Hadoop编程入门

12年前

原文地址：http://blog.csdn.net/calvinxiu/archive/2007/02/09/1506112.aspx

Hadoop 是Google MapReduce的 一个Java 实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同java程序员可以不考虑内存泄 露一样， MapReduce的 run-time系统会解决输入数据的分布细节，跨越机器集群的程序执行调度，处理机器的失效，并且管理机器之间的通讯请求。这样的模式允许程序员可以不 需要有什么并发处理或者分布式系统的经验，就可以处理超大的分布式系统得资源。

一、概论

作为Hadoop程序员，他要做的事情就是：

  1. 定义Mapper，处理输入的Key-Value对，输出中间结果。
  2. 定义Reducer，可选，对中间结果进行规约，输出最终结果。
  3. 定义InputFormat 和OutputFormat， 可选，InputFormat将 每行输入文件的内容转换为Java类供Mapper函数使用，不定义时默认为String。
  4. 定义main函数，在里面定义一个Job并运行它。 然后的事情就交给系统了。
  • 基 本概念：Hadoop的HDFS实现了google的GFS文件系统，NameNode作 为文件系统的负责调度运行在master，DataNode运 行在每个机器上。同时Hadoop实现了Google的MapReduce，JobTracker作 为MapReduce的 总调度运行在master，TaskTracker则 运行在每个机器上执行Task。
  • main()函数，创建JobConf， 定义Mapper，Reducer，Input/OutputFormat 和输入输出文件目录，最后把Job提交給JobTracker， 等待Job结束。
  • JobTracker， 创建一个InputFormat的 实例，调用它的getSplits()方法，把输入目录的文件拆分成FileSplist作 为Mapper task 的输入，生成Mapper task加入Queue。 TaskTracker 向 JobTracker索 求下一个Map/Reduce。
  • Mapper Task先从InputFormat创 建RecordReader， 循环读入FileSplits的 内容生成Key与Value，传给Mapper函数，处理完后中间结果写成SequenceFile. Reducer Task 从运行Mapper的TaskTracker的 Jetty上使用http协议获取所需的中间内容（33%），Sort/Merge后（66%），执行Reducer函数，最后按照 OutputFormat写 入结果目录。
  • TaskTracker 每10秒向JobTracker报 告一次运行情况，每完成一个Task10秒后，就会向JobTracker索 求下一个Task。

Nutch项目的全部数据处理都构建在Hadoop之上，详见Scalable Computing with Hadoop。

二、程序员编写的代码

我们做一个简单的分布式的Grep，简单对输入文件进行逐行的正则匹配，如果符合就将该行打印到输出文件。因为是简单的全部输出，所以我 们只要写Mapper函数，不用写Reducer函数，也不用定义Input/Output Format。

package demo.hadoop public class HadoopGrep {  public static class RegMapper extends MapReduceBase implements Mapper {  private Pattern pattern;  public void configure(JobConf job) { pattern = Pattern.compile(job.get( " mapred.mapper.regex " ));   }     public void map(WritableComparable key, Writable value, OutputCollector output, Reporter reporter)  throws IOException {   String text = ((Text) value).toString(); Matcher matcher = pattern.matcher(text);  if (matcher.find()) { output.collect(key, value);   }   }  }  private HadoopGrep () {   } // singleton  public static void main(String[] args) throws Exception {  JobConf grepJob = new JobConf(HadoopGrep. class );   grepJob.setJobName( " grep-search " );   grepJob.set( " mapred.mapper.regex " , args[ 2 ]);   grepJob.setInputPath( new Path(args[ 0 ]));   grepJob.setOutputPath( new Path(args[ 1 ]));   grepJob.setMapperClass(RegMapper. class );   grepJob.setReducerClass(IdentityReducer. class );  JobClient.runJob(grepJob);  }

RegMapper 类 的configure()函数接受由main函数传入的查找字符串，map() 函数进行正则匹配，key是行数，value是文件行的内容，符合的文件行放入中间结果。 main()函数定义由命令行参数传入的输入输出目录和匹配字符串，Mapper函数为RegMapper类，Reduce 函数是什么都不做，直接把中间结果输出到最终结果的的IdentityReducer类， 运行Job。整个代码非常简单，丝毫没有分布式编程的任何细节。

三. 运行Hadoop程序

    Hadoop这方面的文档写得不全面，综合参考GettingStartedWithHadoop与Nutch Hadoop Tutorial 两篇后，再碰了很多钉子才终于完整的跑起来了，记录如下：

3.1 local运行模式

  • 完 全不进行任何分布式计算，不动用任何namenode,datanode的做法，适合 一开始做调试代码。 解压hadoop，其中conf目录是配置目 录，hadoop的配置文件在hadoop-default.xml，如果要修改配置，不是直接修改该文件，而是修改hadoop-site.xml，将 该属性在hadoop-site.xml里重新赋值。 hadoop- default.xml的默认配置已经是local运行，不用任何修改，配置目录里唯一必须修改的是hadoop-env.sh 里JAVA_HOME的位置。

  • 将编译好的HadoopGrep与RegMapper.class 放入hadoop/build/classes/demo/hadoop/目录 找一个比较大的log文件放入一个目录，然后运行hadoop / bin / hadoop demo.hadoop.HadoopGrep log文件所在目录任意的输出目录grep的字符串

  • 查看输出目录的结果，查看hadoop/logs/里的运行日志。 在重新运行前，先删掉输出目录。

3.2 单机集群运行模式

现在来搞一下只有单机的集群.假设以完成3.1中的设置，本机名为 hadoopserver

1.修改hadoop-site.xml ，加入如下内容：

< property >  < name > fs.default.name </ name > < value > hadoopserver:9000 </ value >  </ property > < property >  < name > mapred.job.tracker </ name > < value > hadoopserver:9001 </ value >  </ property > < property >  < name > dfs.replication </ name > < value > 1 </ value >  </ property >

        从 此就将运行从local文件系统转向了hadoop的hdfs系 统，mapreduce的jobtracker也从local的进程内操作变成了分布式的任务系统，9000，9001两个端口号是随便选择的两个空余端 口号。另外，如果你的/tmp目录不够大，可能还要修改hadoop.tmp.dir属性。

2. 增加ssh不输入密码即可登陆。因为Hadoop需要不用输入密码的ssh来进行调度，在不su的状态下，在自己的 home目录运行ssh-keygen -t rsa ,然后一路回车生成密钥，再进入.ssh目录,cp id_rsa.pub authorized_keys 详细可以man 一下ssh, 此时执行ssh hadoopserver，不需要输入任何密码就能进入了。
3.格式化namenode，执行 bin/hadoop namenode -format
4.启动Hadoop，执行hadoop/bin /start-all.sh, 在本机启动namenode,datanode,jobtracker,tasktracker
5. 现在将待查找的log文件放入hdfs，执行hadoop/bin/hadoop dfs 可以看到它所支持的文件操作指令。 执行hadoop/bin/hadoop dfs put log文件所在目录 in ，则log文件目录已放入hdfs的/user/user-name/in 目录中
6. 现在来执行Grep操作，hadoop/bin/hadoop demo.hadoop.HadoopGrep in out 查看hadoop/logs/里的运行日志，重新执行前。运行hadoop/bin/hadoop dfs rmr out 删除out目录。
7.运行hadoop/bin/stop-all.sh 结束
 

3.3 集群运行模式

假设已执行完3.2的配置，假设第2台机器名是hadoopserver2

  1. 创建与hadoopserver同样的执行用户，将hadoop解压到相同的目 录。

  2. 同样的修改haoop-env.sh中的 JAVA_HOME 及修改与3.2同样的hadoop-site.xml

  3. 将 hadoopserver中的/home/username/.ssh/authorized_keys 复制到hadoopserver2,保证hadoopserver可以无需密码登陆hadoopserver2

  4. 修改hadoop-server的hadoop/conf/slaves文件, 增加集群的节点，将localhost改为hadoop-server hadoop-server2

  5. 在 hadoop-server执行 hadoop/bin/start-all.sh，将会在hadoop-server启动 namenode,datanode,jobtracker,tasktracker；在hadoop-server2启动datanode 和tasktracker

  6. 现在来执行Grep操作：hadoop/bin/hadoop demo.hadoop.HadoopGrep in out

  7. 重新执行前,运行hadoop/bin/hadoop dfs rmr out 删除out目录

  8. 运行 hadoop/bin/stop-all.sh 结束。
    scp /home/username/.ssh/authorized_keys username@hadoopserver2:/home/username/.ssh/authorized_keys

四、效率

经 测试，Hadoop并不是万用灵丹，很取决于文件的大小和数量，处理的复杂度以及群集 机器的数量，相连的带宽，当以上四者并不大时，hadoop优势并不明显。 比 如，不用hadoop用java写的简单grep函数处理100M的log文件只要4秒，用了hadoop local的方式运行是14秒，用了hadoop单机集群的方式是30秒，用双机集群10M网口的话更慢，慢到不好意思说出来的地步。