数据压缩

hdfs的副本的配置
修改hdfs-site.xml文件
<property>
<name>
dfs.namenode.secondary.http-address
</name>
<value>hd-02:50090</value>
</property>
需要同步到其它机器：
scp hdfs-site.xml hd-02:$PWD
hadoop启动方式
1）启动hdfs集群
$ start-dfs.sh
2）启动yarn集群
$ start-yarn.sh
3)启动hadoop集群
$ start-all.sh
大数据干什么的？
1）海量数据的存储(mysql/orcale)
分布式文件系统hdfs
dfs->Hdfs
mapreduce->mapreduce
bigtable->hbase
分而治之！
2）海量数据的计算
分布式计算框架mapreduce
配置checkpoint时间
<property>
<name>dfs.namenode.checkpoint.period</name>
<value>7200</value>
</property>
hadoop­2.8.4安装部署
1）准备工作
设置主机名：vi /etc/hostname
注意：需要重启 reboot
设置映射：vi /etc/hosts
设置免密登录：ssh-keygen
ssh-copy-id hd-01
...
2)安装jdk
上传安装包
CRT:alt+p
解压
tar -zxvf .tar.gz
配置环境变量
export JAVA_HOME=/root/hd/jdk1.8.0_141
export PATH=$PATH:$JAVA_HOME/bin
注意：需要source /etc/profile
分发jdk
scp jdk hd-02:/root/hd
scp /etc/profile hd-02:/etc/
source /etc/profile
3)安装hadoop
上传安装包
alt + p
解压
tar -zxvf .tar.gz
修改配置文件
core-site.xml
hdfs-site.xml
mapred-site.xml
yarn-site.xml
配置环境变量
export HADOOP_HOME=/
export PATH=$PAYH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
修改slaves文件加入从节点
格式化namenode
hadoop namenode -format
启动:start-all.sh
hadoop­MapReduce
官方：Apache™Hadoop®项目开发了用于可靠，可扩展的分布式计算的开源软件。
Apache Hadoop软件库是一个框架，允许使用简单的编程模型跨计算机集群分布式处理
大型数据集。它旨在从单个服务器扩展到数千台计算机，每台计算机都提供本地计算和
存储。该库本身不是依靠硬件来提供高可用性，而是设计用于检测和处理应用层的故
障，从而在计算机集群之上提供高可用性服务，每个计算机都可能容易出现故障。
阿里的Flink（9000万欧元） Blink
MapReduce分布式计算程序的编程框架。基于hadoop的数据分析的应用。
MR优点：
1)框架易于编程
2)可靠容错（集群）
3)可以处理海量数据（1T+ PB+） 1PB = 1024TB
4)拓展性，可以通过动态的增减节点来拓展计算能力
MapReduce的思想
数据:海量单词
hello reba
hello mimi
hello liya
mimi big
需求：对每个单词出现的次数统计出来
思想：分而治之！
解决方式：
1）每个单词记录一次(map阶段)
<hello,1> <reba,1> <hello,1> <mimi,1>
2）相同单词的key不变，value累加求和即可（reduce阶段）
<hello,1+1+1>
对数据进行计算
对wordcount例子程序分析
1）整个wordcount分为几个阶段？
三个
2）有哪几个阶段？
mapper
reducer
driver
3）每个阶段有什么作用
mapper:对数据进行打散<hello,1><mimi,1>
reducer:对数据进行聚合<hello,1+1+1>
driver:提交任务
4）详解
Mapper阶段：
将数据转换为String
对数据进行切分处理
把每个单词后加1
输出到reducer阶段
Reducer阶段：
根据key进行聚合
输出key出现总的次数
Driver阶段：
创建任务
关联使用的Mapper/Reducer类
指定mapper输出数据的kv类型
指定reducer输出的数据的kv类型
指定数据的输入路径与输出路径
提交
hadoop数据类型
我们看到的wordcount程序中的泛型中的数据类型其实是hadoop的序列化的数据类
型。
为什么要进行序列化？用java的类型行不行？
Java的序列化:Serliazable太重。
hadoop自己开发了一套序列化机制。Writable，精简高效。海量数据。
hadoop序列化类型与Java数据类型
Java数据类型 Hadoop序列化类型
int IntWritable
long LongWritable
boolean BooleanWritable
byte ByteWritable
float FloatWritable
double DoubleWritable
String Text
wordcount测试
1)本地模式
2)集群模式
hadoop jar .jar wordcount /wc/in /wc/out
案例分析
需求：运营商流量日志
10086
计算每个用户当前使用的总流量
思路？总流量 = 上行流量+下行流量
三个字段：手机号 上行流量 下行流量
技术选型：PB+
数据分析：海量数据(存储hdfs)
海量数据计算(分布式计算框架MapReduce)
小文件优化
如果企业中存在海量的小文件数据
TextInputFormat按照文件规划切片，文件不管多小都是一个单独的切片，启动mapt
ask任务去执行，这样会产生大量的maptask，浪费资源。
优化手段：
小文件合并大文件，如果不动这个小文件内容。
自定义分区
需求：统计结果进行分区，根据手机号前三位来进行分区
总结：
1）自定义类继承partitioner<key,value>
2）重写方法getPartition()
3)业务逻辑
4）在driver类中加入
setPartitionerClass
5)注意：需要指定setNumReduceTasks(个数=分区数+1)
排序
需求：每个分区内进行排序？
总结：
1）实现WritableComparable接口
2）重写compareTo方法
combineTextInputFormat设置切片的大小 maptask
combiner 合并
1）combiner是一个组件
注意：是Mapper和Reducer之外的一种组件
但是这个组件的父类是Reduer
2)如果想使用combiner继承Reduer即可
3）通过编写combiner发现与reducer代码相同
只需在driver端指定
setCombinerClass(WordCountReduer.class)
注意：前提是不能影响业务逻辑<a,1><c,1> <a,2><a,1> = <a,3>
数学运算： (3 + 5 + 7)/3 = 5
(2 + 6)/2 = 4
不进行局部累加：（3 + 5 + 7 + 2 + 6）/5 = 23/5
进行了局部累加：（5+4）/2 = 9/2=4.5 不等于 23/5=4.6
数据压缩
为什么对数据进行压缩？
mapreduce操作需要对大量数据进行传输
压缩技术有效的减少底层存储系统读写字节数，hdfs。
压缩提高网络带宽和磁盘空间效率。
数据压缩节省资源，减少网络I/O。
通过压缩可以影响到mapreduce性能。(小文件优化，combiner)代码角度进行优化。
注意：利用好压缩提高性能，运用不好会降低性能。
压缩 -》 解压缩
mapreduce常用的压缩编码
压缩格式 是否需要安装 文件拓展名 是否可以切分
DEFAULT 直接使用 .deflate 否
bzip2 直接使用 .bz2 是
Gzip 直接使用 .gz 否
LZO 需要安装 .lzo 是
Snappy 需要安装 .snappy 否
性能测试
压缩格式 原文件大小 压缩后大小 压缩速度 解压速度
gzip 8.3GB 1.8GB 20MB/s 60MB/s
LZO 8.3GB 3GB 50MB/s 70MB/s
bzip2 8.3GB 1.1GB 3MB/s 10MB/s
数据压缩发生阶段
数据源
­》数据传输 数据压缩
mapper
map端输出压缩
­》数据传输 数据压缩
reducer
reduce端输出压缩
­》数据传输 数据压缩
结果数据
设置map端输出压缩：
1）开启压缩
conf.setBoolean
2）设置具体压缩编码
conf.setClass
设置reduce端输出压缩：
1）设置reduce输出压缩
FileOutputFormat.setCompressOutput
2）设置具体压缩编码
FileOutputFormat.setOutputCompressorClass
hive数据仓库：mapreduce 用hsql处理大数据
压缩编码使用场景
1-> Gzip压缩方式
压缩率比较高，并且压缩解压缩速度很快；
hadoop自身支持的压缩方式，用gzip格式处理数据就像直接处理文本数据是完全一样
的；
在linux系统自带gzip命令，使用很方便简洁。
不支持split
使用每个文件压缩之后大小需要在128M以下（块大小）
200M-》设置块大小
2->LZO压缩方式
压缩解压速度比较快并且，压缩率比较合理；
支持split
在linux系统不可以直接使用，但是可以进行安装。
压缩率比gzip和bzip2要弱，hadoop本身不支持。
需要安装。
3->Bzip2压缩方式
支持压缩，具有很强的压缩率。hadoop本身支持。
linux中可以安装。
压缩解压缩速度很慢。
4->Snappy压缩方式
压缩解压缩速度很快。而且有合理的压缩率。
不支持split
数据倾斜
reduce join