Python_推荐系统Hadoop（3）

Hadoop概述

课程目标：

• 知道Hadoop的概念及发展历史

• 说出hadoop的核心组件

• 知道hadoop的优势

1.1 什么是Hadoop

• Hadoop名字的由来

  • 作者：Doug cutting

  • Hadoop项目作者的孩子给一个棕黄色的大象样子的填充玩具的命名

• Hadoop的概念:

  • Apache™ Hadoop® 是一个开源的, 可靠的(reliable), 可扩展的(scalable)分布式计算框架

    • 允许使用简单的编程模型跨计算机集群分布式处理大型数据集

    • 可扩展: 从单个服务器扩展到数千台计算机，每台计算机都提供本地计算和存储

    • 可靠的: 不依靠硬件来提供高可用性(high-availability)，而是在应用层检测和处理故障，从而在计算机集群之上提供高可用服务

• Hadoop能做什么?

  • 搭建大型数据仓库

  • PB级数据的存储 处理 分析 统计等业务

    • 搜索引擎

    • 日志分析

    • 数据挖掘

    • 商业智能(Business Intelligence，简称：BI)

      商业智能通常被理解为将企业中现有的数据(订单、库存、交易账目、客户和供应商等数据)转化为知识，帮助企业做出明智的业务经营决策的工具。从技术层面上讲，是数据仓库、数据挖掘等技术的综合运用。

• Hadoop发展史

  • 2003-2004年 Google发表了三篇论文

    • GFS：Google的分布式文件系统Google File System

    • MapReduce: Simplified Data Processing on Large Clusters

    • BigTable：一个大型的分布式数据库

  • 2006年2月Hadoop成为Apache的独立开源项目( Doug Cutting等人实现了DFS和MapReduce机制)。

  • 2006年4月— 标准排序(10 GB每个节点)在188个节点上运行47.9个小时。

  • 2008年4月— 赢得世界最快1TB数据排序在900个节点上用时209秒。

  • 2008年— 淘宝开始投入研究基于Hadoop的系统–云梯。云梯总容量约9.3PB，共有1100台机器，每天处理18000道作业，扫描500TB数据。

  • 2009年3月— Cloudera推出CDH（Cloudera’s Dsitribution Including Apache Hadoop）

  • 2009年5月— Yahoo的团队使用Hadoop对1 TB的数据进行排序只花了62秒时间。

  • 2009年7月— Hadoop Core项目更名为Hadoop Common;

  • 2009年7月— MapReduce和Hadoop Distributed File System (HDFS)成为Hadoop项目的独立子项目。

  • 2012年11月— Apache Hadoop 1.0 Available

  • 2018年4月— Apache Hadoop 3.1 Available

  • 搜索引擎时代

    • 有保存大量网页的需求(单机 集群)

    • 词频统计 word count PageRank

  • 数据仓库时代

    • FaceBook推出Hive

    • 曾经进行数分析与统计时, 仅限于数据库,受数据量和计算能力的限制, 我们只能对最重要的数据进行统计和分析(决策数据,财务相关)

    • Hive可以在Hadoop上运行SQL操作, 可以把运行日志, 应用采集数据,数据库数据放到一起分析

  • 数据挖掘时代

    • 啤酒尿不湿

    • 关联分析

    • 用户画像/物品画像

  • 机器学习时代 广义大数据

    • 大数据提高数据存储能力, 为机器学习提供燃料

    • alpha go

    • siri 小爱 天猫精灵

1.2 Hadoop核心组件

• Hadoop是所有搜索引擎的共性问题的廉价解决方案

  • 如何存储持续增长的海量网页: 单节点 V.S. 分布式存储

  • 如何对持续增长的海量网页进行排序: 超算 V.S. 分布式计算

  • HDFS 解决分布式存储问题

  • MapReduce 解决分布式计算问题

• Hadoop Common: The common utilities that support the other Hadoop modules.(hadoop的核心组件)

• Hadoop Distributed File System (HDFS™): A distributed file system that provides high-throughput access to application data.(分布式文件系统)

  • 源自于Google的GFS论文, 论文发表于2003年10月

  • HDFS是GFS的开源实现

  • HDFS的特点:扩展性&容错性&海量数量存储

  • 将文件切分成指定大小的数据块, 并在多台机器上保存多个副本

  • 数据切分、多副本、容错等操作对用户是透明的

• 下面这张图是数据块多份复制存储的示意

  • 图中对于文件 /users/sameerp/data/part-0，其复制备份数设置为2, 存储的BlockID分别为1、3。

  • Block1的两个备份存储在DataNode0和DataNode2两个服务器上

  • Block3的两个备份存储在DataNode4和DataNode6两个服务器上

Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.

• 分布式计算框架

• 源于Google的MapReduce论文，论文发表于2004年12月

• MapReduce是GoogleMapReduce的开源实现

• MapReduce特点:扩展性&容错性&海量数据离线处理

Hadoop YARN: A framework for job scheduling and cluster resource management.(资源调度系统)

• YARN: Yet Another Resource Negotiator

• 负责整个集群资源的管理和调度

• YARN特点:扩展性&容错性&多框架资源统一调度

1.3 Hadoop优势

• 高可靠

  • 数据存储: 数据块多副本

  • 数据计算: 某个节点崩溃, 会自动重新调度作业计算

• 高扩展性

  • 存储/计算资源不够时，可以横向的线性扩展机器

  • 一个集群中可以包含数以千计的节点

  • 集群可以使用廉价机器，成本低

• Hadoop生态系统成熟

分布式文件系统 HDFS

课程目标：

• 知道什么是hdfs

• 说出hdfs的架构

• 能够掌握hdfs的环境搭建

• 能够掌握hdfs shell的基本使用

• 知道hdfs shell的优缺点

2.1 HDFS的使用

• 启动HDFS

  • 来到$HADOOP_HOME/sbin目录下

  • 执行start-dfs.sh

[hadoop@hadoop00 sbin]$ ./start-dfs.sh

可以看到 namenode和 datanode启动的日志信息

Starting namenodes on [hadoop00]
hadoop00: starting namenode, logging to /home/hadoop/app/hadoop-2.6.0-cdh5.7.0/logs/hadoop-hadoop-namenode-hadoop00.out
localhost: starting datanode, logging to /home/hadoop/app/hadoop-2.6.0-cdh5.7.0/logs/hadoop-hadoop-datanode-hadoop00.out
Starting secondary namenodes [0.0.0.0]
0.0.0.0: starting secondarynamenode, logging to /home/hadoop/app/hadoop-2.6.0-cdh5.7.0/logs/hadoop-hadoop-secondarynamenode-hadoop00.out

通过jps命令查看当前运行的进程

[hadoop@hadoop00 sbin]$ jps
4416 DataNode
4770 Jps
4631 SecondaryNameNode
4251 NameNode

• • 可以看到 NameNode DataNode 以及 SecondaryNameNode 说明启动成功

• 通过可视化界面查看HDFS的运行情况

  • 通过浏览器查看 主机ip:50070端口

Overview界面查看整体情况

Datanodes界面查看datanode的情况

2.2 HDFS shell操作

• 调用文件系统(FS)Shell命令应使用 bin/hadoop fs 的形式

  • ls

    使用方法：hadoop fs -ls

    如果是文件，则按照如下格式返回文件信息：文件名 <副本数> 文件大小 修改日期 修改时间 权限 用户ID 组ID 如果是目录，则返回它直接子文件的一个列表，就像在Unix中一样。目录返回列表的信息如下：目录名

    修改日期 修改时间 权限 用户ID 组ID 示例：hadoop fs -ls /user/hadoop/file1 /user/hadoop/file2 hdfs://host:port/user/hadoop/dir1 /nonexistentfile 返回值：成功返回0，失败返回-1。

  • text

    使用方法：hadoop fs -text

    将源文件输出为文本格式。允许的格式是zip和TextRecordInputStream。

  • mv

    使用方法：hadoop fs -mv URI [URI …]

    将文件从源路径移动到目标路径。这个命令允许有多个源路径，此时目标路径必须是一个目录。不允许在不同的文件系统间移动文件。 示例：

    • hadoop fs -mv /user/hadoop/file1 /user/hadoop/file2

    • hadoop fs -mv hdfs://host:port/file1 hdfs://host:port/file2 hdfs://host:port/file3 hdfs://host:port/dir1

    返回值：

    成功返回0，失败返回-1。

  • put

    使用方法：hadoop fs -put ...

    从本地文件系统中复制单个或多个源路径到目标文件系统。也支持从标准输入中读取输入写入目标文件系统。

    • hadoop fs -put localfile /user/hadoop/hadoopfile

    • hadoop fs -put localfile1 localfile2 /user/hadoop/hadoopdir

    • hadoop fs -put localfile hdfs://host:port/hadoop/hadoopfile

    • hadoop fs -put - hdfs://host:port/hadoop/hadoopfile 从标准输入中读取输入。

    返回值：

    成功返回0，失败返回-1。

  • rm

    使用方法：hadoop fs -rm URI [URI …]

    删除指定的文件。只删除非空目录和文件。请参考rmr命令了解递归删除。示例：

    • hadoop fs -rm hdfs://host:port/file /user/hadoop/emptydir

    返回值：

    成功返回0，失败返回-1。

• http://hadoop.apache.org/docs/r1.0.4/cn/hdfs_shell.html

2.4.1 HDFS shell操作练习

• 在centos 中创建 test.txt

touch test.txt

在centos中为test.txt 添加文本内容

vi test.txt

在HDFS中创建 hadoop001/test 文件夹

hadoop fs -mkdir -p /hadoop001/test

把text.txt文件上传到HDFS中

hadoop fs -put test.txt /hadoop001/test/

查看hdfs中 hadoop001/test/test.txt 文件内容

hadoop fs -cat /hadoop001/test/test.txt

将hdfs中 hadoop001/test/test.txt文件下载到centos

 hadoop fs -get /hadoop001/test/test.txt test.txt

删除HDFS中 hadoop001/test/

hadoop fs -rm -r /hadoop001

2.3 HDFS设计思路

• 分布式文件系统的设计思路：

HDFS的设计目标

• 适合运行在通用硬件(commodity hardware)上的分布式文件系统

• 高度容错性的系统，适合部署在廉价的机器上

• HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用

• 容易扩展，为用户提供性能不错的文件存储服务

2.4 HDFS架构

• 1个NameNode/NN(Master) 带 DataNode/DN(Slaves) (Master-Slave结构)

• 1个文件会被拆分成多个Block

• NameNode(NN)

  • 负责客户端请求的响应

  • 负责元数据（文件的名称、副本系数、Block存放的DN）的管理

    • 元数据 MetaData 描述数据的数据

  • 监控DataNode健康状况 10分钟没有收到DataNode报告认为Datanode死掉了

• DataNode(DN)

  • 存储用户的文件对应的数据块(Block)

  • 要定期向NN发送心跳信息，汇报本身及其所有的block信息，健康状况

• 分布式集群NameNode和DataNode部署在不同机器上

HDFS优缺点

• 优点

  • 数据冗余 硬件容错

  • 适合存储大文件

  • 处理流式数据

  • 可构建在廉价机器上

• 缺点

  • 低延迟的数据访问

  • 小文件存储

2.5 HDFS环境搭建

• 下载jdk 和 hadoop 放到 ~/software目录下 然后解压到 ~/app目录下

tar -zxvf 压缩包名字 -C ~/app/

配置环境变量

vi ~/.bash_profile
export JAVA_HOME=/home/hadoop/app/jdk1.8.0_91
export PATH=$JAVA_HOME/bin:$PATH
export HADOOP_HOME=/home/hadoop/app/hadoop......
export PATH=$HADOOP_HOME/bin:$PATH

#保存退出后
source ~/.bash_profile

进入到解压后的hadoop目录 修改配置文件

• 配置文件作用

  • core-site.xml 指定hdfs的访问方式

  • hdfs-site.xml 指定namenode 和 datanode 的数据存储位置

  • mapred-site.xml 配置mapreduce

  • yarn-site.xml 配置yarn

• 修改hadoop-env.sh

cd etc/hadoop
vi hadoop-env.sh
#找到下面内容添加java home
export_JAVA_HOME=/home/hadoop/app/jdk1.8.0_91

修改 core-site.xml 在 节点中添加

  fs.default.name
  hdfs://hadoop000:8020

修改hdfs-site.xml 在 configuration节点中添加

    dfs.namenode.name.dir
    /home/hadoop/app/tmp/dfs/name


    dfs.datanode.data.dir
    /home/hadoop/app/tmp/dfs/data


    dfs.replication
    1

• 修改 mapred-site.xml

• 默认没有这个 从模板文件复制

cp mapred-site.xml.template mapred-site.xml

​ 在mapred-site.xml 的configuration 节点中添加

    mapreduce.framework.name
    yarn

修改yarn-site.xml configuration 节点中添加

    yarn.nodemanager.aux-services
    mapreduce_shuffle

来到hadoop的bin目录

./hadoop namenode -format (这个命令只运行一次)

启动hdfs 进入到 sbin

./start-dfs.sh

启动启动yarn 在sbin中

YARN&MapReduce

课程目标：

• 了解YARN概念和产生背景

• 了解MapReduce概念

• 说出YARN执行流程

• 说出MapReduce原理

• 独立完成Mrjob实现wordcount

• 完成提交作业到YARN上执行

资源调度框架 YARN

3.1.1 什么是YARN

• Yet Another Resource Negotiator, 另一种资源协调者

• 通用资源管理系统

• 为上层应用提供统一的资源管理和调度，为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处

3.1.2 YARN产生背景

• 通用资源管理系统

  • Hadoop数据分布式存储（数据分块，冗余存储）

  • 当多个MapReduce任务要用到相同的hdfs数据， 需要进行资源调度管理

  • Hadoop1.x时并没有YARN，MapReduce 既负责进行计算作业又处理服务器集群资源调度管理

• 服务器集群资源调度管理和MapReduce执行过程耦合在一起带来的问题

  • Hadoop早期, 技术只有Hadoop, 这个问题不明显

  • 随着大数据技术的发展，Spark Storm ... 计算框架都要用到服务器集群资源

  • 如果没有通用资源管理系统，只能为多个集群分别提供数据

    • 资源利用率低 运维成本高

• • Yarn (Yet Another Resource Negotiator) 另一种资源调度器

    • Mesos 大数据资源管理产品

• 不同计算框架可以共享同一个HDFS集群上的数据，享受整体的资源调度

3.1.3 YARN的架构和执行流程

• ResourceManager: RM 资源管理器​ 整个集群同一时间提供服务的RM只有一个，负责集群资源的统一管理和调度​ 处理客户端的请求： submit, kill​ 监控我们的NM，一旦某个NM挂了，那么该NM上运行的任务需要告诉我们的AM来如何进行处理

• NodeManager: NM 节点管理器​ 整个集群中有多个，负责自己本身节点资源管理和使用​ 定时向RM汇报本节点的资源使用情况​ 接收并处理来自RM的各种命令：启动Container​ 处理来自AM的命令

• ApplicationMaster: AM​ 每个应用程序对应一个：MR、Spark，负责应用程序的管理​ 为应用程序向RM申请资源（core、memory），分配给内部task​ 需要与NM通信：启动/停止task，task是运行在container里面，AM也是运行在container里面

• Container 容器: 封装了CPU、Memory等资源的一个容器,是一个任务运行环境的抽象

• Client: 提交作业 查询作业的运行进度,杀死作业

1，Client提交作业请求

2，ResourceManager 进程和 NodeManager 进程通信，根据集群资源，为用户程序分配第一个Container(容器)，并将 ApplicationMaster 分发到这个容器上面

3，在启动的Container中创建ApplicationMaster

4，ApplicationMaster启动后向ResourceManager注册进程,申请资源

5，ApplicationMaster申请到资源后，向对应的NodeManager申请启动Container,将要执行的程序分发到NodeManager上

6，Container启动后，执行对应的任务

7，Tast执行完毕之后，向ApplicationMaster返回结果

8，ApplicationMaster向ResourceManager 请求kill

3.1.5 YARN环境搭建

1）mapred-site.xml

    mapreduce.framework.name
    yarn

2）yarn-site.xml

    yarn.nodemanager.aux-services
    mapreduce_shuffle

3) 启动YARN相关的进程sbin/start-yarn.sh

4）验证​

jps​ 
ResourceManager​ 
NodeManager​ 
http://192,168.199.188:8088

5）停止YARN相关的进程​

 sbin/stop-yarn.sh

分布式处理框架 MapReduce

3.2.1 什么是MapReduce

• 源于Google的MapReduce论文(2004年12月)

• Hadoop的MapReduce是Google论文的开源实现

• MapReduce优点: 海量数据离线处理&易开发

• MapReduce缺点: 实时流式计算

3.2.2 MapReduce编程模型

• MapReduce分而治之的思想

  • 数钱实例：一堆钞票，各种面值分别是多少

    • 单点策略

      • 一个人数所有的钞票，数出各种面值有多少张

    • 分治策略

      • 每个人分得一堆钞票，数出各种面值有多少张

      • 汇总，每个人负责统计一种面值

    • 解决数据可以切割进行计算的应用

• MapReduce编程分Map和Reduce阶段

  • 将作业拆分成Map阶段和Reduce阶段

  • Map阶段 Map Tasks 分：把复杂的问题分解为若干"简单的任务"

  • Reduce阶段: Reduce Tasks 合：reduce

• MapReduce编程执行步骤

  • 准备MapReduce的输入数据

  • 准备Mapper数据

  • Shuffle

  • Reduce处理

  • 结果输出

• 编程模型

  • 借鉴函数式编程方式

  • 用户只需要实现两个函数接口：

    • Map(in_key,in_value)

      --->(out_key,intermediate_value) list

    • Reduce(out_key,intermediate_value) list

      --->out_value list

  • Word Count 词频统计案例

3.2.3 Hadoop Streaming 实现wordcount （实验 了解）

• Mapper

import sys

#输入为标准输入stdin
for line in sys.stdin:
    #删除开头和结尾的空行
    line = line.strip()
    #以默认空格分隔单词到words列表
    words = line.split()
    for word in words:
        #输出所有单词，格式为“单词 1”以便作为Reduce的输入
        print("%s %s"%(word,1))

Reducer

import sys

current_word = None
current_count = 0
word = None

#获取标准输入，即mapper.py的标准输出
for line in sys.stdin:
    #删除开头和结尾的空行
    line = line.strip()

    #解析mapper.py输出作为程序的输入，以tab作为分隔符
    word,count = line.split()

    #转换count从字符型到整型
    try:
        count = int(count)
    except ValueError:
        #count非数字时，忽略此行
        continue

    #要求mapper.py的输出做排序（sort）操作，以便对连续的word做判断
    if current_word == word:
        current_count += count
    else :
        #出现了一个新词
        #输出当前word统计结果到标准输出
        if current_word :
            print('%s\t%s' % (current_word,current_count))
        #开始对新词的统计
        current_count = count
        current_word = word

#输出最后一个word统计
if current_word == word:
    print("%s\t%s"% (current_word,current_count))

• cat xxx.txt|python3 map.py|sort|python3 red.py

  得到最终的输出

  注：hadoop-streaming会主动将map的输出数据进行字典排序

• 通过Hadoop Streaming 提交作业到Hadoop集群

STREAM_JAR_PATH="/root/bigdata/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.9.1.jar"    # hadoop streaming jar包所在位置
INPUT_FILE_PATH_1="/The_Man_of_Property.txt"  #要进行词频统计的文档在hdfs中的路径
OUTPUT_PATH="/output"                         #MR作业后结果的存放路径

hadoop fs -rm -r -skipTrash $OUTPUT_PATH    # 输出路径如果之前存在 先删掉否则会报错

hadoop jar $STREAM_JAR_PATH \   
		-input $INPUT_FILE_PATH_1 \ # 指定输入文件位置
		-output $OUTPUT_PATH \      #指定输出结果位置
		-mapper "python map.py" \   #指定mapper执行的程序
		-reducer "python red.py" \  # 指定reduce阶段执行的程序
		-file ./map.py \            # 通过-file 把python源文件分发到集群的每一台机器上  
		-file ./red.py

到Hadoop集群查看运行结果

MapReduce实战

3.3.1 利用MRJob编写和运行MapReduce代码

mrjob 简介

• 使用python开发在Hadoop上运行的程序, mrjob是最简单的方式

• mrjob程序可以在本地测试运行也可以部署到Hadoop集群上运行

• 如果不想成为hadoop专家, 但是需要利用Hadoop写MapReduce代码,mrJob是很好的选择

mrjob 安装

• 使用pip安装

  • pip install mrjob

mrjob实现WordCount

from mrjob.job import MRJob

class MRWordFrequencyCount(MRJob):

    def mapper(self, _, line):
        yield "chars", len(line)
        yield "words", len(line.split())
        yield "lines", 1

    def reducer(self, key, values):
        yield key, sum(values)


if __name__ == '__main__':
    MRWordFrequencyCount.run()

运行WordCount代码

打开命令行, 找到一篇文本文档, 敲如下命令:

python mr_word_count.py my_file.txt

3.3.2 运行MRJOB的不同方式

1、内嵌(-r inline)方式

特点是调试方便，启动单一进程模拟任务执行状态和结果，默认(-r inline)可以省略，输出文件使用 > output-file 或-o output-file，比如下面两种运行方式是等价的

python word_count.py -r inline input.txt > output.txt

python word_count.py input.txt > output.txt

2、本地(-r local)方式

用于本地模拟Hadoop调试，与内嵌(inline)方式的区别是启动了多进程执行每一个任务。如：

python word_count.py -r local input.txt > output1.txt

3、Hadoop(-r hadoop)方式

用于hadoop环境，支持Hadoop运行调度控制参数，如：

1)指定Hadoop任务调度优先级(VERY_HIGH|HIGH),如：--jobconf mapreduce.job.priority=VERY_HIGH。

2)Map及Reduce任务个数限制，如：--jobconf mapreduce.map.tasks=2 --jobconf mapreduce.reduce.tasks=5

python word_count.py -r hadoop hdfs:///test.txt -o  hdfs:///output

3.3.3 mrjob 实现 topN统计（实验）

统计数据中出现次数最多的前n个数据

import sys
from mrjob.job import MRJob,MRStep
import heapq

class TopNWords(MRJob):
    def mapper(self, _, line):
        if line.strip() != "":
            for word in line.strip().split():
                yield word,1

    #介于mapper和reducer之间，用于临时的将mapper输出的数据进行统计
    def combiner(self, word, counts):
        yield word,sum(counts)

    def reducer_sum(self, word, counts):
        yield None,(sum(counts),word)

    #利用heapq将数据进行排序，将最大的2个取出
    def top_n_reducer(self,_,word_cnts):
        for cnt,word in heapq.nlargest(2,word_cnts):
            yield word,cnt
    
	#实现steps方法用于指定自定义的mapper，comnbiner和reducer方法
    def steps(self):
        return [
            MRStep(mapper=self.mapper,
                   combiner=self.combiner,
                   reducer=self.reducer_sum),
            MRStep(reducer=self.top_n_reducer)
        ]

def main():
    TopNWords.run()

if __name__=='__main__':
    main()

3.4 MRJOB 文件合并

需求描述

• 两个文件合并 类似于数据库中的两张表合并

uid uname
01 user1 
02 user2
03 user3
uid orderid order_price
01   01     80
01   02     90
02   03    82
02   04    95

mrjob 实现

实现对两个数据表进行join操作，显示效果为每个用户的所有订单信息

"01:user1"	"01:80,02:90"
"02:user2"	"03:82,04:95"

from mrjob.job import MRJob
import os
import sys
class UserOrderJoin(MRJob):
    SORT_VALUES = True
    # 二次排序参数：http://mrjob.readthedocs.io/en/latest/job.html
    def mapper(self, _, line):
        fields = line.strip().split('\t')
        if len(fields) == 2:
            # user data
            source = 'A'
            user_id = fields[0]
            user_name = fields[1]
            yield  user_id,[source,user_name] # 01 [A,user1]
        elif len(fields) == 3:
            # order data
            source ='B'
            user_id = fields[0]
            order_id = fields[1]
            price = fields[2]
            yield user_id,[source,order_id,price] #01 ['B',01,80]['B',02,90]
        else :
            pass

    def reducer(self,user_id,values):
        '''
        每个用户的订单列表
        "01:user1"	"01:80,02:90"
        "02:user2"	"03:82,04:95"

        :param user_id:
        :param values:[A,user1]  ['B',01,80]
        :return:
        '''
        values = [v for v in values]
        if len(values)>1 :
            user_name = values[0][1]
            order_info = [':'.join([v[1],v[2]]) for v in values[1:]] #[01:80,02:90]
            yield ':'.join([user_id,user_name]),','.join(order_info)




def main():
    UserOrderJoin.run()

if __name__ == '__main__':
    main()

实现对两个数据表进行join操作，显示效果为每个用户所下订单的订单总量和累计消费金额

"01:user1"	[2, 170]
"02:user2"	[2, 177]

from mrjob.job import MRJob
import os
import sys
class UserOrderJoin(MRJob):
    # 二次排序参数：http://mrjob.readthedocs.io/en/latest/job.html
    SORT_VALUES = True

    def mapper(self, _, line):
        fields = line.strip().split('\t')
        if len(fields) == 2:
            # user data
            source = 'A'
            user_id = fields[0]
            user_name = fields[1]
            yield  user_id,[source,user_name]
        elif len(fields) == 3:
            # order data
            source ='B'
            user_id = fields[0]
            order_id = fields[1]
            price = fields[2]
            yield user_id,[source,order_id,price]
        else :
            pass



    def reducer(self,user_id,values):
        '''
        统计每个用户的订单数量和累计消费金额
        :param user_id:
        :param values:
        :return:
        '''
        values = [v for v in values]
        user_name = None
        order_cnt = 0
        order_sum = 0
        if len(values)>1:
            for v in values:
                if len(v) ==  2 :
                    user_name = v[1]
                elif len(v) == 3:
                    order_cnt += 1
                    order_sum += int(v[2])
            yield ":".join([user_id,user_name]),(order_cnt,order_sum)



def main():
    UserOrderJoin().run()

if __name__ == '__main__':
    main()	

3.5.1MapReduce原理详解

单机程序计算流程

输入数据--->读取数据--->处理数据--->写入数据--->输出数据

Hadoop计算流程

input data：输入数据

InputFormat：对数据进行切分，格式化处理

map：将前面切分的数据做map处理(将数据进行分类，输出(k,v)键值对数据)

shuffle&sort:将相同的数据放在一起，并对数据进行排序处理

reduce：将map输出的数据进行hash计算，对每个map数据进行统计计算

OutputFormat：格式化输出数据

map：将数据进行处理

buffer in memory：达到80%数据时，将数据锁在内存上，将这部分输出到磁盘上

partitions：在磁盘上有很多"小的数据"，将这些数据进行归并排序。

merge on disk：将所有的"小的数据"进行合并。

reduce：不同的reduce任务，会从map中对应的任务中copy数据

​ 在reduce中同样要进行merge操作

3.5.2 MapReduce架构

• MapReduce架构 1.X

  • JobTracker:负责接收客户作业提交，负责任务到作业节点上运行，检查作业的状态

  • TaskTracker：由JobTracker指派任务，定期向JobTracker汇报状态，在每一个工作节点上永远只会有一个TaskTracker

MapReduce2.X架构

• ResourceManager：负责资源的管理，负责提交任务到NodeManager所在的节点运行，检查节点的状态

• NodeManager：由ResourceManager指派任务，定期向ResourceManager汇报状态

hadoop概念扩展

课程目标：

• 知道hadoop生态组成

• 了解hdfs读写流程

• 说出Hadoop发行版本的选择

4.1 Hadoop生态系统

狭义的Hadoop VS 广义的Hadoop

• 广义的Hadoop：指的是Hadoop生态系统，Hadoop生态系统是一个很庞大的概念，hadoop是其中最重要最基础的一个部分，生态系统中每一子系统只解决某一个特定的问题域（甚至可能更窄），不搞统一型的全能系统，而是小而精的多个小系统；

Hive:数据仓库

R:数据分析

Mahout:机器学习库

pig：脚本语言，跟Hive类似

Oozie:工作流引擎，管理作业执行顺序

Zookeeper:用户无感知，主节点挂掉选择从节点作为主的

Flume:日志收集框架

Sqoop:数据交换框架，例如：关系型数据库与HDFS之间的数据交换

Hbase : 海量数据中的查询，相当于分布式文件系统中的数据库

Spark: 分布式的计算框架基于内存

• spark core

• spark sql

• spark streaming 准实时 不算是一个标准的流式计算

• spark ML spark MLlib

Kafka: 消息队列

Storm: 分布式的流式计算框架 python操作storm

Flink: 分布式的流式计算框架

Hadoop生态系统的特点

• 开源、社区活跃

• 囊括了大数据处理的方方面面

• 成熟的生态圈

4.2HDFS 读写流程& 高可用

• HDFS读写流程

• • 客户端向NameNode发出写文件请求。

  • 检查是否已存在文件、检查权限。若通过检查，直接先将操作写入EditLog，并返回输出流对象。 （注：WAL，write ahead log，先写Log，再写内存，因为EditLog记录的是最新的HDFS客户端执行所有的写操作。如果后续真实写操作失败了，由于在真实写操作之前，操作就被写入EditLog中了，故EditLog中仍会有记录，我们不用担心后续client读不到相应的数据块，因为在第5步中DataNode收到块后会有一返回确认信息，若没写成功，发送端没收到确认信息，会一直重试，直到成功）

  • client端按128MB的块切分文件。

  • client将NameNode返回的分配的可写的DataNode列表和Data数据一同发送给最近的第一个DataNode节点，此后client端和NameNode分配的多个DataNode构成pipeline管道，client端向输出流对象中写数据。client每向第一个DataNode写入一个packet，这个packet便会直接在pipeline里传给第二个、第三个…DataNode。 （注：并不是写好一个块或一整个文件后才向后分发）

  • 每个DataNode写完一个块后，会返回确认信息。 （注：并不是每写完一个packet后就返回确认信息，个人觉得因为packet中的每个chunk都携带校验信息，没必要每写一个就汇报一下，这样效率太慢。正确的做法是写完一个block块后，对校验信息进行汇总分析，就能得出是否有块写错的情况发生）

  • 写完数据，关闭输输出流。

  • 发送完成信号给NameNode。

    （注：发送完成信号的时机取决于集群是强一致性还是最终一致性，强一致性则需要所有DataNode写完后才向NameNode汇报。最终一致性则其中任意一个DataNode写完后就能单独向NameNode汇报，HDFS一般情况下都是强调强一致性）

• HDFS如何实现高可用(HA)

  • 数据存储故障容错

    • 磁盘介质在存储过程中受环境或者老化影响,数据可能错乱

    • 对于存储在 DataNode 上的数据块，计算并存储校验和（CheckSum)

    • 读取数据的时候, 重新计算读取出来的数据校验和, 校验不正确抛出异常, 从其它DataNode上读取备份数据

  • 磁盘故障容错

    • DataNode 监测到本机的某块磁盘损坏

    • 将该块磁盘上存储的所有 BlockID 报告给 NameNode

    • NameNode 检查这些数据块在哪些DataNode上有备份,

    • 通知相应DataNode, 将数据复制到其他服务器上

  • DataNode故障容错

    • 通过心跳和NameNode保持通讯

    • 超时未发送心跳, NameNode会认为这个DataNode已经宕机

    • NameNode查找这个DataNode上有哪些数据块, 以及这些数据在其它DataNode服务器上的存储情况

    • 从其它DataNode服务器上复制数据

  • NameNode故障容错

    • 主从热备 secondary namenode

    • zookeeper配合 master节点选举

4.3 Hadoop发行版的选择

• Apache Hadoop

  • 开源社区版

  • 最新的Hadoop版本都是从Apache Hadoop发布的

  • Hadoop Hive Flume 版本不兼容的问题 jar包 spark scala Java->.class->.jar ->JVM

• CDH: Cloudera Distributed Hadoop

  • Cloudera 在社区版的基础上做了一些修改

  • http://archive.cloudera.com/cdh5/cdh/5/

• • hadoop-2.6.0-cdh-5.7.0 和 Flume*-cdh5.7.0 cdh版本一致 的各个组件配合是有不会有兼容性问题

  • CDH版本的这些组件 没有全部开源

• HDP: Hortonworks Data Platform

4.4 大数据产品与互联网产品结合

• 分布式系统执行任务瓶颈: 延迟高 MapReduce 几分钟 Spark几秒钟

• 互联网产品要求

  • 毫秒级响应(1秒以内完成)

  • 需要通过大数据实现 统计分析 数据挖掘 关联推荐 用户画像

• 大数据平台

  • 整合网站应用和大数据系统之间的差异, 将应用产生的数据导入到大数据系统, 经过处理计算后再导出给应用程序使用

• 互联网大数据平台架构:

• 数据采集

  • App/Web 产生的数据&日志同步到大数据系统

  • 数据库同步:Sqoop 日志同步:Flume 打点: Kafka

  • 不同数据源产生的数据质量可能差别很大

    • 数据库 也许可以直接用

    • 日志 爬虫 大量的清洗,转化处理

• 数据处理

  • 大数据存储与计算的核心

  • 数据同步后导入HDFS

  • MapReduce Hive Spark 读取数据进行计算 结果再保存到HDFS

  • MapReduce Hive Spark 离线计算, HDFS 离线存储

    • 离线计算通常针对(某一类别)全体数据, 比如 历史上所有订单

    • 离线计算特点: 数据规模大, 运行时间长

  • 流式计算

    • 淘宝双11 每秒产生订单数 监控宣传

    • Storm(毫秒) SparkStreaming(秒)

• 数据输出与展示

  • HDFS需要把数据导出交给应用程序, 让用户实时展示 ECharts

    • 淘宝卖家量子魔方

  • 给运营和决策层提供各种统计报告, 数据需要写入数据库

    • 很多运营管理人员, 上班后就会登陆后台数据系统

• 任务调度系统

  • 将上面三个部分整合起来

4.5 大数据应用--数据分析

• 通过数据分析指标监控企业运营状态, 及时调整运营和产品策略,是大数据技术的关键价值之一

• 大数据平台(互联网企业)运行的绝大多数大数据计算都是关于数据分析的

  • 统计指标

  • 关联分析,

  • 汇总报告,

• 运营数据是公司管理的基础

  • 了解公司目前发展的状况

  • 数据驱动运营: 调节指标对公司进行管理

• 运营数据的获取需要大数据平台的支持

  • 埋点采集数据

  • 数据库,日志 三方采集数据

  • 对数据清洗 转换 存储

  • 利用SQL进行数据统计 汇总 分析

  • 得到需要的运营数据报告

• 运营常用数据指标

  • 新增用户数 UG user growth 用户增长

    • 产品增长性的关键指标

    • 新增访问网站(新下载APP)的用户数

  • 用户留存率

    • 用户留存率 = 留存用户数 / 当期新增用户数

    • 3日留存 5日留存 7日留存

  • 活跃用户数

    • 打开使用产品的用户

    • 日活

    • 月活

    • 提升活跃是网站运营的重要目标

  • PV Page View

    • 打开产品就算活跃

    • 打开以后是否频繁操作就用PV衡量, 每次点击, 页面跳转都记一次PV

  • GMV

    • 成交总金额(Gross Merchandise Volume) 电商网站统计营业额, 反应网站应收能力的重要指标

    • GMV相关的指标: 订单量 客单价

  • 转化率

转化率 = 有购买行为的用户数 / 总访问用户数

4.6 数据分析案例

• 背景: 某电商网站, 垂直领域领头羊, 各项指标相对稳定

• 运营人员发现从 8 月 15 日开始，网站的订单量连续四天明显下跌

• 8 月 18 号早晨发现 8 月 17 号的订单量没有恢复正常，运营人员开始尝试寻找原因

  • 是否有负面报道被扩散

  • 是否竞争对手在做活动

  • 是否某类商品缺货

  • 价格异常

• 没有找到原因, 将问题交给数据分析团队

数据分析师分析可能性

• 新增用户出现问题

• 查看日活数据, 发现日活没有明显下降

  • 基本判断, 用户在访问网站的过程中,转化出了问题

转化过程:

• 打开APP

• 搜索关键词 浏览搜索结果列表

• 点击商品访问详情

• 有购买意向开始咨询

• 放入购物车

• 支付

• 订单活跃转化率 = 日订单量 / 打开用户数

• 搜索打开转化率 = 搜索用户数 / 打开用户数

• 有明显降幅的是咨询详情转化率

• • 对咨询信息分类统计后发现，新用户的咨询量几乎为 0

  • 于是将问题提交给技术部门调查，工程师查看 8 月 15 日当天发布记录,发现有消息队列SDK更新

Hadoop企业应用案例之消费大数据

亚马逊提前发货系统

Hadoop企业案例之商业零售大数据

智能推荐