大数据-学习实践-5企业级解决方案

大数据-学习实践-5企业级解决方案

(大数据系列)

1知识点

• 小文件问题
• 小文件存储计算
• 数据倾斜
• YARN
• Hadoop官方

2具体内容

2.1小文件问题

MapReduce框架针对大数据文件设计，小文件处理效率低下，消耗内存资源

• 每个小文件在NameNode都会占用150字节的内存，每个小文件都是一个block
• 一个block产生一个inputsplit，产生一个Map任务
• 同时启动多个map任务消耗性能，影响MapReduce执行效率

2.1.1 SequenceFile

• SequenceFile是二进制文件，直接将对序列化到文件
• 对小文件进行文件合并：文件名为k，文件内容为v，序列化到大文件
• 但需要合并文件的过程，文件大且合并后的文件不便查看，需要遍历查看每个小文件
• 读、写试验
• SequenceFile在hdfs上合并为一个文件

2.1.2 MapFile

• 排序后的MapFile，包括index和data
• index为文件的数据索引，记录每个record的key值，并保存该record在文件中的偏移位
• 访问MapFile时，索引文件被加载到内存，通过索引映射关系快速定位到指定Record所在文件位置
• 相对SequenceFile而言，MapFile的检索效率是高效的，缺点是会消耗一部分内存来存储index数据
• MapFile在hdfs上包括2个文件，index和data

2.1.3 小文件存储计算

使用SequenceFile实现小文件存储计算

• java开发，生成SequenceFile；（人工将一堆小文件处理成一个较大文件，进行MapReduce计算）
• 开发MapReduce（借助底层），读取Sequencefile，进行分布式计算

2.2数据倾斜

• 一般不对Map任务进行改动，但为了提高效率，可增加Reduce任务，需要对数据分区
• job.getPartitionerClass()实现分区
• 当MapReduce程序执行时，大部分Reduce节点执行完毕，但有一个或几个Reduce节点运行很慢，导致整个程序处理时间变长，表现为Reduce节点卡着不动
  • 倾斜不严重，可增加Reduce任务个数

job.setNumReduceTasks(Integer.parseInt(args[2]));

• 倾斜严重，要把倾斜数据打散（抽样确定哪一类，打散）

String key = words[0];
if ("5".equals(key)) {
 //把倾斜的key打散，分成10份
 key = "5" + "_" + random.nextInt(10);
}

2.3 YARN

2.3.1 YARN架构

• 集群资源的管理和调度，支持主从架构，主节点最多2个，从节点可多个
• ResourceManager：主节点负责集群资源分配和管理
• NodeManager：从节点负责当前机器资源管理
• YARN主要管理内存和CPU两种资源
• NodeManager启动向ResourceManager注册，注册信息包含该节点可分配的CPU和内存总量
• 默认单节点：（yarn-site.xml文件中设置）
  • yarn.nodemanager.resourece.memory-mb：单节点可分配物理内存总量，默认8Mb*1024,8G
  • yarn.nodemanager.resource.cpu-vcores：单节点可分配的虚拟CPU个数，默认是8

2.3.2 YARN调度器

• FIFO Scheduler 先进先出
• Capacity Scheduler FIFO Scheduler 多队列版本（常用）
• Fair Scheduler 多队列，多用户共享资源

2.3.2 YARN多资源队列配置和使用

1. 增加online队列和offline队列
   • 修改 capacity-scheduler.xml 文件，并同步其他节点

 yarn.scheduler.capacity.root.queues</name>
 default,online,offline</value>
 
   The queues at the this level (root is the root queue).
 </description>
</property>

 yarn.scheduler.capacity.root.default.capacity</name>
 70</value>
 Default queue target capacity.</description>
</property>

 yarn.scheduler.capacity.root.online.capacity</name>
 10</value>
 Online queue target capacity.</description>
</property>

 yarn.scheduler.capacity.root.offline.capacity</name>
 20</value>
 Offline queue target capacity.</description>
</property>

 yarn.scheduler.capacity.root.default.maximum-capacity</name>
 70</value>
 
   The maximum capacity of the default queue.
 </description>
</property>

 yarn.scheduler.capacity.root.online.maximum-capacity</name>
 10</value>
 
   The maximum capacity of the online queue.
 </description>
</property>

 yarn.scheduler.capacity.root.offline.maximum-capacity</name>
 20</value>
 
   The maximum capacity of the offline queue.
 </description>
</property>

- 重新启动

stop-all.sh
start-all.sh

2. 向offline队列提交MR任务
   • online队列里面运行实时任务
   • offline队列里面运行离线任务

#解析命令行通过-D传递参数，添加至conf；也可修改java程序解析各参数
String[] remainingArgs = new GenericOptionsParser(conf,args).getRemainingArgs();
Job job = Job.getInstance(conf);
job.setJarByClass(WordCountJobQueue.class);#必须有，否则集群执行时找不到wordCountJob这个类

#重新编译上传执行
hadoop jar db_hadoop-1.0-SNAPSHOT-jar-with-dependencies.jar com.imooc.mr.WordCountJobQueue -Dmapreduce.job.queue=offline /test/hello.txt /outqueue

2.4Hadoop官方文档

• 官方文档
• 在CDH中的使用
• 在HDP中的使用
  -（1080端口） Ambari组件，提供web界面

2.5总结

• MapReduce
  • 原理
  • 计算过程
  • 执行步骤
  • wordcount案例
  • 日志查看：开启YARN日志聚合，启动historyServer进程
  • 程序扩展：去掉Reduce
  • Shuffle过程
• 序列化
  • Writable实现类
  • 特点
• 源码分析
  • InputFormat
  • OutputFormat
• 性能优化
  • 小文件
  • 数据倾斜
• YARN
  • 资源管理：内存+CPU
  • 调度器：常用CapacityScheduler

3待补充

无

4Q&A

无

5code

无

6参考

• 大数据课程资料