MapReduce的概念及特点
MapReduce是Hadoop体系下的一种计算模型(计算框架|编程框架),主要是用来对存储在HDFS上的数据进行统计及分析的。
MapReduce特点
- 易于编程:只需要使用Hadoop接口进行编程,即可实现多台计算机分布式计算和分布式存储。
- 高扩展性:存储空间不足或者计算能力不足,则可以添加计算机完成。
- 容错性高:如果某个节点宕机,Hadoop可以自动切换讲计算任务转移到其他节点上完成,不会影响计算结果。
- 应用场景:PB级别以上海量数据的离线处理,无法实时处理和流失动态处理。(每日)
MapReduce的核心思想
分而治之:大任务拆分小任务。
MapReduce计算
-
Job(一个大型任务)[Application]
一组MapReduce又统称为一个Job作业
-
Map(拆分后的小任务)
局部计算
-
Reduce(整合任务)
对局部计算结果进行汇总计算
yarn框架
作用(施工队):资源调度、任务监控。主要用来整合Hadoop集群中的资源(CPU、内存)进行统一调度,同时监控任务的执行情况。
总结: 联合多个服务器节点的硬件,共同完成一个计算。突破单机服务器的计算能力。
组成部分:
-
ResourceManager(老板)
集群计算资源的管理器,也是yarn架构中的主节点。
功能:1. 监控集群资源 2. 为计算分配资源
-
NodeManager(员工)
yarn集群计算资源的提供者,也是yarn架构中的从节点。
功能:- 真正执行计算任务的节点。
- 监控本节点的资源情况(CPU、内存、网络、硬盘),并通过心跳向ResourceManager汇报。
Yarn伪分布式搭建
# 准备单机的HDFS架构
验证:jps
[root@hadoop10 ~]# jps
2224 Jps
2113 SecondaryNameNode
1910 DataNode
1806 NameNode
关闭掉hdfs
stop-dfs.sh
# 初始化配置文件
1. mapred-site.xml
<!--配置yarn框架作为mapreduce的资源调度器-->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
2. yarn-site.xml
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!--配置resourcemanager的主机ip-->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>Hadoop</value>
</property>
# 启动yarn集群
1. 启动HDFS集群
start-dfs.sh
2. 启动yarn集群
start-yarn.sh
# 验证
1. jps
[root@hadoop11 ~]# jps
6160 DataNode
6513 ResourceManager
6614 NodeManager
6056 NameNode
6349 SecondaryNameNode
6831 Jps
2. 访问yarn的资源调度器web网页。
http://ip:8088
MapReduce数据流转机制
1. InputFormat(MapReduce自动处理)
将block文件转化成split切片,其中每条数据由key-value组成。
key是数据偏移量,value是每条数据。
2. Map(程序员编码)
将split逐条输入给map,由map负责,对每条数据进行处理,转化为keyOut-valueOut。
3. Shuffle(MapReduce的默认处理器)
对map输出的每条数据的key-value进行排序,分组。
4. Reduce(程序员编码)
对Shuffle分组后的数据的key-value进行处理,转化为新的key-value。
5. OutputFormat
将reduce产生的数据,存储HDFS文件系统中。
MapReduce编码
# 编写map程序
public class NameCountMap extends Mapper<LongWritable, Text,Text, IntWritable> {
/**
* @param keyIn 输入map数据的key
* @param valueInt 输入map数据的value
* @param contextOut map处理完毕后输出的每条数据 包含key-value
* @throws IOException
* @throws InterruptedException
* @do 接收输入的key-value转化为输出的key-value,交给shuffle分组排序
*/
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//局部计算
String[] names = value.toString().split(" ");
for (String name : names) {
context.write(new Text(name),new IntWritable(1));
}
}
}
# 编写reduce程序
public class NameCountReduce extends Reducer<Text, IntWritable,Text,IntWritable> {
/**
*
* @param keyIn 输入reduce的key
* @param valuesIn 输入reduce的value,是一個集合。
* @param contextOut 转化后输出的key-value,封装在contextOut中
* @throws IOException
* @throws InterruptedException
* @do 接收shuffle排序分组后的数据,并处理
*/
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable value : values) {
int i = value.get();
sum+=i;
}
context.write(key,new IntWritable(sum));
}
}
# 编写job程序
//0. 初始化HDFS配置文件
Configuration conf = new Configuration();
conf.set("fs.defaultFS","hdfs://192.168.242.10:9000");
//1. 创建一个Job
Job job = Job.getInstance(conf);
job.setJarByClass(MR1.class);
//2. 设置map key value mapclass InputFormat
job.setMapperClass(NameCountMap.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
TextInputFormat.addInputPath(job,new Path("/hdfs/mr/wordcount.log"));
//3. 设置reduce key value reduce class TextOutputFormat
job.setReducerClass(NameCountReduce.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
TextOutputFormat.setOutputPath(job,new Path("/hdfs/mrout"));//该目录是mapreduce生成的,不能自己创建,并且不能存在。
//4. 启动Job
boolean b = job.waitForCompletion(true);
System.out.println(b);
# 本地直接运行
使用本地的方式提交任务,需要HDFS开启写入文件的权限。
hdfs dfs -chmod -R 777 /hdfs
MapReduce任务提交
打包上传任务
# 打包
# 1. 设置maven的打包的环境
<properties>
<!--解决编码的GBK的问题-->
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
<build>
<!--指定打包的jar的名字-->
<finalName>word_count</finalName>
<!--指定打包的信息-->
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-jar-plugin</artifactId>
<version>2.4</version>
<configuration>
<archive>
<!--指定入口主函数所在的类名-->
<manifest>
<mainClass>com.aries.mapreduce_day01_01.job.WordCountJob</mainClass>
</manifest>
</archive>
</configuration>
</plugin>
</plugins>
</build>
# 2. 执行打包
在当前项目所在的目录下执行如下命令
> mvn package
# 3. 上传jar包到Hadoop的ResourceManager所在的机器
# 4. 执行程序
> yarn jar mr1.jar
maven自动化部署插件wagon
# 1. 配置maven远程提交插件
1. 添加maven的ssh扩展
2. 添加maven的远程拷贝插件wagon(货车)
<!--加入maven的扩展ssh-->
<extensions>
<extension>
<groupId>org.apache.maven.wagon</groupId>
<artifactId>wagon-ssh</artifactId>
<version>2.8</version>
</extension>
</extensions>
<!--maven的远程拷贝插件-->
<plugin>
<groupId>org.codehaus.mojo</groupId>
<artifactId>wagon-maven-plugin</artifactId>
<version>1.0</version>
<configuration>
<!--上传的本地jar的位置-->
<fromFile>target/${project.build.finalName}.jar</fromFile>
<!--远程拷贝的地址-->
<url>scp://用户名:密码@ip:/opt/app</url>
</configuration>
</plugin>
3. 添加远程执行命令,和参数。
# 清空
mvn clean
# 打包本地jar
mvn package
# 远程上传jar
mvn wagon:upload-single
4. 远程执行命令
# 如下内容在wagon的插件中添加
<!--maven的远程拷贝插件-->
<plugin>
<groupId>org.codehaus.mojo</groupId>
<artifactId>wagon-maven-plugin</artifactId>
<version>1.0</version>
<configuration>
<!--上传的本地jar的位置-->
<fromFile>target/${project.build.finalName}.jar</fromFile>
<!--远程拷贝的地址-->
<url>scp://root:[email protected]:/opt/app</url>
<!--上传后执行的linux命令-->
<commands>
<!--执行的命令-->
<command>nohup /opt/installs/hadoop2.9.2/bin/yarn jar /opt/app/${project.build.finalName}.jar > /opt/logs/mr.out 2>&1 &</command>
</commands>
<!--是否显示命令执行结果-->
<displayCommandOutputs>true</displayCommandOutputs>
</configuration>
</plugin>
nohup命令简介
nohup | no hang up 命令执行后,要持续一段时间,不要挂断。 |
---|---|
&(结尾) | 最后的&表示nohup命令的结尾。 |
2>&1 | 错误和输出都重定向写入到前面的文件中。 |
命令参数 | 含义 |
# maven和wagon 命令汇总
`注意,mvn命令需要在项目的pom.xml所在的目录执行`
1. 清空
mvn clean
2. 打包
mvn package
3. 上传
mvn wagon:upload-single
4. 执行
mvn wagon:sshexec
配置MapReduce的历史日志服务器
Hadoop自带了一个历史服务器,可以通过历史服务器查看已经运行完的MapReduce作业记录。
比如用了多少个Map、用了多少个Reduce、作业提交时间、作业启动时间、作业完成时间等信息。
默认未启动
# 1. 配置mapred-site.xml,指定历史日志服务器的地址
<!--job历史日志服务器的服务地址-->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop10:10020</value>
</property>
<!--job的历史日志服务器的web地址-->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop10:19888</value>
</property>
# 2. 配置yarn-site.xml,指定开启日志聚合和日志保留时间
<!--开启日志聚合-->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!--日志保存时间 单位秒 这里是7天-->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
# 3. 启动历史日志服务器
1. 重启yarn
[root@hadoop10 ~]# stop-yarn.sh
[root@hadoop10 ~]# start-yarn.sh
2. 启动
[root@hadoop10 ~]# mr-jobhistory-daemon.sh start historyserver
如果需要关闭执行如下命令
[root@hadoop10 ~]# mr-jobhistory-daemon.sh stop historyserver
# 4. 查看日志
1. 访问http://ip:8088(访问yarn集群,看到执行过的job信息)
2. 点击"Applications"找到刚才执行的job的"history"
3. 点击logs