localhost對(duì)應(yīng)IP放在前面有點(diǎn)問(wèn)題，不過(guò)可能也是我自己的問(wèn)題吧，這個(gè)大家可以根據(jù)實(shí)施情況給我反饋）。最后反正決定一臺(tái)Master，六臺(tái)Slave，后續(xù)復(fù)雜的應(yīng)用開(kāi)發(fā)和測(cè)試結(jié)果的比對(duì)會(huì)增加機(jī)器配置。
實(shí)施步驟
在所有的機(jī)器上都建立相同的目錄，也可以就建立相同的用戶，以該用戶的home路徑來(lái)做hadoop的安裝路徑。例如我在所有的機(jī)器上都建立了/home/wenchu。
下載Hadoop，先解壓到Master上。這里我是下載的0.17.1的版本。此時(shí)Hadoop的安裝路徑就是/home/wenchu/hadoop-0.17.1。
解壓后進(jìn)入conf目錄，主要需要修改以下文件：hadoop-env.sh，hadoop-site.xml、masters、slaves。
Hadoop的基礎(chǔ)配置文件是hadoop-default.xml，看Hadoop的代碼可以知道，默認(rèn)建立一個(gè)Job的時(shí)候會(huì)建立Job的Config，Config首先讀入hadoop-default.xml的配置，然后再讀入hadoop-site.xml的配置（這個(gè)文件初始的時(shí)候配置為空），hadoop-site.xml中主要配置你需要覆蓋的hadoop-default.xml的系統(tǒng)級(jí)配置，以及你需要在你的MapReduce過(guò)程中使用的自定義配置（具體的一些使用例如final等參考文檔）。
以下是一個(gè)簡(jiǎn)單的hadoop-site.xml的配置：
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
<property>
<name>fs.default.name</name>//你的namenode的配置，機(jī)器名加端口
<value>hdfs://10.2.224.46:54310/</value>
</property>
<property>
<name>mapred.job.tracker</name>//你的JobTracker的配置，機(jī)器名加端口
<value>hdfs://10.2.224.46:54311/</value>
</property>
<property>
<name>dfs.replication</name>//數(shù)據(jù)需要備份的數(shù)量，默認(rèn)是三
<value>1</value>
</property>
<property>
<name>hadoop.tmp.dir</name>//Hadoop的默認(rèn)臨時(shí)路徑，這個(gè)最好配置，如果在新增節(jié)點(diǎn)或者其他情況下莫名其妙的DataNode啟動(dòng)不了，就刪除此文件中的tmp目錄即可。不過(guò)如果刪除了NameNode機(jī)器的此目錄，那么就需要重新執(zhí)行NameNode格式化的命令。
<value>/home/wenchu/hadoop/tmp/</value>
</property>
<property>
<name>mapred.child.java.opts</name>//java虛擬機(jī)的一些參數(shù)可以參照配置
<value>-Xmx512m</value>
</property>
<property>
<name>dfs.block.size</name>//block的大小，單位字節(jié)，后面會(huì)提到用處，必須是512的倍數(shù)，因?yàn)椴捎胏rc作文件完整性校驗(yàn)，默認(rèn)配置512是checksum的最小單元。
<value>5120000</value>
<description>The default block size for new files.</description>
</property>
</configuration>
hadoop-env.sh文件只需要修改一個(gè)參數(shù)：
export JAVA_HOME=/usr/ali/jdk1.5.0_10
配置你的Java路徑，記住一定要1.5版本以上，免得莫名其妙出現(xiàn)問(wèn)題。
Masters中配置Masters的IP或者機(jī)器名，如果是機(jī)器名那么需要在/etc/hosts中有所設(shè)置。Slaves中配置的是Slaves的IP或者機(jī)器名，同樣如果是機(jī)器名需要在/etc/hosts中有所設(shè)置。范例如下，我這里配置的都是IP：
10.2.224.46
Slaves:
10.2.226.40
10.2.226.39
10.2.226.38
10.2.226.37
10.2.226.41
10.2.224.36
建立Master到每一臺(tái)Slave的SSH受信證書。由于Master將會(huì)通過(guò)SSH啟動(dòng)所有Slave的Hadoop，所以需要建立單向或者雙向證書保證命令執(zhí)行時(shí)不需要再輸入密碼。在Master和所有的Slave機(jī)器上執(zhí)行：ssh-keygen -t rsa。執(zhí)行此命令的時(shí)候，看到提示只需要回車。然后就會(huì)在/root/.ssh/下面產(chǎn)生id_rsa.pub的證書文件，通過(guò)scp將Master機(jī)器上的這個(gè)文件拷貝到Slave上（記得修改名稱），例如：scp root@masterIP:/root/.ssh/id_rsa.pub /root/.ssh/46_rsa.pub，然后執(zhí)行cat /root/.ssh/46_rsa.pub >>/root/.ssh/authorized_keys，建立authorized_keys文件即可，可以打開(kāi)這個(gè)文件看看，也就是rsa的公鑰作為key，user@IP作為value。此時(shí)可以試驗(yàn)一下，從master ssh到slave已經(jīng)不需要密碼了。由slave反向建立也是同樣。為什么要反向呢？其實(shí)如果一直都是Master啟動(dòng)和關(guān)閉的話那么沒(méi)有必要建立反向，只是如果想在Slave也可以關(guān)閉Hadoop就需要建立反向。
將Master上的Hadoop通過(guò)scp拷貝到每一個(gè)Slave相同的目錄下，根據(jù)每一個(gè)Slave的Java_HOME的不同修改其hadoop-env.sh。
修改Master上/etc/profile：
新增以下內(nèi)容：（具體的內(nèi)容根據(jù)你的安裝路徑修改，這步只是為了方便使用）
export PATH=$PATH:$HADOOP_HOME/bin
在Master上執(zhí)行Hadoop namenode –format，這是第一需要做的初始化，可以看作格式化吧，以后除了在上面我提到過(guò)刪除了Master上的hadoop.tmp.dir目錄，否則是不需要再次執(zhí)行的。
然后執(zhí)行Master上的start-all.sh，這個(gè)命令可以直接執(zhí)行，因?yàn)樵?中已經(jīng)添加到了path路徑，這個(gè)命令是啟動(dòng)hdfs和mapreduce兩部分，當(dāng)然你也可以分開(kāi)單獨(dú)啟動(dòng)hdfs和mapreduce，分別是bin目錄下的start-dfs.sh和start-mapred.sh。
檢查Master的logs目錄，看看Namenode日志以及JobTracker日志是否正常啟動(dòng)。
檢查Slave的logs目錄看看Datanode日志以及TaskTracker日志是否正常。
如果需要關(guān)閉，那么就直接執(zhí)行stop-all.sh即可。
以上步驟就可以啟動(dòng)Hadoop的分布式環(huán)境，然后在Master的機(jī)器進(jìn)入Master的安裝目錄，執(zhí)行hadoop jar hadoop-0.17.1-examples.jar wordcount輸入路徑和輸出路徑，就可以看到字?jǐn)?shù)統(tǒng)計(jì)的效果了。此處的輸入路徑和輸出路徑都指的是HDFS中的路徑，因此你可以首先通過(guò)拷貝本地文件系統(tǒng)中的目錄到HDFS中的方式來(lái)建立HDFS中的輸入路徑：
hadoop dfs -copyFromLocal /home/wenchu/test-in test-in。其中/home/wenchu/test-in是本地路徑，test-in是將會(huì)建立在HDFS中的路徑，執(zhí)行完畢以后可以通過(guò)hadoop dfs –ls看到test-in目錄已經(jīng)存在，同時(shí)可以通過(guò)hadoop dfs –ls test-in查看里面的內(nèi)容。輸出路徑要求是在HDFS中不存在的，當(dāng)執(zhí)行完那個(gè)demo以后，就可以通過(guò)hadoop dfs –ls 輸出路徑看到其中的內(nèi)容，具體文件的內(nèi)容可以通過(guò)hadoop dfs –cat文件名稱來(lái)查看。
經(jīng)驗(yàn)總結(jié)和注意事項(xiàng)（這部分是我在使用過(guò)程中花了一些時(shí)間走的彎路）：
Master和Slave上的幾個(gè)conf配置文件不需要全部同步，如果確定都是通過(guò)Master去啟動(dòng)和關(guān)閉，那么Slave機(jī)器上的配置不需要去維護(hù)。但如果希望在任意一臺(tái)機(jī)器都可以啟動(dòng)和關(guān)閉Hadoop，那么就需要全部保持一致了。
Master和Slave機(jī)器上的/etc/hosts中必須把集群中機(jī)器都配置上去，就算在各個(gè)配置文件中使用的是IP。這個(gè)吃過(guò)不少苦頭，原來(lái)以為如果配成IP就不需要去配置Host，結(jié)果發(fā)現(xiàn)在執(zhí)行Reduce的時(shí)候總是卡住，在拷貝的時(shí)候就無(wú)法繼續(xù)下去，不斷重試。另外如果集群中如果有兩臺(tái)機(jī)器的機(jī)器名如果重復(fù)也會(huì)出現(xiàn)問(wèn)題。
如果在新增了節(jié)點(diǎn)或者刪除節(jié)點(diǎn)的時(shí)候出現(xiàn)了問(wèn)題，首先就去刪除Slave的hadoop.tmp.dir，然后重新啟動(dòng)試試看，如果還是不行那就干脆把Master的hadoop.tmp.dir刪除（意味著dfs上的數(shù)據(jù)也會(huì)丟失），如果刪除了Master的hadoop.tmp.dir，那么就需要重新namenode –format。
Map任務(wù)個(gè)數(shù)以及Reduce任務(wù)個(gè)數(shù)配置。前面分布式文件系統(tǒng)設(shè)計(jì)提到一個(gè)文件被放入到分布式文件系統(tǒng)中，會(huì)被分割成多個(gè)block放置到每一個(gè)的DataNode上，默認(rèn)dfs.block.size應(yīng)該是64M，也就是說(shuō)如果你放置到HDFS上的數(shù)據(jù)小于64，那么將只有一個(gè)Block，此時(shí)會(huì)被放置到某一個(gè)DataNode中，這個(gè)可以通過(guò)使用命令：hadoop dfsadmin –report就可以看到各個(gè)節(jié)點(diǎn)存儲(chǔ)的情況。也可以直接去某一個(gè)DataNode查看目錄：hadoop.tmp.dir/dfs/da
總的來(lái)說(shuō)出了問(wèn)題或者啟動(dòng)的時(shí)候最好去看看日志，這樣心里有底。
Hadoop中的命令（Command）總結(jié)
這部分內(nèi)容其實(shí)可以通過(guò)命令的Help以及介紹了解，我主要側(cè)重于介紹一下我用的比較多的幾個(gè)命令。Hadoop dfs 這個(gè)命令后面加參數(shù)就是對(duì)于HDFS的操作，和Linux操作系統(tǒng)的命令很類似，例如：
Hadoop dfs –ls就是查看/usr/root目錄下的內(nèi)容，默認(rèn)如果不填路徑這就是當(dāng)前用戶路徑；
Hadoop dfs –rmr xxx就是刪除目錄，還有很多命令看看就很容易上手；
Hadoop dfsadmin –report這個(gè)命令可以全局的查看DataNode的情況；
Hadoop job后面增加參數(shù)是對(duì)于當(dāng)前運(yùn)行的Job的操作，例如list,kill等；
Hadoop balancer就是前面提到的均衡磁盤負(fù)載的命令。
其他就不詳細(xì)介紹了。
Hadoop基本流程
根據(jù)流程圖來(lái)說(shuō)一下具體一個(gè)任務(wù)執(zhí)行的情況。
在分布式環(huán)境中客戶端創(chuàng)建任務(wù)并提交。
InputFormat做Map前的預(yù)處理，主要負(fù)責(zé)以下工作：
驗(yàn)證輸入的格式是否符合JobConfig的輸入定義，這個(gè)在實(shí)現(xiàn)Map和構(gòu)建Conf的時(shí)候就會(huì)知道，不定義可以是Writable的任意子類。
將input的文件切分為邏輯上的輸入InputSplit，其實(shí)這就是在上面提到的在分布式文件系統(tǒng)中blocksize是有大小限制的，因此大文件會(huì)被劃分為多個(gè)block。
通過(guò)RecordReader來(lái)再次處理inputsplit為一組records，輸出給Map。（inputsplit只是邏輯切分的第一步，但是如何根據(jù)文件中的信息來(lái)切分還需要RecordReader來(lái)實(shí)現(xiàn)，例如最簡(jiǎn)單的默認(rèn)方式就是回車換行的切分）
RecordReader處理后的結(jié)果作為Map的輸入，Map執(zhí)行定義的Map邏輯，輸出處理后的key和value對(duì)應(yīng)到臨時(shí)中間文件。
Combiner可選擇配置，主要作用是在每一個(gè)Map執(zhí)行完分析以后，在本地優(yōu)先作Reduce的工作，減少在Reduce過(guò)程中的數(shù)據(jù)傳輸量。
Partitioner可選擇配置，主要作用是在多個(gè)Reduce的情況下，指定Map的結(jié)果由某一個(gè)Reduce處理，每一個(gè)Reduce都會(huì)有單獨(dú)的輸出文件。（后面的代碼實(shí)例中有介紹使用場(chǎng)景）
Reduce執(zhí)行具體的業(yè)務(wù)邏輯，并且將處理結(jié)果輸出給OutputFormat。
OutputFormat的職責(zé)是，驗(yàn)證輸出目錄是否已經(jīng)存在，同時(shí)驗(yàn)證輸出結(jié)果類型是否如Config中配置，最后輸出Reduce匯總后的結(jié)果。
業(yè)務(wù)場(chǎng)景和代碼范例
業(yè)務(wù)場(chǎng)景描述：可設(shè)定輸入和輸出路徑（操作系統(tǒng)的路徑非HDFS路徑），根據(jù)訪問(wèn)日志分析某一個(gè)應(yīng)用訪問(wèn)某一個(gè)API的總次數(shù)和總流量，統(tǒng)計(jì)后分別輸出到兩個(gè)文件中。這里僅僅為了測(cè)試，沒(méi)有去細(xì)分很多類，將所有的類都?xì)w并于一個(gè)類便于說(shuō)明問(wèn)題。
?
測(cè)試代碼類圖
LogAnalysiser就是主類，主要負(fù)責(zé)創(chuàng)建、提交任務(wù)，并且輸出部分信息。內(nèi)部的幾個(gè)子類用途可以參看流程中提到的角色職責(zé)。具體地看看幾個(gè)類和方法的代碼片斷：
LogAnalysiser::MapClass
implements Mapper<LongWritable, Text, Text, LongWritable>
{
public void map(LongWritable key, Text value, OutputCollector<Text, LongWritable> output, Reporter reporter)
throws IOException
{
String line = value.toString();//沒(méi)有配置RecordReader，所以默認(rèn)采用line的實(shí)現(xiàn)，key就是行號(hào)，value就是行內(nèi)容
if (line == null || line.equals(""))
return;
String[] words = line.split(",");
if (words == null || words.length < 8)
return;
String appid = words[1];
String apiName = words[2];
LongWritable recbytes = new LongWritable(Long.parseLong(words[7]));
Text record = new Text();
record.set(new StringBuffer("flow::").append(appid)
.append("::").append(apiName).toString());
reporter.progress();
output.collect(record, recbytes);//輸出流量的統(tǒng)計(jì)結(jié)果，通過(guò)flow::作為前綴來(lái)標(biāo)示。
record.clear();
record.set(new StringBuffer("count::").append(appid).append("::").append(apiName).toString());
output.collect(record, new LongWritable(1));//輸出次數(shù)的統(tǒng)計(jì)結(jié)果，通過(guò)count::作為前綴來(lái)標(biāo)示
}
}
LogAnalysiser:: PartitionerClass
{
public int getPartition(Text key, LongWritable value, int numPartitions)
{
if (numPartitions >= 2)//Reduce 個(gè)數(shù)，判斷流量還是次數(shù)的統(tǒng)計(jì)分配到不同的Reduce
if (key.toString().startsWith("flow::"))
return 0;
else
return 1;
else
return 0;
}
public void configure(JobConf job){}
}
LogAnalysiser:: CombinerClass
參看ReduceClass，通常兩者可以使用一個(gè)，不過(guò)這里有些不同的處理就分成了兩個(gè)。在ReduceClass中藍(lán)色的行表示在CombinerClass中不存在。
LogAnalysiser:: ReduceClass
implements Reducer<Text, LongWritable,Text, LongWritable>
{
public void reduce(Text key, Iterator<LongWritable> values,
OutputCollector<Text, LongWritable> output, Reporter reporter)throws IOException
{
Text newkey = new Text();
newkey.set(key.toString().substring(key.toString().indexOf("::")+2));
LongWritable result = new LongWritable();
long tmp = 0;
int counter = 0;
while(values.hasNext())//累加同一個(gè)key的統(tǒng)計(jì)結(jié)果
{
tmp = tmp + values.next().get();
counter = counter +1;//擔(dān)心處理太久，JobTracker長(zhǎng)時(shí)間沒(méi)有收到報(bào)告會(huì)認(rèn)為TaskTracker已經(jīng)失效，因此定時(shí)報(bào)告一下
if (counter == 1000)
{
counter = 0;
reporter.progress();
}
}
result.set(tmp);
output.collect(newkey, result);//輸出最后的匯總結(jié)果
}
}
LogAnalysiser
{
try
{
run(args);
} catch (Exception e)
{
e.printStackTrace();
}
}
public static void run(String[] args) throws Exception
{
if (args == null || args.length <2)
{
System.out.println("need inputpath and outputpath");
return;
}
String inputpath = args[0];
String outputpath = args[1];
String shortin = args[0];
String shortout = args[1];
if (shortin.indexOf(File.separator) >= 0)
shortin = shortin.substring(shortin.lastIndexOf(File.separator));
if (shortout.indexOf(File.separator) >= 0)
shortout = shortout.substring(shortout.lastIndexOf(File.separator));
SimpleDateFormat formater = new SimpleDateFormat("yyyy.MM.dd");
shortout = new StringBuffer(shortout).append("-")
.append(formater.format(new Date())).toString();
if (!shortin.startsWith("/"))
shortin = "/" + shortin;
if (!shortout.startsWith("/"))
shortout = "/" + shortout;
shortin = "/user/root" + shortin;
shortout = "/user/root" + shortout;
File inputdir = new File(inputpath);
File outputdir = new File(outputpath);
if (!inputdir.exists() || !inputdir.isDirectory())
{
System.out.println("inputpath not exist or isn't dir!");
return;
}
if (!outputdir.exists())
{
new File(outputpath).mkdirs();
}
JobConf conf = new JobConf(new Configuration(),LogAnalysiser.class);//構(gòu)建Config
FileSystem fileSys = FileSystem.get(conf);
fileSys.copyFromLocalFile(new Path(inputpath), new Path(shortin));//將本地文件系統(tǒng)的文件拷貝到HDFS中
conf.setJobName("analysisjob");
conf.setOutputKeyClass(Text.class);//輸出的key類型，在OutputFormat會(huì)檢查
conf.setOutputValueClass(LongWritable.class); //輸出的value類型，在OutputFormat會(huì)檢查
conf.setMapperClass(MapClass.class);
conf.setCombinerClass(CombinerClass.class);
conf.setReducerClass(ReduceClass.class);
conf.setPartitionerClass(PartitionerClass.class);
conf.set("mapred.reduce.tasks", "2");//強(qiáng)制需要有兩個(gè)Reduce來(lái)分別處理流量和次數(shù)的統(tǒng)計(jì)
FileInputFormat.setInputPaths(conf, shortin);//hdfs中的輸入路徑
FileOutputFormat.setOutputPath(conf, new Path(shortout));//hdfs中輸出路徑
Date startTime = new Date();
System.out.println("Job started: " + startTime);
JobClient.runJob(conf);
Date end_time = new Date();
System.out.println("Job ended: " + end_time);
System.out.println("The job took " + (end_time.getTime() - startTime.getTime()) /1000 + " seconds.");
//刪除輸入和輸出的臨時(shí)文件
fileSys.copyToLocalFile(new Path(shortout),new Path(outputpath));
fileSys.delete(new Path(shortin),true);
fileSys.delete(new Path(shortout),true);
}
以上的代碼就完成了所有的邏輯性代碼，然后還需要一個(gè)注冊(cè)驅(qū)動(dòng)類來(lái)注冊(cè)業(yè)務(wù)Class為一個(gè)可標(biāo)示的命令，讓hadoop jar可以執(zhí)行。
public static void main(String argv[]){
ProgramDriver pgd = new ProgramDriver();
try {
pgd.addClass("analysislog", LogAnalysiser.class, "A map/reduce program that analysis log .");
pgd.driver(argv);
}
catch(Throwable e){
e.printStackTrace();
}
}
}
將代碼打成jar，并且設(shè)置jar的mainClass為ExampleDriver這個(gè)類。在分布式環(huán)境啟動(dòng)以后執(zhí)行如下語(yǔ)句：
在/home/wenchu/test-in中是需要分析的日志文件，執(zhí)行后就會(huì)看見(jiàn)整個(gè)執(zhí)行過(guò)程，包括了Map和Reduce的進(jìn)度。執(zhí)行完畢會(huì)在/home/wenchu/test-out下看到輸出的內(nèi)容。有兩個(gè)文件：part-00000和part-00001分別記錄了統(tǒng)計(jì)后的結(jié)果。 如果需要看執(zhí)行的具體情況，可以看在輸出目錄下的_logs/history/xxxx_analysisjob，里面羅列了所有的Map，Reduce的創(chuàng)建情況以及執(zhí)行情況。在運(yùn)行期也可以通過(guò)瀏覽器來(lái)查看Map,Reduce的情況：http://MasterIP:50030/jobtracker.jsp
Hadoop集群測(cè)試
首先這里使用上面的范例作為測(cè)試，也沒(méi)有做太多的優(yōu)化配置，這個(gè)測(cè)試結(jié)果只是為了看看集群的效果，以及一些參數(shù)配置的影響。
文件復(fù)制數(shù)為1，blocksize 5M
| Slave數(shù) | 處理記錄數(shù)(萬(wàn)條) | 執(zhí)行時(shí)間（秒） |
| 2 | 95 | 38 |
| 2 | 950 | 337 |
| 4 | 95 | 24 |
| 4 | 950 | 178 |
| 6 | 95 | 21 |
| 6 | 950 | 114 |
Blocksize 5M
| Slave數(shù) | 處理記錄數(shù)(萬(wàn)條) | 執(zhí)行時(shí)間（秒） |
| 2（文件復(fù)制數(shù)為1） | 950 | 337 |
| 2（文件復(fù)制數(shù)為3） | 950 | 339 |
| 6（文件復(fù)制數(shù)為1） | 950 | 114 |
| 6（文件復(fù)制數(shù)為3） | 950 | 117 |
文件復(fù)制數(shù)為1
| Slave數(shù) | 處理記錄數(shù)(萬(wàn)條) | 執(zhí)行時(shí)間（秒） |
| 6(blocksize 5M) | 95 | 21 |
| 6(blocksize 77M) | 95 | 26 |
| 4(blocksize 5M) | 950 | 178 |
| 4(blocksize 50M) | 950 | 54 |
| 6(blocksize 5M) | 950 | 114 |
| 6(blocksize 50M) | 950 | 44 |
| 6(blocksize 77M) | 950 | 74 |
測(cè)試的數(shù)據(jù)結(jié)果很穩(wěn)定，基本測(cè)幾次同樣條件下都是一樣。通過(guò)測(cè)試結(jié)果可以看出以下幾點(diǎn)：
機(jī)器數(shù)對(duì)于性能還是有幫助的（等于沒(méi)說(shuō)^_^）。
文件復(fù)制數(shù)的增加只對(duì)安全性有幫助，但是對(duì)于性能沒(méi)有太多幫助。而且現(xiàn)在采取的是將操作系統(tǒng)文件拷貝到HDFS中，所以備份多了，準(zhǔn)備的時(shí)間很長(zhǎng)。
blocksize對(duì)于性能影響很大，首先如果將block劃分的太小，那么將會(huì)增加job的數(shù)量，同時(shí)也增加了協(xié)作的代價(jià)，降低了性能，但是配置的太大也會(huì)讓job不能最大化并行處理。所以這個(gè)值的配置需要根據(jù)數(shù)據(jù)處理的量來(lái)考慮。
最后就是除了這個(gè)表里面列出來(lái)的結(jié)果，應(yīng)該去仔細(xì)看輸出目錄中的_logs/history中的xxx_analysisjob這個(gè)文件，里面記錄了全部的執(zhí)行過(guò)程以及讀寫情況。這個(gè)可以更加清楚地了解哪里可能會(huì)更加耗時(shí)。
隨想
“云計(jì)算”熱的燙手，就和SAAS、Web2及SNS等一樣，往往都是在搞概念，只有真正踏踏實(shí)實(shí)的大型互聯(lián)網(wǎng)公司，才會(huì)投入人力物力去研究符合自己的分布式計(jì)算。其實(shí)當(dāng)你的數(shù)據(jù)量沒(méi)有那么大的時(shí)候，這種分布式計(jì)算也就僅僅只是一個(gè)玩具而已，只有在真正解決問(wèn)題的過(guò)程中，它深層次的問(wèn)題才會(huì)被挖掘出來(lái)。
這三篇文章（分布式計(jì)算開(kāi)源框架Hadoop介紹，Hadoop中的集群配置和使用技巧）僅僅是為了給對(duì)分布式計(jì)算有興趣的朋友拋個(gè)磚，要想真的掘到金子，那么就踏踏實(shí)實(shí)的去用、去想、去分析。或者自己也會(huì)更進(jìn)一步地去研究框架中的實(shí)現(xiàn)機(jī)制，在解決自己?jiǎn)栴}的同時(shí)，也能夠貢獻(xiàn)一些什么。
前幾日看到有人跪求成為架構(gòu)師的方式，看了有些可悲，有些可笑，其實(shí)有多少架構(gòu)師知道什么叫做架構(gòu)？架構(gòu)師的職責(zé)是什么？與其追求這么一個(gè)名號(hào)，還不如踏踏實(shí)實(shí)地做塊石頭沉到水底。要知道，積累和沉淀的過(guò)程就是一種成長(zhǎng)。
原文地址：http://stonexmx.blog.163.com/blog/static/12215858720100291223443/
總結(jié)
以上是生活随笔為你收集整理的分布式计算开源框架Hadoop入门实践的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 求助：我的淘宝小号一登陆就要求实名认证，
- 下一篇： Apache模块开发helloworld