使用Hadoop的MapReduce与HDFS处理数据

hadoop是一个分布式的基础架构，利用分布式实现高效的计算与储存，最核心的设计在于HDFS与MapReduce，HDFS提供了大量数据的存储，mapReduce提供了大量数据计算的实现，通过Java项目实现hadoop job处理海量数据解决复杂的需求。

一、基本环境及相关软件的配置

具体配置说明：基本环境配置及权限申请

二、hadoop项目开发流程

hadoop基本的开发为job的初始化与分布式处理流程的开发。

1、任务基本配置

首相依据业务需求，须要在代码中配置job在每台机器上须要的java虚拟机使用的内存与运行过程须要的最大内存。

Configuration configuration = new Configuration(); configuration.set("mapreduce.map.java.opts", "-Xmx2048m"); configuration.set("mapreduce.map.memory.mb", "3072"); configuration.set("mapreduce.reduce.java.opts", "-Xmx2048m"); configuration.set("mapreduce.reduce.memory.mb", "3072"); Job job = new Job(configuration, "miuilite-dailyRetain-"+arg[4]);

2、执行參数配置

job.setJarByClass(MiuiliteRetainJob.class); MultipleOutputs.addNamedOutput(job, MIUIDanfaGeneralMapReduce.MULTI_OUTPUT_NAME_STATUS, SequenceFileOutputFormat.class,Text.class, Text.class); job.setOutputFormatClass(SequenceFileOutputFormat.class); MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class); MultipleInputs .addInputPath(job, new Path(arg[1]), SequenceFileInputFormat.class, MiuiliteRetainMapReduce.StatusLogMapper.class); FileOutputFormat.setOutputPath(job, new Path(arg[2])); job.setReducerClass(MiuiliteRetainMapReduce.RetainReducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(Text.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); job.setNumReduceTasks(40);//配置节点数量

hadoop任务处理过程中，各个分布式机器读取操作数据都是通过分布式储存文件系统hdfs，而且分布式计算将中间结果或者终于结果都是保存到hdfs上的，所以在job开发过程中须要的配置有：

1）相关的地址：数据hdfs地址，中间状态缓存保存HDFS地址，以及生成的结果hdfs保存地址，（如须要本地进一步处理结果，还须要本地地址，须要将hdfs的结果地址拉取到本 地进行处理），本地server地址：

MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);

        注意：对于要写入数据的地址要具有写的权限，具体权限配置请看基本配置介绍。

2）各种数据格式：

一种是文件的读取格式，能够使用基于行的日志文件，也能够使用二进制格式，多行输入记录或其它的格式，Hadoop有自带的几种格式：

输入格式	解释	key	value
TextInputFormat	默认格式，依照行读取	行的字节偏移量	行的内容
KeyValueInputFormat	解析每一行的数据	第一个Tab前的字符	剩下的内容
SequenceFileInputFormat	具有高性能的二进制格式	自己定义	自己定义

所以在读取输入文件格式中，须要选择自己合适的格式来初始化  MultipleInputs.addInputPath(job, new Path(arg[0]),
SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);

对于自己定义的SequenceFileInputFormat，它会读取特殊的特定于Hadoop的二进制文件，会让Hadoop的mapper高速读取数据。Sequence文件是块压缩的，并提供了对几种数据类型（不不过文本类型）直接的序列化与反序列化操作。

其次文件读取key 与value的格式，以及输出到文件的格式：BooleanWritable：标准布尔型数值，ByteWritable：单字节数值，DoubleWritable：双字节数，FloatWritable：浮点数，IntWritable：整型数，LongWritable：长整型数，Text：使用UTF8格式存储的文本，NullWritable：当<key,value>中的key或value为空时使用，须要在初始化job的过程中初始化相应输入输出的格式。

3）配置数据处理类，一般分为两个阶段，

第一步叫做mapping，会对数据作为mapper函数的输入数据，每条数据相应一个，mapper会吧每次map处理后的结果能够依据同样的key单独传到一个输出数据元素里面。样例： MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class,
MiuiliteRetainMapReduce.NewLogMapper.class);。 

        注意：能够同一时候使用多个数据输入处理的mapper，但输出key与value格式必须保持一致。

第二步叫做reducer，会接收mapping的输出作为输入列表的迭代器，会将同一key的值聚合在一起，并做一定的处理而返回处理结果。样例：job.setReducerClass(MiuiliteRetainMapReduce.RetainReducer.class);

3、数据处理流程

在全部配置好了之后调用job.waitForCompletion(true);提交任务运行任务并等待结束。

Mapper阶段：

public static class NewLogMapper extends Mapper<Object, BytesWritable, Text, Text> {         @Override         public void map(Object key, BytesWritable value, Context context) {         //..........省略中间处理原始数据过程，比方解密，生成OutPutKey等         context.write(new Text(OutPutKey), new Text(OutPutValue);     } }

Redecer阶段：

public static  class RetainReducer extends Reducer<Text, Text, Text, Text> {         @Override         public void setup(Context context) throws IOException, InterruptedException {             super.setup(context);             //数据初始化过程，初始化相关的计数工具         }         @Override         public void reduce(Text key, Iterable<Text> values, Context context) {           //相应同一个key进行相关的统计处理阶段，并将数据计入到相关的计数工具中。         }         @Override         protected void cleanup(Reducer.Context context) throws IOException, InterruptedException {                 stringCounter.output(context);                 super.cleanup(context);          //运行完成的兴许阶段，将没台分布式计算的机器的结果输入到hdfs上，清理context，         }

reducer完毕后须要统一将处理结果写入到HDFS中，所以在统计工具中应带有最后的输出函数：

public void output(Reducer.Context context, int longTailBar) throws IOException, InterruptedException {         for (Iterator<String> iterator = stringCountMap.keySet().iterator(); iterator.hasNext();) {             String key = iterator.next();             long value = stringCountMap.get(key);             if (value < longTailBar)                 continue;             key = key.replace('\r', ' ');             key = key.replace('\n', ' ');             context.write(new Text(key), new LongWritable(value));         }     }

4、处理结果本地

hadoop处理后的结果都是保存在hdfs上的，能够将相应的结果作为行的任务的输入进一步精确处理，假设须要进一步本地处理，通过调用本地shell命令将结果拷贝到本地：

private void copyToLocal(String hdfsPath, String localPath) throws IOException, InterruptedException {         String[] cmd = {"/bin/sh", "-c", "hadoop fs -cat " + hdfsPath + "/part* > " + localPath};         String tmpDic = loalPath.substring(0,localPath.lastIndexOf("/"));         if(!new File(tmpDic).exists()){             new File(tmpDic).mkdirs();         }         if(!new File(localPath).exists()){             new File(localPath).createNewFile();         }         Process pid = Runtime.getRuntime().exec(cmd);         if (pid != null) {             pid.waitFor();         }     }

三、执行流程

执行shell命令配置

hadoop项目执行方式通过shell文件执行指定的jar包，并指定相应的入口函数，根据项目的需求传入不同的參数。

hadoop jar  miuiapp-logs.jar com.xiaomi.miui.logs.danfa.MiuiMihomeGeneralJob XXX-param-1 XXX-param-2 XXX-param-3

注意：假设通过crontab -e定时指定相关的命令执行，须要在执行的shell文件里加入 jdk，hadoop的地址到环境变量中。

注意：在配置pom过程中须要将jar包打成大包，将全部依赖的jar包都应该打进去，所以在pom中应该增加下列配置：

<plugin>     <groupId>org.apache.maven.plugins</groupId>     <artifactId>maven-dependency-plugin</artifactId> </plugin> <plugin>     <groupId>org.apache.maven.plugins</groupId>         <artifactId>maven-assembly-plugin</artifactId>         <version>2.3</version>         <configuration>             <appendAssemblyId>false</appendAssemblyId>             <descriptorRefs>               <descriptorRef>jar-with-dependencies</descriptorRef>             </descriptorRefs>         </configuration>             <executions>                <execution>                     <id>make-assembly</id>                     <phase>package</phase>                     <goals>                         <goal>assembly</goal>                     </goals>                 </execution>             </executions> </plugin>