Hadoop编程入门

12年前

原文地址:http://blog.csdn.net/calvinxiu/archive/2007/02/09/1506112.aspx

Hadoop 是Google MapReduce的 一个Java 实现。MapReduce是一种简化的分布式编程模式,让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同java程序员可以不考虑内存泄 露一样, MapReduce的 run-time系统会解决输入数据的分布细节,跨越机器集群的程序执行调度,处理机器的失效,并且管理机器之间的通讯请求。这样的模式允许程序员可以不 需要有什么并发处理或者分布式系统的经验,就可以处理超大的分布式系统得资源。

一、概论

作为Hadoop程序员,他要做的事情就是:

  1. 定义Mapper,处理输入的Key-Value对,输出中间结果。
  2. 定义Reducer,可选,对中间结果进行规约,输出最终结果。
  3. 定义InputFormat 和OutputFormat, 可选,InputFormat将 每行输入文件的内容转换为Java类供Mapper函数使用,不定义时默认为String。
  4. 定义main函数,在里面定义一个Job并运行它。 然后的事情就交给系统了。
  • 基 本概念:Hadoop的HDFS实现了google的GFS文件系统,NameNode作 为文件系统的负责调度运行在master,DataNode运 行在每个机器上。同时Hadoop实现了Google的MapReduce,JobTracker作 为MapReduce的 总调度运行在master,TaskTracker则 运行在每个机器上执行Task。
  • main()函数,创建JobConf, 定义Mapper,Reducer,Input/OutputFormat 和输入输出文件目录,最后把Job提交給JobTracker, 等待Job结束。
  • JobTracker, 创建一个InputFormat的 实例,调用它的getSplits()方法,把输入目录的文件拆分成FileSplist作 为Mapper task 的输入,生成Mapper task加入Queue。 TaskTracker 向 JobTracker索 求下一个Map/Reduce。
  • Mapper Task先从InputFormat创 建RecordReader, 循环读入FileSplits的 内容生成Key与Value,传给Mapper函数,处理完后中间结果写成SequenceFile. Reducer Task 从运行Mapper的TaskTracker的 Jetty上使用http协议获取所需的中间内容(33%),Sort/Merge后(66%),执行Reducer函数,最后按照 OutputFormat写 入结果目录。
  • TaskTracker 每10秒向JobTracker报 告一次运行情况,每完成一个Task10秒后,就会向JobTracker索 求下一个Task。

Nutch项目的全部数据处理都构建在Hadoop之上,详见Scalable Computing with Hadoop

二、程序员编写的代码

我们做一个简单的分布式的Grep,简单对输入文件进行逐行的正则匹配,如果符合就将该行打印到输出文件。因为是简单的全部输出,所以我 们只要写Mapper函数,不用写Reducer函数,也不用定义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 类 的configure()函数接受由main函数传入的查找字符串,map() 函数进行正则匹配,key是行数,value是文件行的内容,符合的文件行放入中间结果。 main()函数定义由命令行参数传入的输入输出目录和匹配字符串,Mapper函数为RegMapper类,Reduce 函数是什么都不做,直接把中间结果输出到最终结果的的IdentityReducer类, 运行Job。整个代码非常简单,丝毫没有分布式编程的任何细节。

三. 运行Hadoop程序

    Hadoop这方面的文档写得不全面,综合参考GettingStartedWithHadoop与Nutch Hadoop Tutorial 两篇后,再碰了很多钉子才终于完整的跑起来了,记录如下:

3.1 local运行模式

  • 完 全不进行任何分布式计算,不动用任何namenode,datanode的做法,适合 一开始做调试代码。 解压hadoop,其中conf目录是配置目 录,hadoop的配置文件在hadoop-default.xml,如果要修改配置,不是直接修改该文件,而是修改hadoop-site.xml,将 该属性在hadoop-site.xml里重新赋值。 hadoop- default.xml的默认配置已经是local运行,不用任何修改,配置目录里唯一必须修改的是hadoop-env.sh 里JAVA_HOME的位置。

  • 将编译好的HadoopGrep与RegMapper.class 放入hadoop/build/classes/demo/hadoop/目录 找一个比较大的log文件放入一个目录,然后运行hadoop / bin / hadoop demo.hadoop.HadoopGrep log文件所在目录任意的输出目录grep的字符串

  • 查看输出目录的结果,查看hadoop/logs/里的运行日志。 在重新运行前,先删掉输出目录。

3.2 单机集群运行模式

现在来搞一下只有单机的集群.假设以完成3.1中的设置,本机名为 hadoopserver

1.修改hadoop-site.xml ,加入如下内容:

< property >  < name > fs.default.name </ name > < value > hadoopserver:9000 </ value >  </ property > < property >  < name > mapred.job.tracker </ name > < value > hadoopserver:9001 </ value >  </ property > < property >  < name > dfs.replication </ name > < value > 1 </ value >  </ property >

        从 此就将运行从local文件系统转向了hadoop的hdfs系 统,mapreduce的jobtracker也从local的进程内操作变成了分布式的任务系统,9000,9001两个端口号是随便选择的两个空余端 口号。另外,如果你的/tmp目录不够大,可能还要修改hadoop.tmp.dir属性。

2. 增加ssh不输入密码即可登陆。因为Hadoop需要不用输入密码的ssh来进行调度,在不su的状态下,在自己的 home目录运行ssh-keygen -t rsa ,然后一路回车生成密钥,再进入.ssh目录,cp id_rsa.pub authorized_keys 详细可以man 一下ssh, 此时执行ssh hadoopserver,不需要输入任何密码就能进入了。
3.格式化namenode,执行 bin/hadoop namenode -format
4.启动Hadoop,执行hadoop/bin /start-all.sh, 在本机启动namenode,datanode,jobtracker,tasktracker
5. 现在将待查找的log文件放入hdfs,执行hadoop/bin/hadoop dfs 可以看到它所支持的文件操作指令。 执行hadoop/bin/hadoop dfs put log文件所在目录 in ,则log文件目录已放入hdfs的/user/user-name/in 目录中
6. 现在来执行Grep操作,hadoop/bin/hadoop demo.hadoop.HadoopGrep in out 查看hadoop/logs/里的运行日志,重新执行前。运行hadoop/bin/hadoop dfs rmr out 删除out目录。
7.运行hadoop/bin/stop-all.sh 结束
 

3.3 集群运行模式

假设已执行完3.2的配置,假设第2台机器名是hadoopserver2

  1. 创建与hadoopserver同样的执行用户,将hadoop解压到相同的目 录。

  2. 同样的修改haoop-env.sh中的 JAVA_HOME 及修改与3.2同样的hadoop-site.xml

  3. 将 hadoopserver中的/home/username/.ssh/authorized_keys 复制到hadoopserver2,保证hadoopserver可以无需密码登陆hadoopserver2

  4. 修改hadoop-server的hadoop/conf/slaves文件, 增加集群的节点,将localhost改为hadoop-server hadoop-server2

  5. 在 hadoop-server执行 hadoop/bin/start-all.sh,将会在hadoop-server启动 namenode,datanode,jobtracker,tasktracker;在hadoop-server2启动datanode 和tasktracker

  6. 现在来执行Grep操作:hadoop/bin/hadoop demo.hadoop.HadoopGrep in out

  7. 重新执行前,运行hadoop/bin/hadoop dfs rmr out 删除out目录

  8. 运行 hadoop/bin/stop-all.sh 结束。
    scp /home/username/.ssh/authorized_keys username@hadoopserver2:/home/username/.ssh/authorized_keys

四、效率

经 测试,Hadoop并不是万用灵丹,很取决于文件的大小和数量,处理的复杂度以及群集 机器的数量,相连的带宽,当以上四者并不大时,hadoop优势并不明显。 比 如,不用hadoop用java写的简单grep函数处理100M的log文件只要4秒,用了hadoop local的方式运行是14秒,用了hadoop单机集群的方式是30秒,用双机集群10M网口的话更慢,慢到不好意思说出来的地步。