hadoop

hadoop使用案例

软件架构

hadoop 2.7.6

jdk 1.8

包含的案例

• 使用api对hdfs进行操作；
• 自定义InputFormat，实现对小文件优化；
• 自定义patition分区；
• map端表合并（Distributedcache），解决数据倾斜；
• 辅助排序和二次排序案例(GroupingComparator)；
• 日志清洗；
• 自定义OutputFormat，过滤日志及自定义日志输出路径；
• 官方wordcount自定义重写；

使用说明

bin/hadoop jar /opt/hadoop.jar com.honey.mapreduce.flowcount.FlowCount /user/root/input /user/root/output

MapReduce 核心知识点：

1、MapReduce核心思想：

• 1）分布式的运算程序往往需要分成至少2个阶段

• 2）第一个阶段的maptask并发实例，完全并行运行，互不相干

• 3）第二个阶段的reduce task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

• 4）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

2、InputFormat数据切片机制：

• FileInputFormat切片机制
• CombineTextInputFormat切片机制（小文件优化）
• 自定义InputFormat

3、Shuffle机制

• partition分区
• WritableComparable排序
• GroupingComparator分组（辅助排序）
• Combiner合并（局部汇总每一个maptask对输出，减少网络传输量）
• 数据倾斜&Distributedcache

4、其他原理：

• MapTask工作机制
• ReduceTask工作机制
• 自定义OutputFormat
• MapReduce数据压缩
• 数据清洗

5、Yarn工作机制

MapReduce开发总结

在编写mapreduce程序时，需要考虑的几个方面：

1.输入数据接口：InputFormat

• 默认使用的实现类是：TextInputFormat
• TextInputFormat的功能逻辑是：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
• CombineTextInputFormat可以把多个小文件合并成一个切片处理，提高处理效率。
• 用户还可以自定义InputFormat。

2.逻辑处理接口：Mapper

• 用户根据业务需求实现其中三个方法：map() setup() cleanup ()

3.Partitioner分区

• 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如果业务上有特别的需求，可以自定义分区。

4.Comparable排序

• 当我们用自定义的对象作为key来输出时，就必须要实现WritableComparable接口，重写其中的compareTo()方法。
• 部分排序：对最终输出的没一个文件进行内部排序。
• 全排序：对所有数据进行排序，通常只有一个Reduce。
• 二次排序：排序的条件有两个。

5.Combiner合并

• Combiner合并可以提高程序执行效率，减少io传输。但是使用时必须不能影响原有的业务处理结果。

6.reduce端分组：Groupingcomparator

• reduceTask拿到输入数据（一个partition的所有数据）后，首先需要对数据进行分组，其分组的默认原则是key相同，然后对每一组kv数据调用一次reduce()方法，并且将这一组kv中的第一个kv的key作为参数传给reduce的key，将这一组数据的value的迭代器传给reduce()的values参数。
• 利用上述这个机制，我们可以实现一个高效的分组取最大值的逻辑。
• 自定义一个bean对象用来封装我们的数据，然后改写其compareTo方法产生倒序排序的效果。然后自定义一个Groupingcomparator，将bean对象的分组逻辑改成按照我们的业务分组id来分组（比如订单号）。这样，我们要取的最大值就是reduce()方法中传进来key。

7.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 ()

8.输出数据接口：OutputFormat

• 默认实现类是TextOutputFormat，功能逻辑是：将每一个KV对向目标文本文件中输出为一行。
• 用户还可以自定义OutputFormat。