Hadoop进阶
地址：Hadoop进阶
源码地址：github
1 第一章 概述
hadoop的体系架构
块：
DataNode：
NameNode：
Secondary NameNode:
Hadoop1.X架构图
Hadoop 2.X
hadoop2.0以后版本移除了jobtracker tasktracker，改由Yarn平台的resourcemanager负责统一调配。
Yarn设计减少了jobtracker对系统资源的消耗，也减少了hadoop1.0单点故障问题。
2 第二章 深入探索MapReduce过程
2.1 WordCount实例回顾
1Split 2 Map 3 Shuffle 4 Reduce
1 Split阶段
2 Map阶段
输入：key 行号 value 一行值
输出：key 单词 value 1
3 Shuffle阶段
比较复杂，可以理解为map端的输出作为reduce端的输入过程，而且涉及到网络传输；
4 Reduce阶段
总结
2.2 从分片输入到Map
输入文件：
分片输入：
分片输入问题：
理想的输入文件：
由于NameNode内存有限，大量的小文件会给Hdfs带来性能上的问题；故Hdfs适合存放大文件，对于大量的小文件，可以采取 **压缩、合并小文件 **的优化策略。例如，设置文件输入类型为CombineFileInputFormat格式。
如何调整节点Map的任务的个数？
四个分片对应四个map任务
在实际情况下，map任务的个数是受多个条件的制约，一般一个DataNode的map任务数量控制在10到100比较合适。
一般操作如下：
- 增加map个数，可增大mapred.map.tasks;
- 减少map个数，可增大mapred.min.split.size;
- 如果要减少map个数，但有很多小文件，可将小文件合并成大文件，再使用准则2
2.3 Map---Shuffle---Reduce
1 本地优化-Combine
2 M-S-R
一、Combine的逻辑和reduce逻辑一致。故可以认为combine是对本地数据的reduce操作。
二、一个mapreduce作业中，一下三者的数量是相等的。
1）partitioner的数量
2）reduce任务的数量
3）最终输出文件的数量
三、一个reducer中，所有数据都会被按照key值升序排序，故如果part输出文件包含key值，则这个文件一定是有序的；
四、reducer任务数量
调整方式有二：
1）mapred.reduce.tasks
2)Java代码中job.setNumReduceTasks(int n)
2.4 总结
分片输入---split
本地合并---Combiner
Map---Shuffle---Reduce
3 第三章 Hadoop的分布式缓存
3.1 分布式缓存---DistributedCache
在执行MapReduce时，可能Mapper之间需要共享一些信息，如果信息量不大，可以将其从HDFS加载到内存中，这就是Hadoop分布式缓存机制。
例子：统计全量的单词文本中存在的单词，那么在Hadoop一开始就把全量的单词加载到内存中 ，然后对于输入的行单词，去在内存中查找，如果全局缓存中存在该单词，就输出；
如何使用DistributedCached呢？
第一步：设置路径和别名
在main方法中加载共享文件的HDFS路径，路径可以是目录也可以是文件。可以在路径末尾追加 “ #” +别名，在map阶段可以使用该别名；
第二步：
在Mapper类或Reducer的setup方法中，用输入流获取分布式缓存中的文件；
加载到内存发生在Job执行之前，每个从节点各自都缓存一份相同的共享数据。如果共享数据太大，可以把共享数据分批缓存，重复执行作业。
3.2 MapReduce实现矩阵相乘
1 矩阵相乘例子
2 矩阵相乘编码
矩阵在文件中的表示
思路：
1： 将右侧矩阵转置，即行转换成列，列转化为行
2：矩阵相乘
1、将右矩阵载入分布式缓存；
2、将左矩阵的行作为map输入；
3、在map执行之前：将缓存的右矩阵以行为单位放入list；
4、在map计算时：从list中取出所有行分别与输入行相乘。
4 推荐算法
4.1 相似度
余玄相似度
二维向量的余玄相似度
多维向量的余玄相似度
其他相似度
4.2 基于物品的推荐算法(理论)
基于物品的协同过滤推荐算法（ItemCF）
用户行为和权重：点击（1.0分） 搜索（3.0分） 收藏（5.0分） 付款（10.0分）
算法思想：给用户推荐那些和他们之前喜欢的物品相似的物品
实例：
算法步骤：
3个用户、6种商品
1、根据用户行为列表计算用户、物品的评分矩阵
[图片上传失败...(image-db3bef-1526978905470)]
2、根据用户、物品的评分矩阵计算物品与物品的相似度矩阵
取第一行和第二行的行向量，计算余旋相似度，比如：1号和2号物品的相似度为0.36
评分矩阵两两相乘、然后构建对称矩阵
[图片上传失败...(image-6ceb08-1526978905471)]
3、相似度矩阵*评分矩阵 = 推荐列表
[图片上传失败...(image-3ceb2-1526978905471)]
[图片上传失败...(image-8686f4-1526978905471)]
将推荐矩阵和评分矩阵做一个比较，发现在评分矩阵中，用户已经对一些商品产生过行为，对这些已经产生多的行为， 所以没有必要在为这些用户推荐这些商品，那么我们就可以将之前推荐过的商品置零。
[图片上传失败...(image-455ebe-1526978905471)]
最终的推荐结果，一个用户可能有很多的推荐物品，我们这里去Top1作为最终的推荐结果，取出用户最感兴趣的物品，
[图片上传失败...(image-df6cd3-1526978905471)]
具体实现步骤：
[图片上传失败...(image-94fe70-1526978905471)]
4-3 基于物品的推荐算法（代码）
代码实现的步骤[图片上传失败...(image-bb7222-1526978905471)]
Step1：
计算评分矩阵
输入：用户ID，物品ID，分支
输出：物品ID(行) --- 用户ID(列) --- 分值
Step2：
计算余弦相似度矩阵
输入：步骤1的输出
缓存：步骤1的输出
输出：用户ID(行) --- 物品ID(列) --- 相似度
[图片上传失败...(image-2cf23-1526978905471)]
step3：
将评分矩阵转置
输入：步骤1的输出
输出：用户ID(行) --- 物品ID(列) ---分值
step4：
相似度矩阵*评分矩阵
输入：步骤2的输出
缓存：步骤3的输出
输出：物品ID(行) --- 用户ID(列) --- 分值
step5：
根据评分矩阵，将步骤4的输出中，用户已经有用过行为的商品评分置0
输入：步骤4的输出
缓存：步骤1的输出
输出：用户ID(行) --- 物品ID(列) --- 分值 （最终的推荐列表）
4-4 基于物品的推荐算法（代码）
4-5 基于物品的推荐算法（代码）
4-6 基于用户的推荐算法（理论）
基于用户的协同过滤推荐算法（UserCF）
算法思想：给用户推荐和他兴趣相似的其他用户喜欢的物品
现有如下用户、商品、行为、权重：
用户：A、B、C、D、E、F
商品：1、2、3、4、5、6
行为：点击 1.0分、搜索 3.0分、收藏 5.0分、付款 10.0分
算法步骤：
- 根据用户行为为列表计算物品、用户的评分矩阵
行号是用户ID、列号是物品ID
-
根据评分矩阵计算用户与用户的相似度矩阵
将所有的用户两两计算相似度之后，得到相似度矩阵
两两计算相似度
用户与用户的相似度矩阵
-
相似度矩阵 * 评分矩阵 = 推荐列表
相似度矩阵 * 评分矩阵
得到推荐列表，在对照评分矩阵，将相应位置的元素置零
4-7 基于用户的推荐算法（代码）
基于用户的推荐算法MR的步骤：UserCF
与给予物品的推荐算法类似
4-8 基于内容的推荐算法（理论）
基于内容的推荐算法
算法思想：给用户推荐和他们之前喜欢的物品在内容上相似的其他物品
物品特征建模
算法步骤：
1 构建Item Profile矩阵
0 1矩阵， 行号是物品ID，列号是标签
2 构建Item User评分矩阵
行号是用户ID，列号是物品ID
3 Item User * Item Profile = User Profile
User Profile：用户对所有标签感兴趣的程度
4 对Item Profile 和 User Profile求余弦相似度
4-9 基于内容的推荐算法（代码）
MR步骤：UserCF
5 第五章 课程总结
