Hadoop 系列（一）文件读写过程及MR过程

最近把自己学习到的知识捋一捋，发现现在除了spark和hive别的没有能拿的出手的，虽然java也会但是只是限制于能写东西。
想把知识体系好好补充一下，就开始hadoop系列的文章，好好的把hadoop从头到尾学习一下。

一：文件IO流程

文件读流程

1.client打开DistributesFileSystem API(集群文件系统的API) open方法

2.调用API的get块信息的方法（拿到所有的块信息）

3.打开FSDataInputStream API（读取数据的API），一个块三个副本（三台机器），（就近）找一个的机器去根据块信息读取对应的数据

4.一个块读取完成之后，在元数据里面找到下一个块最近的datanode

5.将所有的块拿过来之后，在客户端进行拼接成一个完成的文件

6.关闭链接（资源）

文件写流程

1.client打开DistributesFileSystem API(集群文件系统的API) create方法

2.传入文件的相关信息（文件名称，文件大小，文件拥有者）返回文件切成几个块，哪一个块放在哪一个文件上。

3.打开FSDataOutputStream API（写取数据的API），将一个块写到一个机器上，这个机器在同步到其他机器上

4.文件总体完成之后在告诉Namenode 写文件成功

5.关闭链接（资源）

MR 过程

1.将每个文件存为不同的block，将block进行切分操作操作（影响map数）

2.有可能有多个maptask线程并发执行，具体执行看代码怎么去写。（输出和输入必须是键值对的形式）

3.将相同的数据shuffle到同一个节点里面去执行reduce。（reduce个数决定于map的输出）

4.将结果输出到output

Shuffle 过程

1.Input--map(read in memory )--partation(决定reduce个数)--sort--split to disk---fetch（将一个机器上的map合并成一个文件）

2.fetch（key相同的数据合并成一个文件）--merge --reduce（+1操作）--输出数据

　备注：内存缓存区约为100M，缓存区快满的时候（split.percent 0.8约80M）需要有一个线程将数据刷到磁盘，这个过程叫溢写。该线程会对这些数据作排序操作。

MR详细流程(Shuffle过程在其中蕴涵)

1.（map--split阶段）将输入文件进行切割操作，最大块（64M）成为一个文件，大于的文件要切成两个。决定map个数

2.（map--map阶段）将文件读取进来，进行自定义的map操作

3.（map--溢写阶段）读文件进内存快满了的时候，进行partation（决定reduce个数）、sort（可以执行Combiner map端聚合数值value成为2或者文件）、split to disk 。

4.（map--merge阶段）将map输出的多个文件进行merge操作。（将value写成一个数组）

5.（reduce--读取数据阶段）将文件读取进来，进行merge操作（value写成一个数组）写到临时文件里面

6.（reduce--reduce阶段）临时文件里面的数据进行自定义reduce操作

MR Helloworld

代码

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

class WordcountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words = line.split(" ");
        //将单词输出为<单词，1>
        for(String word:words){
            //相同的单词分发给相同的reduce
            context.write(new Text(word),new IntWritable(1));
        }
    }
}
class WordcountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        /*
         * key--一组相同单词kv对的key
         * */
        int count =0;

        for(IntWritable value:values){
            count += value.get();
        }
        context.write(key,new IntWritable(count));
    }
}
public class WordcountDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "file:///");
        FileSystem fs= FileSystem.get(conf);
        String outputPath = "/software/java/data/output/";
        fs.delete(new Path(outputPath),true);

        Job job = Job.getInstance(conf);
        job.setJarByClass(WordcountDriver.class);
        job.setMapperClass(WordcountMapper.class);
        job.setReducerClass(WordcountReducer.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);


        FileInputFormat.setInputPaths(job, new Path("/software/java/data/input/"));
        FileOutputFormat.setOutputPath(job, new Path(outputPath));

        //将job配置的参数，以及job所用的java类所在的jar包提交给yarn去运行
        //job.submit();
        boolean res = job.waitForCompletion(true);
    }

}

pom.xml

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
  <modelVersion>4.0.0</modelVersion>
  <groupId>org.example</groupId>
  <artifactId>BigData</artifactId>
  <version>1.0-SNAPSHOT</version>
  <inceptionYear>2008</inceptionYear>
  <properties>
    <scala.version>2.7.0</scala.version>
    <hadoop.version>2.7.7</hadoop.version>
  </properties>


  <dependencies>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-client-app</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-client-core</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-client-hs</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-mapreduce-examples</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
  </dependencies>

  <build>
    <sourceDirectory>src/main/scala</sourceDirectory>
    <testSourceDirectory>src/test/scala</testSourceDirectory>
  </build>
</project>