浅谈Hadoop

Hadoop是一个十分流行的分布式存储和计算框架，也是业内大数据处理和分析最通用的框架之一。

hadoop_icon.png

Hadoop2.0 由HDFS（Hadoop Distributed File System）、MapReduce和Yarn三部分组成。
Hadoop的设计原型来源于google的三篇论文，即GFS、MapReduce和BigTable,同时作为Lucene的子项目Nutch的一部分在2005年引入Apache,Hadoop的得名是Hadoop之父Doug Cutting儿子的玩具，值得一提的是他的妻子叫Lucene。
Hadoop生态

hbase生态.png

"永远不把鸡蛋放在一个篮子里"——HDFS

在分布式的文件系统之前，往往使用大型机和存储服务器去做存储，无论大型机和存储服务器都是十分昂贵的，同时也是有瓶颈的，横向扩展能力很差。而分布式文件系统的横向扩展能力以及容错性十分好，也越来越受到人们的青睐。HDFS的定位是用比较廉价的机器，做高可用的海量数据的存储。主要采用多副本的分块存储机制，在部分机器宕机或数据损坏的情况下，依然能提供可靠服务。

1. 集群拓扑

hdfs.jpg

• NameNode:文件元数据存储节点，Hadoop1中存在单点问题，Hadoop2中通过备用节点实现高可用，同时有元数据存储瓶颈，不适于存储小文件。

• DataNode:数据节点，单文件被分成多块，每一块多副本跨机架、机房存储，保证数据的高可用。

• Block:文件的存储单位，单个文件可被分成多块，默认为128M。同时也是MapReduce默认的输入块大小。
  文件读取流程：

hdfsread.png

open DistributedFileSystem 去NameNode获取文件的块列表，NameNode根据Client距离各节点的网络距离给出Block列表。
根据Block列表去一次读取文件，读取后在Client进行文件汇总。

1. 写入流程：

hdfs_write.png

• 实例化DistributeFileSystem，在NameNode进行写文件的申请，申请成功后创建元数据，并返回数据存放的位置信息。

• 过位置信息，对DataNode进行流式写入，将数据分成多个数据包，作为一个数据队列。写入时每次取一个数据包,写入全部副本,且三个节点均写入成功，则返回ACK信号表名当前buff写入成功，Client内部维护着数据包的Ack队列，收到Ack之后会移除这个数据包。

• 最后想NameNode发送Complete信号，确认文件写入全部成功。
  如果中途节点写失败：写入部分数据的节点将在管线中移除，同时后续恢复正常后会删除这部分数据。随后写入后续两个节点，原则上写入一个块的时候就可以写成功，因为namenode发现数据不一致会做复制操作。

"分而治之"——MapReduce###

分布式计算出现之前，数据的计算往往依靠性能比较好的单机计算。但是单机受限于本身的计算资源，往往计算速度都不如人意。
一天小明接到产品的一个需求：
产品：小明啊，这里有一天的日志信息，大概5个G，我要统计一下一共有多少。
小明：OK啊，就5个G，一个shell搞定，看我 cat * | wc -l，我简直就是个天才。
产品：对不起啊小明，需求变了，一天的看不出来效果，我需要统计1个月的数据，大概有150G。
小明：有点大啊，不怕，我线上服务器内存120G，40核，看我用多线程搞定，过了2个小时，终于搞 定了还有点费劲。
产品：我保证这是我最后一次变更需求，我想要最近一年的数据1800G左右。
小明：数据上T了，搞不定了啊。
上面的例子告诉我们，在大数量的场景下，高性能的单机有时也是解决不了问题。所以我们就需要MapReduce帮助我们。


MapReduce是一种采用分治和规约的一种并行的批处理框架，先将数据做分割计算，最后汇总结果。看上去和多线程的处理机制一样，但是Hadoop将它封装在了框架中，编程十分简单，吞吐量十分高，目前支持Java、C++、Python等多种API编程。
１.MapReduce运行模型总体概览:

mapreduceAllGraph.png

• InputSplit： InputSplit是单个map任务的输入文件片，默认文件的一个block。

• Map函数：数据处理逻辑的主体，用开发者开发。

• Partition：map的结果发送到相应的reduce。

• Combain：reduce之前进行一次预合并，减小网络IO。当然，部分场景不适合。

• Shuffle：map输出数据按照Partition分发到各个reduce。

*reduce：将不同map汇总来的数据做reduce逻辑。

２.多reduce：

datatrans.png

３.经典wordcount：

wordcountdatatrans.png

mapreducedataStream.png

４.Map类的实现:

• 必须继承org.apache.hadoop.mapreduce.Mapper 类

• map()函数,对于每一个输入K/V都会调用一次map函数，逻辑实现(必须)。

• setup()函数,在task开始前调用一次，做maptask的一些初始化工作，如连接数据库、加载配置(可选)。

• cleanup()函数,在task结束前调用一次，做maptask的收尾清理工作,如批处理的收尾，关闭连接等（可选）

• Context上下文环境对象，包含task相关的配置、属性和状态等。

5.Reduce类的实现:

• 必须继承org.apache.hadoop.mapreduce.Reducer类。

• reduce(key, Iterable<>values,Context context)对于每一个key值调用一次reduce函数。

• setup():在task开始前调用一次，做reducetask的一些初始化工作。

• cleanup()：在task结束时调用一次，做reducetask的收尾清理工作。

6.作业整体配置:

• 参数解析:String[]otherArgs= new GenericOptionsParser(conf, args).getRemainingArgs();

• 创建job: Jobjob= Job.getInstance(conf, "word count");

• 设置map类，reduce类。

• 设置map和reduce输出的KV类型，二者输出类型一致的话则可以只设置Reduce的输出类型。

• 设置reduce的个数 :默认为1，综合考虑，建议单个reduce处理数据量<10G。不想启用reduce设置为0即可。

• 设置InputFormat

• 设置OutputFormat

• 设置输入，输出路径。

• job.waitForCompletion(true) (同步提交)和job.submit()(异步提交)

wordcount：
public class WordCountTask { private static final Logger logger = Logger.getLogger(WordCountTask.class); public static class WordCountMap extends Mapper{ private static final IntWritable one = new IntWritable(1); private Text word = new Text(); @Override protected void cleanup(Context context) throws IOException, InterruptedException { logger.info("mapTaskEnd....."); } protected void map(Object key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { this.word.set(itr.nextToken()); context.write(this.word, one); } } protected void setup(Context context) throws IOException, InterruptedException { logger.info("mapTaskStart....."); } } public static class WordCountReduce extends Reducer{ private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } this.result.set(sum); context.write(key, this.result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length < 2) { System.err.println("Usage: wordcount [...] "); System.exit(2); } Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCountTask.class); job.setMapperClass(WordCountMap.class); job.setReducerClass(WordCountReduce.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileSystem fs = FileSystem.get(conf); for (int i = 0; i < otherArgs.length - 1; i++) { FileInputFormat.addInputPath(job, new Path(otherArgs[i])); } if(fs.exists(new Path(otherArgs[otherArgs.length - 1]))){ fs.delete(new Path(otherArgs[otherArgs.length - 1])); } FileOutputFormat.setOutputPath(job, new Path(otherArgs[(otherArgs.length - 1)])); job.setNumReduceTasks(1); System.exit(job.waitForCompletion(true) ? 0 : 1); } }

6.提交：
​hadoop jar hadoop-examples.jar demo.wordcount(主类名) Dmapreduce.job.queuename=XX(系统参数) input output
​缺点：无定时调度

7. 常用的InputFormat:

• TextInputFormat key:行偏移 value:文本内容，split计算：splitSize=max("mapred.min.split.size",min("mapred.max.split.size",blockSize)) mapred.min.split.size 在大量文本输入的情况下，需要控制map的数量，可以调此选项。

• CombineTextInputFormat（集群默认），多个小文件分片送到一个map中处理，主要解决多个小文件消耗map资源的问题。

• sequenceFileInputFormat，采用自己的序列化方式，通常文件名为key，value为文件内容，可在存储上解决小文件对namenode的影响。