hadoop离线day06--Hadoop MapReduce、HDFS高阶

hadoop离线day06--Hadoop MapReduce、HDFS高阶

---

今日内容大纲

#1.MapReduce 
    数据压缩
    自定义分组
        分组在reduce阶段 前后key比较 相同的在一组 一组去调用一次reduce方法
    join问题
        多个数据之间关联操作
        map端join
        分布式缓存
        reduce端join
    CombineTextInputFormat 处理小文件的类
        默认TextInputFormat  不管多小文件 都是一个切片 都会启动一个maptask
    优化参数
        资源相关的
        容错相关的
        效率稳定性相关的
#2、HDFS 高阶
    namenode元数据管理机制
    secondarynamenode(SNN)职责 checkpoint机制（合并元数据）
​
#重点  all

---

Hadoop MapReduce

• MapReduce数据压缩机制

  • 何谓压缩

    使用算法对数据文件进行重新编排的过程。使数据变成整体，降低数据size.
    追求无损压缩。

  • 压缩性能指标

    • 压缩时间

    • 压缩比、压缩率

      压缩率（Compression rate），描述压缩文件的效果名，是文件压缩后的大小与压缩前的大小之比

    • 压缩算法是否免费

  • MapReduce中使用压缩地方

    • map输出的时候（中间输出压缩）

      减少map的输出量 降低shuffle时数据量 减少shuffle IO次数

    • reduce输出的时候（最终输出压缩）

      减少reduce的输出量 降低磁盘的存储空间

  • 压缩的缺点

    消耗时间
    消耗CPU、内存

  • Hadoop支持压缩算法

    • 推荐使用snappy压缩格式

      Snappy 是一个 C++ 的用来压缩和解压缩的开发包。其目标不是最大限度压缩或者兼容其他压缩格式，而是旨在提供高速压缩速度和合理的压缩率

    • 使用snappy压缩需要在hadoop源码编译的时候集成。

  • MapReduce中如何使用压缩

    • 方式1：在代码中使用conf设置 影响本程序

    • 方式2：在集群配置文件中mapred-site.xml中设置 影响集群上所有mr程序。

  • 注意，在当下企业中，直接使用MapReduce编程已经几乎没有了，所有使用MapReduce设置压缩的机会也几乎没有了。但是离线使用Hive进行数据分析，可以设置数据压缩，其底层原理就是今天所讲MapReduce压缩的机制。

• Hadoop小文件问题

  • 存储角度

    • 文件不管多小，本身都是一个单独的 。都需要一条元数据来记录

    • 小文件吃内存情况。

  • MapReduce计算角度

    • 文件不管多小 本身都是一个切片 都需要一个maptask来处理。

    • 浪费性能 浪费资源

  • 使用CombineTextInputFormat来处理小文件

    • step1: CombineTextInputFormat.setMaxInputSplitSize(job, 4194304); // 4m

    • step2:虚拟存储过程

      将待处理文件和上述设置的值进行比较
      ​
      #1、小于等于 保持不变
      #2、大于超过2倍  根据4M切分
          大于不超过2倍 等分为2
      ​

    • step3:判断每一个切片和4M的大小情况 如果小于和后面的结合参与计算 直到大于4M

• MapReduce程序可以没有reduce阶段的

  • 只需要将reducetask个数设置为0即可。

    job.setNumReduceTasks(0);

  • 此时，maptask处理完数据之后 就不会进行shuffle了 直接输出结果到磁盘中。

  • 关于MapReduce输出结果文件名称

    #part-r-000000
        r表示是reducetask输出的文件  
        part表示的就是分区
        00000就是分区的标号
    ​
    #part-m-000000
        m表示是maptask输出的文件 
        part表示的就是切片
        00000就是切片的标号

• MapReduce中join的问题

  • 适合处理两份数据之间的关联操作

  • 分为map端join（map side join） reduce端join （reduce side join）

  • map端join适合大小表数据 使用分布式缓存技术将小表数据进行缓存

  • 没有shuffle阶段 没有reducetask.

  • 当下企业实战中 没有之间编写MapReduce处理join问题 但是后面使用数仓软件Apache hive，需要使用join进行数据处理 并且涉及到join优化，其底层的原理就是mapreduce join.

---

MapReduce 优化参数

• MapReduce程序运行是由很多参数支撑的 大多数都是以默认的形式默认值存在。

• 需要进行优化调整的时候 用户可以进行重新定义覆盖。

• 默认的参数在哪里。 xxxx-defult.xml中。

• 用户设置的参数

  • 代码中使用conf.set

  • mapred-site.xml 放置工程classpath下 也就是resources目录下。

• 容错 failover

  • 所谓的容错指的是容忍错误的发生。说的再直白一点，发生了错误，对程序也没有影响。

  • 容错主要可以解决单点故障问题，让问题错误的发送不至于影响正常的执行。

• 推测执行机制

  • 找出拖后腿的task

  • 启动备份task 两者同时处理同一份数据

  • 谁先处理完 谁的结果作为最终结果。

  • 企业中建议关闭该机制。

---

HDFS高阶

• namenode元数据

  • 元数据是什么

    元数据（Metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。
    ​
    #记录数据的数据 描述数据的数据

  • hdfs中元数据指的是什么

    • 文件系统的元数据（namespace、块的位置）

    • datanodes状态信息（健康、磁盘使用率）

• 回想首次启动HDFS集群的时候 进行format操作

  • 本质就是初始化操作 初始化namenode工作目录和元数据文件。

  • 元数据存储的目录由参数dfs.namenode.name.dir决定 在NN部署机器的本地linux文件系统中

    针对课程环境 最终目录
    ​
    /export/data/hadoopdata/dfs/name

• secondarynamenode

  • 要想成为namenode的备份 需要具备两个东西

    • 数据状态要和namenode保持一致。

    • 承担和namenode一样的职责

  • secondarynamenode根本不是namenode的备份，其主要职责帮助nameNode进行元数据的合并。

---