附录C 准备NCDC气象数据(加解释)

附录C 准备NCDC气象数据

这里首先简要介绍如何准备原始气象数据文件，以便我们能用Hadoop对它们进行分析。如果打算得到一份数据副本供Hadoop处理，可按照本书配套网站(网址为http://www.hadoopbook.com/)给出的指导进行操作。接下来，首先说明如何处理原始的气象文件。

原始数据实际是一组经过bzip2压缩的tar文件。每个年份的数据单独放在一个文件中。部分文件列举如下：
 

1901.tar.bz2
1902.tar.bz2
1903.tar.bz2
...
2000.tar.bz2

各个tar文件包含一个gzip压缩文件，描述某一年度所有气象站的天气记录。(事实上，由于在存档中的各个文件已经预先压缩过，因此再利用bzip2对存档压缩就稍显多余了)。示例如下：
 

% tar jxf 1901.tar.bz2
% ls -l 1901 | head
011990-99999-1950.gz
011990-99999-1950.gz
...
011990-99999-1950.gz

由于气象站数以万计，所以整个数据集实际上是由大量小文件构成的。鉴于Hadoop对少量的大文件的处理更容易、更高效(参见7.2.1节)，所以在本例中，我们将每个年度的数据解压缩到一个文件中，并以年份命名。上述操作可由一个MapReduce程序来完成，以充分利用其并行处理能力的优势。下面具体看看这个程序。

该程序只有一个map函数，无reduce函数，因为map函数可并行处理所有文件操作，无需整合步骤。这项处理任务能够用一个Unix脚本进行处理，因而在这里使用面向MapReduce的Streaming接口比较恰当。请看范例C-1。

范例C-1. 利用bash脚本来处理原始的NCDC数据文件并将其存储在HDFS中
 

Example C-1. Bash script to process raw NCDC datafiles and store them in HDFS

#!/usr/bin/env bash

# NLineInputFormat gives a single line: key is offset, value is S3 URI
read offset s3file
#读取每一行 第一个参数到offset 第二个打牌s3file
# Retrieve file from S3 to local disk
echo "reporter:status:Retrieving $s3file" >&2
$HADOOP_HOME/bin/hadoop fs -get $s3file .

# Un-bzip and un-tar the local file
target=`basename $s3file .tar.bz2`
mkdir -p $target
echo "reporter:status:Un-tarring $s3file to $target" >&2
tar jxf `basename $s3file` -C $target

# Un-gzip each station file and concat into one file
echo "reporter:status:Un-gzipping $target" >&2
for file in $target/*/*
do
  gunzip -c $file >> $target.all
  echo "reporter:status:Processed $file" >&2
done

# Put gzipped version into HDFS
echo "reporter:status:Gzipping $target and putting in HDFS" >&2
gzip -c $target.all | $HADOOP_HOME/bin/hadoop fs -put - gz/$target.gz

输入是一个小的文本文件(ncdc_files.txt)，列出了所有待处理文件(这些文件放在S3文件系统中，因此能够以Hadoop所认可的S3 URI的方式被引用)。示例如下：
 

s3n://hadoopbook/ncdc/raw/isd-1901.tar.bz2
s3n://hadoopbook/ncdc/raw/isd-1902.tar.bz2
...
s3n://hadoopbook/ncdc/raw/isd-2000.tar.bz2

通过将输入格式指定为NLineInputFormat，每个mapper接受一行输入(包含必须处理的文件)。处理过程在脚本中解释，但简单说来，它会解压缩bzip2文件，然后将该年份所有文件整合为一个文件。最后，该文件以gzip进行压缩并复制至HDFS之中。注意，使用指令hadoop fs –put - 能够从标准输入中，获得数据。

状态消息输出到“标准错误”(以reporter:status为前缀)，可以解释为MapReduce状态更新。这告诉Hadoop该脚本正在运行，并未挂起。

运行Streaming作业的脚本如下：
 

% hadoop jar $HADOOP_INSTALL/contrib/streaming/hadoop-*-streaming.jar \
  -D mapred.reduce.tasks=0 \
  -D mapred.map.tasks.speculative.execution=false \
  -D mapred.task.timeout=12000000 \
  -input ncdc_files.txt \
  -inputformat org.apache.hadoop.mapred.lib.NLineInputFormat \
  -output output \
  -mapper load_ncdc_map.sh \
  -file load_ncdc_map.sh

易知，这是一个“只有map”的作业，因为reduce任务数为0。以上脚本还关闭了推测执行(speculative execution)，因此重复的任务不会写相同的文件(6.5.3节所讨论的方法也是可行的)。任务超时参数被设置为一个比较大的值，使得Hadoop不会杀掉那些运行时间较长的任务(例如，在解档文件或将文件复制到HDFS时，或者当进展状态未被报告时。)

最后，调用distcp将文件从HDFS中复制出来，再存档到S3文件系统中。