企业网站设计建设,俄罗斯网站设计,wordpress取消作者,网站建设品牌好第1章 Hadoop概述
1.1 Hadoop是什么 1.2 Hadoop发展历史#xff08;了解#xff09; 1.3 Hadoop三大发行版本#xff08;了解#xff09;
Hadoop三大发行版本#xff1a;Apache、Cloudera、Hortonworks。
Apache版本最原始#xff08;最基础#xff09;的版本#x…第1章 Hadoop概述
1.1 Hadoop是什么 1.2 Hadoop发展历史了解 1.3 Hadoop三大发行版本了解
Hadoop三大发行版本Apache、Cloudera、Hortonworks。
Apache版本最原始最基础的版本对于入门学习最好。2006
Cloudera内部集成了很多大数据框架对应产品CDH。2008
Hortonworks文档较好对应产品HDP。2011
Hortonworks现在已经被Cloudera公司收购推出新的品牌CDP。 1Apache Hadoop
官网地址http://hadoop.apache.org
下载地址https://hadoop.apache.org/releases.html
2Cloudera Hadoop
官网地址https://www.cloudera.com/downloads/cdh
下载地址https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
12008年成立的Cloudera是最早将Hadoop商用的公司为合作伙伴提供Hadoop的商用解决方案主要是包括支持、咨询服务、培训。
22009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDHCloudera ManagerCloudera Support
3CDH是Cloudera的Hadoop发行版完全开源比Apache Hadoop在兼容性安全性稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
4Cloudera Manager是集群的软件分发及管理监控平台可以在几个小时内部署好一个Hadoop集群并对集群的节点及服务进行实时监控。
3Hortonworks Hadoop
官网地址https://hortonworks.com/products/data-center/hdp/
下载地址https://hortonworks.com/downloads/#data-platform
12011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
2公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师上述工程师均在2005年开始协助雅虎开发Hadoop贡献了Hadoop80%的代码。
3Hortonworks的主打产品是Hortonworks Data PlatformHDP也同样是100%开源的产品HDP除常见的项目外还包括了Ambari一款开源的安装和管理系统。
42018年Hortonworks目前已经被Cloudera公司收购。
1.4 Hadoop优势4高 1.5 Hadoop组成面试重点
hadoop1.x 2.x 3.x 的区别 1.5.1 HDFS架构概述
Hadoop Distributed File System简称HDFS是一个分布式文件系统。 1.5.2 YARN架构概述
Yet Another Resource Negotiator简称YARN 另一种资源协调者是Hadoop的资源管理器。 1.5.3 MapReduce架构概述
MapReduce将计算过程分为两个阶段Map和Reduce
1Map阶段并行处理输入数据2Reduce阶段对Map结果进行汇总 1.5.4 HDFS、YARN、MapReduce三者关系 1.6 大数据技术生态体系 图中涉及的技术名词解释如下
1SqoopSqoop是一款开源的工具主要用于在Hadoop、Hive与传统的数据库MySQL间进行数据的传递可以将一个关系型数据库例如 MySQLOracle 等中的数据导进到Hadoop的HDFS中也可以将HDFS的数据导进到关系型数据库中。
2FlumeFlume是一个高可用的高可靠的分布式的海量日志采集、聚合和传输的系统Flume支持在日志系统中定制各类数据发送方用于收集数据
3KafkaKafka是一种高吞吐量的分布式发布订阅消息系统
4SparkSpark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
5FlinkFlink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6OozieOozie是一个管理Hadoop作业job的工作流程调度管理系统。
7HbaseHBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库它是一个适合于非结构化数据存储的数据库。
8HiveHive是基于Hadoop的一个数据仓库工具可以将结构化的数据文件映射为一张数据库表并提供简单的SQL查询功能可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低可以通过类SQL语句快速实现简单的MapReduce统计不必开发专门的MapReduce应用十分适合数据仓库的统计分析。
9ZooKeeper它是一个针对大型分布式系统的可靠协调系统提供的功能包括配置维护、名字服务、分布式同步、组服务等。
1.7 推荐系统框架图 第2章 Hadoop运行环境搭建开发重点
2.1 模板虚拟机环境准备
0安装模板虚拟机IP地址192.168.10.100、主机名称hadoop100、内存4G、硬盘50G
Linux下安装JDK,Mysql,Ngnix-CSDN博客
1hadoop100虚拟机配置要求如下本文Linux系统全部以CentOS-7.5-x86-1804为例
1使用yum安装需要虚拟机可以正常上网yum安装前可以先测试下虚拟机联网情况 2安装epel-release
注Extra Packages for Enterprise Linux是为“红帽系”的操作系统提供额外的软件包适用于RHEL、CentOS和Scientific Linux。相当于是一个软件仓库大多数rpm包在官方 repository 中是找不到的
yum install -y epel-release 杀死3030进程 3注意如果Linux安装的是最小系统版还需要安装如下工具如果安装的是Linux桌面标准版不需要执行如下操作
net-tool工具包集合包含ifconfig等命令
yum install -y net-tools
vim编辑器 yum install -y vim
2关闭防火墙关闭防火墙开机自启 systemctl stop firewalld
systemctl disable firewalld.service 注意在企业开发时通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安全的防火墙
3创建atguigu用户并修改atguigu用户的密码
useradd atguigu
passwd atguigu
4配置atguigu用户具有root权限方便后期加sudo执行root权限的命令
vim /etc/sudoers
修改/etc/sudoers文件在%wheel这行下面添加一行如下所示
atguigu ALL(ALL) NOPASSWD:ALL 注意atguigu这一行不要直接放到root行下面因为所有用户都属于wheel组你先配置了atguigu具有免密功能但是程序执行到%wheel行时该功能又被覆盖回需要密码。所以atguigu要放到%wheel这行下面。
5在/opt目录下创建文件夹并修改所属主和所属组
1在/opt目录下创建module、software文件夹
mkdir /opt/module
mkdir /opt/software 2修改module、software文件夹的所有者和所属组均为atguigu用户
chown atguigu:atguigu /opt/module
chown atguigu:atguigu /opt/software
3查看module、software文件夹的所有者和所属组
cd /opt/ ll
6卸载虚拟机自带的JDK 注意如果你的虚拟机是最小化安装不需要执行这一步。
rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps rpm -qa查询所安装的所有rpm软件包grep -i忽略大小写xargs -n1表示每次只传递一个参数rpm -e –nodeps强制卸载软件
7重启虚拟机
reboot
2.2 克隆虚拟机
1利用模板机hadoop100克隆三台虚拟机hadoop102 hadoop103 hadoop104 注意克隆时要先关闭hadoop100
2修改克隆机IP以下以hadoop102举例说明
1修改克隆虚拟机的静态IP
vim /etc/sysconfig/network-scripts/ifcfg-ens33
改成
IPADDR192.168.10.102
2查看Linux虚拟机的虚拟网络编辑器编辑-虚拟网络编辑器-VMnet8 3查看Windows系统适配器VMware Network Adapter VMnet8的IP地址 4保证Linux系统ifcfg-ens33文件中IP地址、虚拟网络编辑器地址和Windows系统VM8网络IP地址相同。
3修改克隆机主机名以下以hadoop102举例说明 1修改主机名称
vim /etc/hostname
hadoop102
2配置Linux克隆机主机名称映射hosts文件打开/etc/hosts
vim /etc/hosts
添加如下内容
192.168.10.100 hadoop100192.168.10.101 hadoop101192.168.10.102 hadoop102192.168.10.103 hadoop103192.168.10.104 hadoop104192.168.10.105 hadoop105192.168.10.106 hadoop106192.168.10.107 hadoop107192.168.10.108 hadoop108
4重启克隆机hadoop102
reboot
5修改windows的主机映射文件hosts文件
1如果操作系统是window7可以直接修改 a进入C:\Windows\System32\drivers\etc路径 b打开hosts文件并添加如下内容然后保存
192.168.10.100 hadoop100192.168.10.101 hadoop101192.168.10.102 hadoop102192.168.10.103 hadoop103192.168.10.104 hadoop104192.168.10.105 hadoop105192.168.10.106 hadoop106192.168.10.107 hadoop107192.168.10.108 hadoop108
2如果操作系统是window10先拷贝出来修改保存以后再覆盖即可
a进入C:\Windows\System32\drivers\etc路径
b拷贝hosts文件到桌面
c打开桌面hosts文件并添加如下内容
192.168.10.100 hadoop100192.168.10.101 hadoop101192.168.10.102 hadoop102192.168.10.103 hadoop103192.168.10.104 hadoop104192.168.10.105 hadoop105192.168.10.106 hadoop106192.168.10.107 hadoop107192.168.10.108 hadoop108
d将桌面hosts文件覆盖C:\Windows\System32\drivers\etc路径hosts文件
2.3 在hadoop102安装JDK
1卸载现有JDK
注意安装JDK前一定确保提前删除了虚拟机自带的JDK。详细步骤见问文档3.1节中卸载JDK步骤。
2用XShell传输工具将JDK导入到opt目录下面的software文件夹下面 3在Linux系统下的opt目录中查看软件包是否导入成功
ls /opt/software/
看到如下结果
jdk-8u212-linux-x64.tar.gz
4解压JDK到/opt/module目录下
tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
5配置JDK环境变量 1新建/etc/profile.d/my_env.sh文件
vim /etc/profile
vim /etc/profile.d/my_env.sh
添加如下内容
#JAVA_HOME
export JAVA_HOME/opt/module/jdk1.8.0_212
export PATH$PATH:$JAVA_HOME/bin 2保存后退出 3source一下/etc/profile文件让新的环境变量PATH生效
source /etc/profile
6测试JDK是否安装成功
java -version
如果能看到以下结果则代表Java安装成功。
java version 1.8.0_212
注意重启如果java -version可以用就不用重启
reboot
2.4 在hadoop102安装Hadoop
Hadoop下载地址https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/
1用XShell文件传输工具将hadoop-3.1.3.tar.gz导入到opt目录下面的software文件夹下面 2进入到Hadoop安装包路径下
cd /opt/software/
3解压安装文件到/opt/module下面
tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
4查看是否解压成功
ls /opt/module/
hadoop-3.1.3
5将Hadoop添加到环境变量 1获取Hadoop安装路径
/opt/module/hadoop-3.1.3 2打开/etc/profile.d/my_env.sh文件
vim /etc/profile.d/my_env.sh
在my_env.sh文件末尾添加如下内容shiftg
#HADOOP_HOME
export HADOOP_HOME/opt/module/hadoop-3.1.3
export PATH$PATH:$HADOOP_HOME/bin
export PATH$PATH:$HADOOP_HOME/sbin 保存并退出 :wq 3让修改后的文件生效
source /etc/profile
6测试是否安装成功
hadoop version
Hadoop 3.1.3
7重启如果Hadoop命令不能用再重启虚拟机
reboot
2.5 Hadoop目录结构
1查看Hadoop目录结构 2重要目录
1bin目录存放对Hadoop相关服务hdfsyarnmapred进行操作的脚本 2etc目录Hadoop的配置文件目录存放Hadoop的配置文件
3lib目录存放Hadoop的本地库对数据进行压缩解压缩功能
4sbin目录存放启动或停止Hadoop相关服务的脚本
5share目录存放Hadoop的依赖jar包、文档、和官方案例
第3章 Hadoop运行模式
1Hadoop官方网站Apache Hadoop
2Hadoop运行模式包括本地模式、伪分布式模式以及完全分布式模式。
本地模式单机运行只是用来演示一下官方案例。生产环境不用。伪分布式模式也是单机运行但是具备Hadoop集群的所有功能一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试生产环境不用。完全分布式模式多台服务器组成分布式环境。生产环境使用。 3.1 本地运行模式官方Word Count
1创建在hadoop-3.1.3文件下面创建一个wcinput文件夹
mkdir wcinput 2在wcinput文件下创建一个word.txt文件
cd wcinput
3编辑word.txt文件
vim word.txt
在文件中输入如下内容
Hello hadoopdoujiang保存退出:wq
4回到Hadoop目录/opt/module/hadoop-3.1.3
5执行程序 bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput/ ./wcoutput 6查看结果 cat part-r-00000
看到如下结果 3.2 完全分布式运行模式开发重点
分析 1准备3台客户机关闭防火墙、静态IP、主机名称 2安装JDK 3配置环境变量 4安装Hadoop 5配置环境变量
6配置集群
7单点启动 8配置ssh 9群起并测试集群
3.2.1 虚拟机准备
详见2.1、2.2两节。
3.2.2 编写集群分发脚本xsync
1scpsecure copy安全拷贝
1scp定义
scp可以实现服务器与服务器之间的数据拷贝。from server1 to server2 2基本语法
scp -r $pdir/$fname $user$host:$pdir/$fname
命令 递归 要拷贝的文件路径/名称 目的地用户主机:目的地路径/名称
3案例实操
前提在hadoop102、hadoop103、hadoop104都已经创建好的/opt/module、 /opt/software两个目录 a在hadoop102上将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。 scp -r jdk1.8.0_212/ hadoop103:/opt/module/ b在hadoop103上将hadoop102中/opt/module/hadoop-3.1.3目录拷贝到hadoop103上。 scp -r hadoop102:/opt/module/hadoop-3.1.3 /opt/module/c在hadoop103上操作将hadoop102中/opt/module目录下所有目录拷贝到hadoop104上。
scp -r hadoop102:/opt/module/* hadoop104:/opt/module/ 2rsync远程同步工具
rsync主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。
rsync和scp区别用rsync做文件的复制要比scp的速度快rsync只对差异文件做更新。scp是把所有文件都复制过去。 1基本语法
rsync -av $pdir/$fname $user$host:$pdir/$fname
命令 选项参数 要拷贝的文件路径/名称 目的地用户主机:目的地路径/名称 选项参数说明 选项 功能 -a 归档拷贝 -v 显示复制过程
2案例实操 a删除hadoop103中/opt/module/hadoop-3.1.3/wcinput
rm -rf wcinput/ b同步hadoop102中的/opt/module/hadoop-3.1.3到hadoop103
rsync -av hadoop-3.1.3/ hadoop103:/opt/module/hadoop-3.1.3/
3xsync集群分发脚本
1需求循环复制文件到所有节点的相同目录下 2需求分析
arsync命令原始拷贝
rsync -av /opt/module atguiguhadoop103:/opt/
b期望脚本
xsync要同步的文件名称
c期望脚本在任何路径都能使用脚本放在声明了全局环境变量的路径
$echo $PATH 3脚本实现
a在/root/bin目录下创建xsync文件
cd /root/
mkdir bin
cd bin
vim xsync
在该文件中编写如下代码
#!/bin/bash#1. 判断参数个数
if [ $# -lt 1 ]
thenecho Not Enough Arguement!Exit;
fi#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
doecho $host #3. 遍历所有目录挨个发送for file in $do#4. 判断文件是否存在if [ -e $file ]then#5. 获取父目录pdir$(cd -P $(dirname $file); pwd)#6. 获取当前文件的名称fname$(basename $file)ssh $host mkdir -p $pdirrsync -av $pdir/$fname $host:$pdirelseecho $file does not exists!fidone
doneb修改脚本 xsync 具有执行权限
chmod 777 xsync
chmod x xsync c测试脚本
xsync bin/
d将脚本复制到/bin中以便全局调用
e同步环境变量配置root所有者
xsync /etc/profile.d/my_env.sh
注意如果用了sudo那么xsync一定要给它的路径补全。
sudo ./bin/xsync /etc/profile.d/my_env.sh
让环境变量生效hadoop103,hadoop104
source /etc/profile
3.2.3 SSH无密登录配置 1配置ssh
1基本语法
ssh另一台电脑的IP地址
2ssh连接时出现Host key verification failed的解决方法
[atguiguhadoop102 ~]$ ssh hadoop103
如果出现如下内容
Are you sure you want to continue connecting (yes/no)?
输入yes并回车
3退回到hadoop102
[atguiguhadoop103 ~]$ exit
2无密钥配置
1免密登录原理 2生成公钥和私钥
[roothadoop102 .ssh]$
ssh-keygen -t rsa
然后敲三个回车就会生成两个文件id_rsa私钥、id_rsa.pub公钥 3将公钥拷贝到要免密登录的目标机器上
[roothadoop102 .ssh]$ ssh-copy-id hadoop102
[roothadoop102 .ssh]$ ssh-copy-id hadoop103
[roothadoop102 .ssh]$ ssh-copy-id hadoop104
注意
还需要在hadoop103上配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop104上配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop102上配置一下无密登录到hadoop102、hadoop103、hadoop104 3.ssh文件夹下~/.ssh的文件功能解释 known_hosts 记录ssh访问过计算机的公钥public key id_rsa 生成的私钥 id_rsa.pub 生成的公钥 authorized_keys 存放授权过的无密登录服务器公钥 3.2.4 集群配置
1集群部署规划 注意
NameNode和SecondaryNameNode不要安装在同一台服务器ResourceManager也很消耗内存不要和NameNode、SecondaryNameNode配置在同一台机器上。 hadoop102 hadoop103 hadoop104 HDFS NameNode DataNode DataNode SecondaryNameNode DataNode YARN NodeManager ResourceManager NodeManager NodeManager
2配置文件说明
Hadoop配置文件分两类默认配置文件和自定义配置文件只有用户想修改某一默认配置值时才需要修改自定义配置文件更改相应属性值。
1默认配置文件 要获取的默认文件 文件存放在Hadoop的jar包中的位置 [core-default.xml] hadoop-common-3.1.3.jar/core-default.xml [hdfs-default.xml] hadoop-hdfs-3.1.3.jar/hdfs-default.xml [yarn-default.xml] hadoop-yarn-common-3.1.3.jar/yarn-default.xml [mapred-default.xml] hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml
2自定义配置文件 core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上用户可以根据项目需求重新进行修改配置。
3配置集群
1核心配置文件
配置core-site.xml
[atguiguhadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop [atguiguhadoop102 hadoop]$
vim core-site.xml
文件内容如下 !-- 指定NameNode的地址 --propertynamefs.defaultFS/namevaluehdfs://hadoop102:8020/value/property!-- 指定hadoop数据的存储目录 --propertynamehadoop.tmp.dir/namevalue/opt/module/hadoop-3.1.3/data/value/property!-- 配置HDFS网页登录使用的静态用户为atguigu --propertynamehadoop.http.staticuser.user/namevalueatguigu/value/property
2HDFS配置文件
配置hdfs-site.xml
[atguiguhadoop102 hadoop]$ vim hdfs-site.xml
文件内容如下 !-- nn web端访问地址--propertynamedfs.namenode.http-address/namevaluehadoop102:9870/value/property!-- 2nn web端访问地址--propertynamedfs.namenode.secondary.http-address/namevaluehadoop104:9868/value/property
3YARN配置文件
配置yarn-site.xml
[atguiguhadoop102 hadoop]$ vim yarn-site.xml
文件内容如下
!-- 指定MR走shuffle --propertynameyarn.nodemanager.aux-services/namevaluemapreduce_shuffle/value/property!-- 指定ResourceManager的地址--propertynameyarn.resourcemanager.hostname/namevaluehadoop103/value/property!-- 环境变量的继承 --propertynameyarn.nodemanager.env-whitelist/namevalueJAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME/value/property
4MapReduce配置文件
配置mapred-site.xml
[atguiguhadoop102 hadoop]$ vim mapred-site.xml
文件内容如下 !-- 指定MapReduce程序运行在Yarn上 --propertynamemapreduce.framework.name/namevalueyarn/value/property
4在集群上分发配置好的Hadoop配置文件
[atguiguhadoop102 hadoop]$
xsync /opt/module/hadoop-3.1.3/etc/hadoop/ 5去103和104上查看文件分发情况
[atguiguhadoop103 ~]$
cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
[atguiguhadoop104 ~]$
cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
3.2.5 群起集群
1配置workers
[atguiguhadoop102 hadoop]$
vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
在该文件中增加如下内容 注意该文件中添加的内容结尾不允许有空格文件中不允许有空行。
同步所有节点配置文件
[atguiguhadoop102 hadoop]$
xsync /opt/module/hadoop-3.1.3/etc
2启动集群 1如果集群是第一次启动需要在hadoop102节点格式化NameNode注意格式化NameNode会产生新的集群id导致NameNode和DataNode的集群id不一致集群找不到已往数据。如果集群在运行过程中报错需要重新格式化NameNode的话一定要先停止namenode和datanode进程并且要删除所有机器的data和logs目录然后再进行格式化。
[atguiguhadoop102 hadoop-3.1.3]$
hdfs namenode -format 2启动HDFS
[atguiguhadoop102 hadoop-3.1.3]$
sbin/start-dfs.sh 两种解决ERROR: Attempting to operate on hdfs namenode as root的方法_starting namenodes on [localhost] error: attemptin-CSDN博客
3在配置了ResourceManager的节点hadoop103启动YARN
[atguiguhadoop103 hadoop-3.1.3]$
sbin/start-yarn.sh hadoop | start-yarn.sh与stop-yarn.sh执行失败_starting resourcemanager error: attempting to oper-CSDN博客
使用root用户配置的hadoop集群启动报错ERROR: Attempting to operate on hdfs namenode as root_[rootmaster ~]# start-dfs.sh starting namenodes o-CSDN博客 4Web端查看HDFS的NameNode
a浏览器中输入http://hadoop102:9870http://hadoop102:9870 b查看HDFS上存储的数据信息
5Web端查看YARN的ResourceManager
a浏览器中输入http://hadoop103:8088http://hadoop103:8088 b查看YARN上运行的Job信息
3集群基本测试
1上传文件到集群
hadoop fs -mkdir /wcinput
上传小文件
[atguiguhadoop102 ~]$
hadoop fs -mkdir /wcinput
[atguiguhadoop102 ~]$
hadoop fs -put wcinput/word.txt /wcinput 上传大文件
[atguiguhadoop102 ~]$
hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz / 2上传文件后查看文件存放在什么位置
查看HDFS文件存储路径
[atguiguhadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1436128598-192.168.10.102-1610603650062/current/finalized/subdir0/subdir0
查看HDFS在磁盘存储文件内容
[atguiguhadoop102 subdir0]$ cat blk_1073741825 3拼接
-rw-rw-r--. 1 atguigu atguigu 134217728 5月 23 16:01 blk_1073741836
-rw-rw-r--. 1 atguigu atguigu 1048583 5月 23 16:01 blk_1073741836_1012.meta
-rw-rw-r--. 1 atguigu atguigu 63439959 5月 23 16:01 blk_1073741837
-rw-rw-r--. 1 atguigu atguigu 495635 5月 23 16:01 blk_1073741837_1013.meta
[atguiguhadoop102 subdir0]$ cat blk_1073741836tmp.tar.gz
[atguiguhadoop102 subdir0]$ cat blk_1073741837tmp.tar.gz
[atguiguhadoop102 subdir0]$ tar -zxvf tmp.tar.gz 4下载
[atguiguhadoop104 software]$
hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
5执行wordcount程序
[atguiguhadoop102 hadoop-3.1.3]$
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /wcinput /wcoutput sbin /stop-dfs.sh jps 删除每个集群data,logs rm -rf data/ logs/ 格式化节点 hadoop namenode -format sbin/start-dfs.sh jps 3.2.6 配置历史服务器
为了查看程序的历史运行情况需要配置一下历史服务器。具体配置步骤如下
1配置mapred-site.xml
[atguiguhadoop102 hadoop]$
vim mapred-site.xml 在该文件里面增加如下配置。 !-- 历史服务器端地址 --propertynamemapreduce.jobhistory.address/namevaluehadoop102:10020/value/property!-- 历史服务器web端地址 --propertynamemapreduce.jobhistory.webapp.address/namevaluehadoop102:19888/value/property
2分发配置
[atguiguhadoop102 hadoop]$
xsync mapred-site.xml
3在hadoop102启动历史服务器
关闭 ResourceManager
1 sbin/stop-yarn.sh
2 sbin/start-yarn.sh
[atguiguhadoop102 hadoop]$
mapred --daemon start historyserver 4查看历史服务器是否启动
[atguiguhadoop102 hadoop]$ jps 5查看JobHistory
http://hadoop102:19888/jobhistoryhttp://hadoop102:19888/jobhistory 3.2.7 配置日志的聚集
日志聚集概念应用运行完成以后将程序运行日志信息上传到HDFS系统上。 日志聚集功能好处可以方便的查看到程序运行详情方便开发调试。
注意开启日志聚集功能需要重新启动NodeManager 、ResourceManager和HistoryServer。
开启日志聚集功能具体步骤如下
1配置yarn-site.xml
[atguiguhadoop102 hadoop]$
vim yarn-site.xml
在该文件里面增加如下配置。 !-- 开启日志聚集功能 --propertynameyarn.log-aggregation-enable/namevaluetrue/value/property!-- 设置日志聚集服务器地址 --property nameyarn.log.server.url/name valuehttp://hadoop102:19888/jobhistory/logs/value/property!-- 设置日志保留时间为7天 --propertynameyarn.log-aggregation.retain-seconds/namevalue604800/value/property
2分发配置
[atguiguhadoop102 hadoop]$
xsync yarn-site.xml 3关闭NodeManager 、ResourceManager和HistoryServer
[atguiguhadoop103 hadoop-3.1.3]$
sbin/stop-yarn.sh
[atguiguhadoop103 hadoop-3.1.3]$
mapred --daemon stop historyserver
4启动NodeManager 、ResourceManage和HistoryServer
[atguiguhadoop103 ~]$
sbin/start-yarn.sh
[atguiguhadoop102 ~]$
mapred --daemon start historyserver
5删除HDFS上已经存在的输出文件
[atguiguhadoop102 ~]$
hadoop fs -rm -r /output
6执行WordCount程序
[atguiguhadoop102 hadoop-3.1.3]$
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
7查看日志 1历史服务器地址
http://hadoop102:19888/jobhistory 2历史任务列表 3查看任务运行日志 4运行日志详情 3.2.8 集群启动/停止方式总结
1各个模块分开启动/停止配置ssh是前提常用 1整体启动/停止HDFS
start-dfs.sh/stop-dfs.sh 2整体启动/停止YARN
start-yarn.sh/stop-yarn.sh
2各个服务组件逐一启动/停止 1分别启动/停止HDFS组件
hdfs --daemon start/stop namenode/datanode/secondarynamenode 2启动/停止YARN
yarn --daemon start/stop resourcemanager/nodemanager
3.2.9 编写Hadoop集群常用脚本
1Hadoop集群启停脚本包含HDFSYarnHistoryservermyhadoop.sh
[atguiguhadoop102 ~]$
cd /root/bin
[atguiguhadoop102 bin]$
vim myhadoop.sh
输入如下内容
#!/bin/bashif [ $# -lt 1 ]
thenecho No Args Input...exit ;
ficase $1 in
start)echo 启动 hadoop集群 echo --------------- 启动 hdfs ---------------ssh hadoop102 /opt/module/hadoop-3.1.3/sbin/start-dfs.shecho --------------- 启动 yarn ---------------ssh hadoop103 /opt/module/hadoop-3.1.3/sbin/start-yarn.shecho --------------- 启动 historyserver ---------------ssh hadoop102 /opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver
;;
stop)echo 关闭 hadoop集群 echo --------------- 关闭 historyserver ---------------ssh hadoop102 /opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserverecho --------------- 关闭 yarn ---------------ssh hadoop103 /opt/module/hadoop-3.1.3/sbin/stop-yarn.shecho --------------- 关闭 hdfs ---------------ssh hadoop102 /opt/module/hadoop-3.1.3/sbin/stop-dfs.sh
;;
*)echo Input Args Error...
;;
esac保存后退出然后赋予脚本执行权限
[atguiguhadoop102 bin]
chmod x myhadoop.sh
2查看三台服务器Java进程脚本jpsall
[atguiguhadoop102 ~]$
cd /root/bin
[atguiguhadoop102 bin]$
vim jpsall
输入如下内容
#!/bin/bashfor host in hadoop102 hadoop103 hadoop104
doecho $host ssh $host jps
done保存后退出然后赋予脚本执行权限
[atguiguhadoop102 bin]$
chmod x jpsall
3分发/root/bin目录保证自定义脚本在三台机器上都可以使用
[atguiguhadoop102 ~]$
xsync /root/bin/ jpsall ./jpsall 3.2.10 常用端口号说明 端口名称 Hadoop2.x Hadoop3.x NameNode内部通信端口 8020 / 9000 8020 / 9000/9820 NameNode HTTP UI 50070 9870 MapReduce查看执行任务端口 8088 8088 历史服务器通信端口 19888 19888 3.2.11 集群时间同步 如果服务器在公网环境能连接外网可以不采用集群时间同步,因为服务器会定期和公网时间进行校准 如果服务器在内网环境必须要配置集群时间同步否则时间久了会产生时间偏差导致集群执行任务时间不同步。
1需求 找一个机器作为时间服务器所有的机器与这台集群时间进行定时的同步生产环境根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果采用1分钟同步一次。 2时间服务器配置必须root用户
1查看所有节点ntpd服务状态和开机自启动状态
[atguiguhadoop102 ~]$ sudo systemctl status ntpd
[atguiguhadoop102 ~]$ sudo systemctl start ntpd
[atguiguhadoop102 ~]$ sudo systemctl is-enabled ntpd
2修改hadoop102的ntp.conf配置文件
[atguiguhadoop102 ~]$ sudo vim /etc/ntp.conf
修改内容如下
a修改1授权192.168.200.0-192.168.200.255网段上的所有机器可以从这台机器上查询和同步时间
#restrict 192.168.0.0 mask 255.255.255.0 nomodify notrap
为restrict 192.168.200.0 mask 255.255.255.0 nomodify notrap b修改2集群在局域网中不使用其他互联网上的时间
server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst
为
#server 0.centos.pool.ntp.org iburst
#server 1.centos.pool.ntp.org iburst
#server 2.centos.pool.ntp.org iburst
#server 3.centos.pool.ntp.org iburst
c添加3当该节点丢失网络连接依然可以采用本地时间作为时间服务器为集群中的其他节点提供时间同步
server 127.127.1.0
fudge 127.127.1.0 stratum 10
3修改hadoop102的/etc/sysconfig/ntpd 文件
[atguiguhadoop102 ~]$ sudo vim /etc/sysconfig/ntpd
增加内容如下让硬件时间与系统时间一起同步
SYNC_HWCLOCKyes
4重新启动ntpd服务
[atguiguhadoop102 ~]$ sudo systemctl start ntpd
5设置ntpd服务开机启动
[atguiguhadoop102 ~]$ sudo systemctl enable ntpd
3其他机器配置必须root用户
1关闭所有节点上ntp服务和自启动
[atguiguhadoop103 ~]$ sudo systemctl stop ntpd
[atguiguhadoop103 ~]$ sudo systemctl disable ntpd
[atguiguhadoop104 ~]$ sudo systemctl stop ntpd
[atguiguhadoop104 ~]$ sudo systemctl disable ntpd
2在其他机器配置1分钟与时间服务器同步一次
[atguiguhadoop103 ~]$ sudo crontab -e
编写定时任务如下
*/1 * * * * /usr/sbin/ntpdate hadoop102
3修改任意机器时间
[atguiguhadoop103 ~]$ sudo date -s 2021-9-11 11:11:11
41分钟后查看机器是否与时间服务器同步
[atguiguhadoop103 ~]$ sudo date
第4章 常见错误及解决方案
1防火墙没关闭、或者没有启动YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
2主机名称配置错误
3IP地址配置错误
4ssh没有配置好
5root用户和atguigu两个用户启动集群不统一
6配置文件修改不细心
7不识别主机名称
java.net.UnknownHostException: hadoop102: hadoop102 at java.net.InetAddress.getLocalHost(InetAddress.java:1475) at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:146) at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290) at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287) at java.security.AccessController.doPrivileged(Native Method)
at javax.security.auth.Subject.doAs(Subject.java:415)
解决办法
1在/etc/hosts文件中添加192.168.10.102 hadoop102 2主机名称不要起hadoop hadoop000等特殊名称
8DataNode和NameNode进程同时只能工作一个。 删除data,logs
9执行命令不生效粘贴Word中命令时遇到-和长–没区分开。导致命令失效 解决办法尽量不要粘贴Word中代码。
10jps发现进程已经没有但是重新启动集群提示进程已经开启。
原因是在Linux的根目录下/tmp目录中存在启动的进程临时文件将集群相关进程删除掉再重新启动集群。
11jps不生效
原因全局变量hadoop java没有生效。解决办法需要source /etc/profile文件。
128088端口连接不上
[atguiguhadoop102 桌面]$ cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
#::1 hadoop102 第1章 HDFS概述
1.1 HDFS产出背景及定义
1HDFS产生背景
随着数据量越来越大在一个操作系统存不下所有的数据那么就分配到更多的操作系统管理的磁盘中但是不方便管理和维护迫切需要一种系统来管理多台机器上的文件这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。
2HDFS定义
HDFSHadoop Distributed File System它是一个文件系统用于存储文件通过目录树来定位文件其次它是分布式的由很多服务器联合起来实现其功能集群中的服务器有各自的角色。
HDFS的使用场景适合一次写入多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。
1.2 HDFS优缺点
HDFS的优点: HDFS缺点: 1.3 HDFS组成架构 1.4 HDFS文件块大小面试重点 如果它的硬盘传输速率为100兆每秒它的大小就设为128兆如果是固态硬盘200兆每秒就选256兆!!!!!! 如果它的硬盘传输速率为100兆每秒它的大小就设为128兆如果是固态硬盘200兆每秒就选256兆!!!! 如果它的硬盘传输速率为100兆每秒它的大小就设为128兆如果是固态硬盘200兆每秒就选256兆!!!
第2章 HDFS的Shell操作开发重点
2.1 基本语法
hadoop fs 具体命令 OR hdfs dfs 具体命令
两个是完全相同的。
2.2 命令大全
[atguiguhadoop102 hadoop-3.1.3]$ bin/hadoop fs[-appendToFile localsrc ... dst][-cat [-ignoreCrc] src ...][-chgrp [-R] GROUP PATH...][-chmod [-R] MODE[,MODE]... | OCTALMODE PATH...][-chown [-R] [OWNER][:[GROUP]] PATH...][-copyFromLocal [-f] [-p] localsrc ... dst][-copyToLocal [-p] [-ignoreCrc] [-crc] src ... localdst][-count [-q] path ...][-cp [-f] [-p] src ... dst][-df [-h] [path ...]][-du [-s] [-h] path ...][-get [-p] [-ignoreCrc] [-crc] src ... localdst][-getmerge [-nl] src localdst][-help [cmd ...]][-ls [-d] [-h] [-R] [path ...]][-mkdir [-p] path ...][-moveFromLocal localsrc ... dst][-moveToLocal src localdst][-mv src ... dst][-put [-f] [-p] localsrc ... dst][-rm [-f] [-r|-R] [-skipTrash] src ...][-rmdir [--ignore-fail-on-non-empty] dir ...]acl_spec path]][-setrep [-R] [-w] rep path ...][-stat [format] path ...][-tail [-f] file][-test -[defsz] path][-text [-ignoreCrc] src ...]
2.3 常用命令实操
2.3.1 准备工作
1启动Hadoop集群方便后续的测试
[atguiguhadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[atguiguhadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
2-help输出这个命令参数
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -help rm
3创建/sanguo文件夹
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /sanguo
2.3.2 上传
1-moveFromLocal从本地剪切粘贴到HDFS
[atguiguhadoop102 hadoop-3.1.3]$ vim shuguo.txt
输入
shuguo [atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -moveFromLocal ./shuguo.txt /sanguo 2-copyFromLocal从本地文件系统中拷贝文件到HDFS路径去
[atguiguhadoop102 hadoop-3.1.3]$ vim weiguo.txt
输入
weiguo [atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal weiguo.txt /sanguo
3-put等同于copyFromLocal生产环境更习惯用put
[atguiguhadoop102 hadoop-3.1.3]$ vim wuguo.txt
输入
wuguo [atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -put ./wuguo.txt /sanguo
4-appendToFile追加一个文件到已经存在的文件末尾
[atguiguhadoop102 hadoop-3.1.3]$ vim liubei.txt
输入
liubei [atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt 2.3.3 下载
1-copyToLocal从HDFS拷贝到本地
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /sanguo/shuguo.txt ./
2-get等同于copyToLocal生产环境更习惯用get
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -get /sanguo/shuguo.txt ./shuguo2.txt
2.3.4 HDFS直接操作
1-ls: 显示目录信息
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -ls /sanguo
2-cat显示文件内容
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -cat /sanguo/shuguo.txt
3-chgrp、-chmod、-chownLinux文件系统中的用法一样修改文件所属权限
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -chmod 666 /sanguo/shuguo.txt
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -chown atguigu:atguigu /sanguo/shuguo.txt
4-mkdir创建路径
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /jinguo
5-cp从HDFS的一个路径拷贝到HDFS的另一个路径
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -cp /sanguo/shuguo.txt /jinguo
6-mv在HDFS目录中移动文件
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -mv /sanguo/wuguo.txt /jinguo
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -mv /sanguo/weiguo.txt /jinguo
7-tail显示一个文件的末尾1kb的数据
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -tail /jinguo/shuguo.txt
8-rm删除文件或文件夹
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -rm /sanguo/shuguo.txt
9-rm -r递归删除目录及目录里面内容
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /sanguo
10-du统计文件夹的大小信息
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -du -s -h /jinguo
27 81 /jinguo [atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -du -h /jinguo
14 42 /jinguo/shuguo.txt
7 21 /jinguo/weiguo.txt
6 18 /jinguo/wuguo.tx 说明27表示文件大小81表示27*3个副本/jinguo表示查看的目录
11-setrep设置HDFS中文件的副本数量
[atguiguhadoop102 hadoop-3.1.3]$ hadoop fs -setrep 10 /jinguo/shuguo.txt 这里设置的副本数只是记录在NameNode的元数据中是否真的会有这么多副本还得看DataNode的数量。因为目前只有3台设备最多也就3个副本只有节点数的增加到10台时副本数才能达到10。
第3章 HDFS的API操作 3.1 客户端环境准备
1找到资料包路径下的Windows依赖文件夹拷贝hadoop-3.1.0到非中文路径比如d:\。
2配置HADOOP_HOME环境变量 3配置Path环境变量。
注意如果环境变量不起作用可以重启电脑试试。 验证Hadoop环境变量是否正常。双击winutils.exe如果报如下错误。说明缺少微软运行库正版系统往往有这个问题。再资料包里面有对应的微软运行库安装包双击安装即可。 4在IDEA中创建一个Maven工程HdfsClientDemo并导入相应的依赖坐标日志添加 dependenciesdependency groupIdorg.apache.hadoop/groupId artifactIdhadoop-client/artifactId version3.1.3/version /dependency dependency groupIdjunit/groupId artifactIdjunit/artifactId version4.12/version /dependencydependency groupIdorg.slf4j/groupId artifactIdslf4j-log4j12/artifactId version1.7.30/version /dependency/dependencies
在项目的src/main/resources目录下新建一个文件命名为“log4j.properties”在文件中填入
log4j.rootLoggerINFO, stdout
log4j.appender.stdoutorg.apache.log4j.ConsoleAppender
log4j.appender.stdout.layoutorg.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern%d %p [%c] - %m%n
log4j.appender.logfileorg.apache.log4j.FileAppender
log4j.appender.logfile.Filetarget/spring.log
log4j.appender.logfile.layoutorg.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern%d %p [%c] - %m%n
5创建包名com.atguigu.hdfs
6创建HdfsClient类 package com.atguigu.hdfs;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import org.junit.Test;/*** Author豆浆* name :HdfsClient* Date2024/4/9 22:55*/
public class HdfsClient {Testpublic void testmkdir() throws IOException, URISyntaxException, InterruptedException {//连接的集群nn的地址URI uri new URI(hdfs://hadoop102:8020);//创建一个配置文件Configuration configuration new Configuration();// 1 获取文件系统FileSystem fileSystem FileSystem.get(uri, configuration,root);//2.创建一个文件fileSystem.mkdirs(new Path(/xiyou/huanguoshan));//3.关闭资源fileSystem.close();}
}第二种
package com.atguigu.hdfs;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;import org.junit.After;
import org.junit.Before;
import org.junit.Test;/*** Author豆浆* name :HdfsClient* Date2024/4/9 22:55*/
public class HdfsClient {private FileSystem fileSystem;Beforepublic void init() throws URISyntaxException, IOException, InterruptedException {//连接的集群nn的地址URI uri new URI(hdfs://hadoop102:8020);//创建一个配置文件Configuration configuration new Configuration();//用户String userroot;// 1 获取文件系统fileSystem FileSystem.get(uri, configuration,user);}Afterpublic void close() throws IOException {//3.关闭资源fileSystem.close();}Testpublic void testmkdir() throws IOException, URISyntaxException, InterruptedException {//2.创建一个文件fileSystem.mkdirs(new Path(/xiyou/huanguoshan1));}
}
7执行程序
客户端去操作HDFS时是有一个用户身份的。默认情况下HDFS客户端API会从采用Windows默认用户访问HDFS会报权限异常错误。所以在访问HDFS时一定要配置用户。
org.apache.hadoop.security.AccessControlException: Permission denied: user56576, accessWRITE, inode/xiyou/huaguoshan:atguigu:supergroup:drwxr-xr-x
3.2 HDFS的API案例实操
3.2.1 HDFS文件上传测试参数优先级
1编写源代码
package com.atguigu.hdfs;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;import org.junit.After;
import org.junit.Before;
import org.junit.Test;/*** Author豆浆* name :HdfsClient* Date2024/4/9 22:55*/
public class HdfsClient {private FileSystem fileSystem;Beforepublic void init() throws URISyntaxException, IOException, InterruptedException {//连接的集群nn的地址URI uri new URI(hdfs://hadoop102:8020);//创建一个配置文件Configuration configuration new Configuration();//用户String userroot;// 1 获取文件系统fileSystem FileSystem.get(uri, configuration,user);}Afterpublic void close() throws IOException {//3.关闭资源fileSystem.close();}Testpublic void testmkdir() throws IOException, URISyntaxException, InterruptedException {//2.创建一个文件fileSystem.mkdirs(new Path(/xiyou/huanguoshan1));}//上传Testpublic void testCopyFromLocalFile() throws IOException {//参数参数一表示是否删除 参数二表示是否被覆盖 参数三原数据 参数四路径目的地路径fileSystem.copyFromLocalFile(true,true,new Path(E:/hadoop01.txt),new Path(/xiyou/hadoop01));}}2将hdfs-site.xml拷贝到项目的resources资源目录下
/*
* 参数优先级hdfs-default.xml hdfs-site.xml
* */
?xml version1.0 encodingUTF-8?
?xml-stylesheet typetext/xsl hrefconfiguration.xsl?configurationpropertynamedfs.replication/namevalue1/value/property
/configuration 3参数优先级
参数优先级排序1客户端代码中设置的值 2ClassPath下的用户自定义配置文件 3然后是服务器的自定义配置xxx-site.xml 4服务器的默认配置xxx-default.xml 3.2.2 HDFS文件下载
package com.atguigu.hdfs;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;import org.junit.After;
import org.junit.Before;
import org.junit.Test;/*** Author豆浆* name :HdfsClient* Date2024/4/9 22:55*/
public class HdfsClient {private FileSystem fileSystem;Beforepublic void init() throws URISyntaxException, IOException, InterruptedException {//连接的集群nn的地址URI uri new URI(hdfs://hadoop102:8020);//创建一个配置文件Configuration configuration new Configuration();configuration.set(dfs.replication,2);//用户String userroot;// 1 获取文件系统fileSystem FileSystem.get(uri, configuration,user);}Afterpublic void close() throws IOException {//3.关闭资源fileSystem.close();}Testpublic void testmkdir() throws IOException, URISyntaxException, InterruptedException {//2.创建一个文件fileSystem.mkdirs(new Path(/xiyou/huanguoshan1));}//上传Testpublic void testCopyFromLocalFile() throws IOException {//参数参数一表示是否删除 参数二表示是否被覆盖 参数三原数据 参数四路径目的地路径fileSystem.copyFromLocalFile(false,true,new Path(E:/hadoop01.txt),new Path(/xiyou/hadoop01));}//下载Testpublic void testCopyToFromLocalFile() throws IOException {/**boolean delSrc 指是否将原文件删除Path src 指要下载的文件路径Path dst 指将文件下载到的路径boolean useRawLocalFileSystem 是否开启文件校验* */fileSystem.copyToLocalFile(false,new Path(/xiyou/hadoop01),new Path(E:/),true);}
}注意如果执行上面代码下载不了文件有可能是你电脑的微软支持的运行库少需要安装一下微软运行库。
3.2.3 HDFS文件更名和移动 //文件的更名和移动Testpublic void testmv() throws IOException {//参数参数一表示原文件的路径 参数二表示目标文件路径fileSystem.rename(new Path(/xiyou/huanguoshan),new Path(/xiyou/hd));} 3.2.4 HDFS删除文件和目录 //删除文件目录空目录(必true)Testpublic void testdelect() throws IOException {//参数参数一表示删除的路径 参数二表示是否递归删除fileSystem.delete(new Path(/xiyou/hadoop01),false);}3.2.5 HDFS文件详情查看
查看文件名称、权限、长度、块信息
//HDFS文件详情查看//查看文件名称、权限、长度、块信息Testpublic void fileDetail() throws IOException {//获取所有文件信息RemoteIteratorLocatedFileStatus locatedFileStatusRemoteIterator fileSystem.listFiles(new Path(/wcinput), true);//遍历文件while (locatedFileStatusRemoteIterator.hasNext()){LocatedFileStatus next locatedFileStatusRemoteIterator.next();//getSystem.out.println(文件路径next.getPath());System.out.println(文件名next.getPath().getName());System.out.println(各种get........);//获取块信息BlockLocation[] blockLocations next.getBlockLocations();System.out.println(Arrays.toString(blockLocations));}}
3.2.6 HDFS文件和文件夹判断
//HDFS文件和文件夹判断Testpublic void testisfile() throws IOException {FileStatus[] fileStatuses fileSystem.listStatus(new Path(/));for (FileStatus fileStatus : fileStatuses) {if (fileStatus.isFile()){System.out.println(这是一个文件fileStatus.getPath().getName());}else {System.out.println(这是一个目录fileStatus.getPath().getName());}}}
第4章 HDFS的读写流程面试重点
4.1 HDFS写数据流程
4.1.1 剖析文件写入 1客户端通过Distributed FileSystem模块向NameNode请求上传文件NameNode检查目标文件是否已存在父目录是否存在。
2NameNode返回是否可以上传。
3客户端请求第一个 Block上传到哪几个DataNode服务器上。
4NameNode返回3个DataNode节点分别为dn1、dn2、dn3。
5客户端通过FSDataOutputStream模块请求dn1上传数据dn1收到请求会继续调用dn2然后dn2调用dn3将这个通信管道建立完成。
6dn1、dn2、dn3逐级应答客户端。
7客户端开始往dn1上传第一个Block先从磁盘读取数据放到一个本地内存缓存以Packet为单位dn1收到一个Packet就会传给dn2dn2传给dn3dn1每传一个packet会放入一个应答队列等待应答。
8当一个Block传输完成之后客户端再次请求NameNode上传第二个Block的服务器。重复执行3-7步。
4.1.2 网络拓扑-节点距离计算
在HDFS写数据的过程中NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢
节点距离两个节点到达最近的共同祖先的距离总和。 例如假设有数据中心d1机架r1中的节点n1。该节点可以表示为/d1/r1/n1。利用这种标记这里给出四种距离描述。
大家算一算每两个节点之间的距离。 4.1.3 机架感知副本存储节点选择
1机架感知说明
1官方说明
Apache Hadoop 3.1.3 – HDFS Architecture
For the common case, when the replication factor is three, HDFS’s placement policy is to put one replica on the local machine if the writer is on a datanode, otherwise on a random datanode, another replica on a node in a different (remote) rack, and the last on a different node in the same remote rack. This policy cuts the inter-rack write traffic which generally improves write performance. The chance of rack failure is far less than that of node failure; this policy does not impact data reliability and availability guarantees. However, it does reduce the aggregate network bandwidth used when reading data since a block is placed in only two unique racks rather than three. With this policy, the replicas of a file do not evenly distribute across the racks. One third of replicas are on one node, two thirds of replicas are on one rack, and the other third are evenly distributed across the remaining racks. This policy improves write performance without compromising data reliability or read performance.
2源码说明
Crtl n 查找BlockPlacementPolicyDefault在该类中查找chooseTargetInOrder方法。
2Hadoop3.1.3副本节点选择 4.2 HDFS串行读数据流程 1客户端通过DistributedFileSystem向NameNode请求下载文件NameNode通过查询元数据找到文件块所在的DataNode地址。
2挑选一台DataNode就近原则然后随机服务器请求读取数据。
3DataNode开始传输数据给客户端从磁盘里面读取数据输入流以Packet为单位来做校验。
4客户端以Packet为单位接收先在本地缓存然后写入目标文件。
第5章 NameNode和SecondaryNameNode
5.1 NN和2NN工作机制
思考NameNode中的元数据是存储在哪里的 首先我们做个假设如果存储在NameNode节点的磁盘中因为经常需要进行随机访问还有响应客户请求必然是效率过低。因此元数据需要存放在内存中。但如果只存在内存中一旦断电元数据丢失整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage。
这样又会带来新的问题当在内存中的元数据更新时如果同时更新FsImage就会导致效率过低但如果不更新就会发生一致性问题一旦NameNode节点断电就会产生数据丢失。因此引入Edits文件只进行追加操作效率很高。每当元数据有更新或者添加元数据时修改内存中的元数据并追加到Edits中。这样一旦NameNode节点断电可以通过FsImage和Edits的合并合成元数据。
但是如果长时间添加数据到Edits中会导致该文件数据过大效率降低而且一旦断电恢复元数据需要的时间过长。因此需要定期进行FsImage和Edits的合并如果这个操作由NameNode节点完成又会效率过低。因此引入一个新的节点SecondaryNamenode专门用于FsImage和Edits的合并。 1第一阶段NameNode启动
1第一次启动NameNode格式化后创建Fsimage和Edits文件。如果不是第一次启动直接加载编辑日志和镜像文件到内存。
2客户端对元数据进行增删改的请求。
3NameNode记录操作日志更新滚动日志。
4NameNode在内存中对元数据进行增删改。
2第二阶段Secondary NameNode工作
1Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。
2Secondary NameNode请求执行CheckPoint。
3NameNode滚动正在写的Edits日志。
4将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。
5Secondary NameNode加载编辑日志和镜像文件到内存并合并。
6生成新的镜像文件fsimage.chkpoint。
7拷贝fsimage.chkpoint到NameNode。
8NameNode将fsimage.chkpoint重新命名成fsimage。
5.2 Fsimage和Edits解析 1oiv查看Fsimage文件
1查看oiv和oev命令
[atguiguhadoop102 current]$ hdfs
oiv apply the offline fsimage viewer to an fsimage
oev apply the offline edits viewer to an edits file
2基本语法
hdfs oiv -p 文件类型 -i镜像文件 -o 转换后文件输出路径
3案例实操
[atguiguhadoop102 current]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/name/current [atguiguhadoop102 current]$ hdfs oiv -p XML -i fsimage_0000000000000000025 -o /opt/module/hadoop-3.1.3/fsimage.xml [atguiguhadoop102 current]$ cat /opt/module/hadoop-3.1.3/fsimage.xml
将显示的xml文件内容拷贝到Idea中创建的xml文件中并格式化。部分显示结果如下。
inodeid16386/idtypeDIRECTORY/typenameuser/namemtime1512722284477/mtimepermissionatguigu:supergroup:rwxr-xr-x/permissionnsquota-1/nsquotadsquota-1/dsquota/inodeinodeid16387/idtypeDIRECTORY/typenameatguigu/namemtime1512790549080/mtimepermissionatguigu:supergroup:rwxr-xr-x/permissionnsquota-1/nsquotadsquota-1/dsquota/inodeinodeid16389/idtypeFILE/typenamewc.input/namereplication3/replicationmtime1512722322219/mtimeatime1512722321610/atimeperferredBlockSize134217728/perferredBlockSizepermissionatguigu:supergroup:rw-r--r--/permissionblocksblockid1073741825/idgenstamp1001/genstampnumBytes59/numBytes/block/blocks/inode
思考可以看出Fsimage中没有记录块所对应DataNode为什么
在集群启动后要求DataNode上报数据块信息并间隔一段时间后再次上报。
2oev查看Edits文件
1基本语法
hdfs oev -p 文件类型 -i编辑日志 -o 转换后文件输出路径
2案例实操
[atguiguhadoop102 current]$ hdfs oev -p XML -i edits_0000000000000000012-0000000000000000013 -o /opt/module/hadoop-3.1.3/edits.xml [atguiguhadoop102 current]$ cat /opt/module/hadoop-3.1.3/edits.xml
将显示的xml文件内容拷贝到Idea中创建的xml文件中并格式化。显示结果如下。
?xml version1.0 encodingUTF-8?EDITSEDITS_VERSION-63/EDITS_VERSIONRECORDOPCODEOP_START_LOG_SEGMENT/OPCODEDATATXID129/TXID/DATA/RECORDRECORDOPCODEOP_ADD/OPCODEDATATXID130/TXIDLENGTH0/LENGTHINODEID16407/INODEIDPATH/hello7.txt/PATHREPLICATION2/REPLICATIONMTIME1512943607866/MTIMEATIME1512943607866/ATIMEBLOCKSIZE134217728/BLOCKSIZECLIENT_NAMEDFSClient_NONMAPREDUCE_-1544295051_1/CLIENT_NAMECLIENT_MACHINE192.168.10.102/CLIENT_MACHINEOVERWRITEtrue/OVERWRITEPERMISSION_STATUSUSERNAMEatguigu/USERNAMEGROUPNAMEsupergroup/GROUPNAMEMODE420/MODE/PERMISSION_STATUSRPC_CLIENTID908eafd4-9aec-4288-96f1-e8011d181561/RPC_CLIENTIDRPC_CALLID0/RPC_CALLID/DATA/RECORDRECORDOPCODEOP_ALLOCATE_BLOCK_ID/OPCODEDATATXID131/TXIDBLOCK_ID1073741839/BLOCK_ID/DATA/RECORDRECORDOPCODEOP_SET_GENSTAMP_V2/OPCODEDATATXID132/TXIDGENSTAMPV21016/GENSTAMPV2/DATA/RECORDRECORDOPCODEOP_ADD_BLOCK/OPCODEDATATXID133/TXIDPATH/hello7.txt/PATHBLOCKBLOCK_ID1073741839/BLOCK_IDNUM_BYTES0/NUM_BYTESGENSTAMP1016/GENSTAMP/BLOCKRPC_CLIENTID/RPC_CLIENTIDRPC_CALLID-2/RPC_CALLID/DATA/RECORDRECORDOPCODEOP_CLOSE/OPCODEDATATXID134/TXIDLENGTH0/LENGTHINODEID0/INODEIDPATH/hello7.txt/PATHREPLICATION2/REPLICATIONMTIME1512943608761/MTIMEATIME1512943607866/ATIMEBLOCKSIZE134217728/BLOCKSIZECLIENT_NAME/CLIENT_NAMECLIENT_MACHINE/CLIENT_MACHINEOVERWRITEfalse/OVERWRITEBLOCKBLOCK_ID1073741839/BLOCK_IDNUM_BYTES25/NUM_BYTESGENSTAMP1016/GENSTAMP/BLOCKPERMISSION_STATUSUSERNAMEatguigu/USERNAMEGROUPNAMEsupergroup/GROUPNAMEMODE420/MODE/PERMISSION_STATUS/DATA/RECORD/EDITS
思考NameNode如何确定下次开机启动的时候合并哪些Edits
5.3 CheckPoint时间设置
propertynamedfs.namenode.checkpoint.period/namevalue3600s/value/property
1通常情况下SecondaryNameNode每隔一小时执行一次。
[hdfs-default.xml] 2一分钟检查一次操作次数当操作次数达到1百万时SecondaryNameNode执行一次。
[hdfs-default.xml]
propertynamedfs.namenode.checkpoint.txns/namevalue1000000/valuedescription操作动作次数/description/propertypropertynamedfs.namenode.checkpoint.check.period/namevalue60s/valuedescription 1分钟检查一次操作次数/description/property
第6章 DataNode
6.1 DataNode工作机制
cd /opt/module/hadoop-3.1.3/data/dfs/data/current/BP-15275544-192.168.200.102-1712634566449/current/finalized/subdir0/subdir0 1一个数据块在DataNode上以文件形式存储在磁盘上包括两个文件一个是数据本身一个是元数据包括数据块的长度块数据的校验和以及时间戳。 2DataNode启动后向NameNode注册通过后周期性6小时的向NameNode上报所有的块信息。
DN向NN汇报当前解读信息的时间间隔默认6小时
property namedfs.blockreport.intervalMsec/name value21600000/value descriptionDetermines block reporting interval in milliseconds./description
/property
DN扫描自己节点块信息列表的时间默认6小时
property namedfs.datanode.directoryscan.interval/name value21600s/value descriptionInterval in seconds for Datanode to scan data directories and reconcile the difference between blocks in memory and on the disk. Support multiple time unit suffix(case insensitive), as described in dfs.heartbeat.interval. /description
/property
3心跳是每3秒一次心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器或删除某个数据块。如果超过10分钟30秒没有收到某个DataNode的心跳则认为该节点不可用。
4集群运行中可以安全加入和退出一些机器。
6.2 数据完整性
思考如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号1和绿灯信号0但是存储该数据的磁盘坏了一直显示是绿灯是否很危险同理DataNode节点上的数据损坏了却没有发现是否也很危险那么如何解决呢
如下是DataNode节点保证数据完整性的方法。
1当DataNode读取Block的时候它会计算CheckSum。
2如果计算后的CheckSum与Block创建时值不一样说明Block已经损坏。
3Client读取其他DataNode上的Block。
4常见的校验算法crc32md5128sha1160
5DataNode在其文件创建后周期验证CheckSum。 6.3 掉线时限参数设置 需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒dfs.heartbeat.interval的单位为秒。
property namedfs.namenode.heartbeat.recheck-interval/name value300000/value
/property property namedfs.heartbeat.interval/name value3/value
/property
单节点启动: 第1章 MapReduce概述
1.1 MapReduce定义
MapReduce是一个分布式运算程序的编程框架是用户开发“基于Hadoop的数据分析应用”的核心框架。
MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序并发运行在一个Hadoop集群上。
1.2 MapReduce优缺点
1.2.1 优点
1MapReduce易于编程
它简单的实现一些接口就可以完成一个分布式程序这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行。
2良好的扩展性
当你的计算资源不能得到满足的时候你可以通过简单的增加机器来扩展它的计算能力。
3高容错性
MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上这就要求它具有很高的容错性。比如其中一台机器挂了它可以把上面的计算任务转移到另外一个节点上运行不至于这个任务运行失败而且这个过程不需要人工参与而完全是由Hadoop内部完成的。
4适合PB级以上海量数据的离线处理
可以实现上千台服务器集群并发工作提供数据处理能力。
1.2.2 缺点
1不擅长实时计算
MapReduce无法像MySQL一样在毫秒或者秒级内返回结果。
2不擅长流式计算
流式计算的输入数据是动态的而MapReduce的输入数据集是静态的不能动态变化。这是因为MapReduce自身的设计特点决定了数据源必须是静态的。
3不擅长DAG有向无环图计算
多个应用程序存在依赖关系后一个应用程序的输入为前一个的输出。在这种情况下MapReduce并不是不能做而是使用后每个MapReduce作业的输出结果都会写入到磁盘会造成大量的磁盘IO导致性能非常的低下。
1.3 MapReduce核心思想 1分布式的运算程序往往需要分成至少2个阶段。
2第一个阶段的MapTask并发实例完全并行运行互不相干。
3第二个阶段的ReduceTask并发实例互不相干但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
4MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段如果用户的业务逻辑非常复杂那就只能多个MapReduce程序串行运行。
总结分析WordCount数据流走向深入理解MapReduce核心思想。
1.4 MapReduce进程
一个完整的MapReduce程序在分布式运行时有三类实例进程
1MrAppMaster负责整个程序的过程调度及状态协调。
2MapTask负责Map阶段的整个数据处理流程。
3ReduceTask负责Reduce阶段的整个数据处理流程。
1.5 官方WordCount源码
采用反编译工具反编译源码发现WordCount案例有Map类、Reduce类和驱动类。且数据的类型是Hadoop自身封装的序列化类型。
1.6 常用数据序列化类型 Java类型 Hadoop Writable类型 Boolean BooleanWritable Byte ByteWritable Int IntWritable Float FloatWritable Long LongWritable Double DoubleWritable String Text Map MapWritable Array ArrayWritable Null NullWritable
1.7 MapReduce编程规范
用户编写的程序分成三个部分Mapper、Reducer和Driver。 1.8 WordCount案例实操
1.8.1 本地测试
1需求
在给定的文本文件中统计输出每一个单词出现的总次数
1输入数据 2期望输出数据
atguigu 2
banzhang 1
cls 2
hadoop 1
jiao 1
ss 2
xue 1
2需求分析
按照MapReduce编程规范分别编写MapperReducerDriver。 3环境准备
1创建maven工程MapReduceDemo
2在pom.xml文件中添加如下依赖
dependencies dependency groupIdorg.apache.hadoop/groupId artifactIdhadoop-client/artifactId version3.1.3/version /dependency dependency groupIdjunit/groupId artifactIdjunit/artifactId version4.12/version /dependency dependency groupIdorg.slf4j/groupId artifactIdslf4j-log4j12/artifactId version1.7.30/version /dependency
/dependencies
2在项目的src/main/resources目录下新建一个文件命名为“log4j.properties”在文件中填入。
log4j.rootLoggerINFO, stdout
log4j.appender.stdoutorg.apache.log4j.ConsoleAppender
log4j.appender.stdout.layoutorg.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern%d %p [%c] - %m%n
log4j.appender.logfileorg.apache.log4j.FileAppender
log4j.appender.logfile.Filetarget/spring.log
log4j.appender.logfile.layoutorg.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern%d %p [%c] - %m%n
3创建包名com.atguigu.mapreduce.wordcount
4编写程序
1编写Mapper类
package com.atguigu.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper; public class WordCountMapper extends MapperLongWritable, Text, Text, IntWritable{ Text k new Text(); IntWritable v new IntWritable(1); Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { // 1 获取一行 String line value.toString(); // 2 切割 String[] words line.split( ); // 3 输出 for (String word : words) { k.set(word); context.write(k, v); } }
}
2编写Reducer类
package com.atguigu.mapreduce.wordcount;
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer; public class WordCountReducer extends ReducerText, IntWritable, Text, IntWritable{ int sum;
IntWritable v new IntWritable(); Override protected void reduce(Text key, IterableIntWritable values,Context context) throws IOException, InterruptedException { // 1 累加求和 sum 0; for (IntWritable count : values) { sum count.get(); } // 2 输出 v.set(sum); context.write(key,v); }
}
3编写Driver驱动类
package com.atguigu.mapreduce.wordcount;
import java.io.IOException;
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; public class WordCountDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { // 1 获取配置信息以及获取job对象 Configuration conf new Configuration(); Job job Job.getInstance(conf); // 2 关联本Driver程序的jar job.setJarByClass(WordCountDriver.class); // 3 关联Mapper和Reducer的jar job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); // 4 设置Mapper输出的kv类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(IntWritable.class); // 5 设置最终输出kv类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); // 6 设置输入和输出路径 FileInputFormat.setInputPaths(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); // 7 提交job boolean result job.waitForCompletion(true); System.exit(result ? 0 : 1); }
}
5本地测试
1需要首先配置好HADOOP_HOME变量以及Windows运行依赖
2在IDEA/Eclipse上运行程序
1.8.2 提交到集群测试
集群上测试
1用maven打jar包需要添加的打包插件依赖
build plugins plugin artifactIdmaven-compiler-plugin/artifactId version3.6.1/version configuration source1.8/source target1.8/target /configuration /plugin plugin artifactIdmaven-assembly-plugin/artifactId configuration descriptorRefs descriptorRefjar-with-dependencies/descriptorRef /descriptorRefs /configuration executions execution idmake-assembly/id phasepackage/phase goals goalsingle/goal /goals /execution /executions /plugin /plugins
/build
注意如果工程上显示红叉。在项目上右键-maven-Reimport刷新即可。
2将程序打成jar包 3修改不带依赖的jar包名称为wc.jar并拷贝该jar包到Hadoop集群的/opt/module/hadoop-3.1.3路径。
4启动Hadoop集群
[atguiguhadoop102 hadoop-3.1.3]sbin/start-dfs.sh
[atguiguhadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
5执行WordCount程序
[atguiguhadoop102 hadoop-3.1.3]$ hadoop jar wc.jar com.atguigu.mapreduce.wordcount.WordCountDriver /user/atguigu/input /user/atguigu/output
第2章 Hadoop序列化
2.1 序列化概述 1什么是序列化
序列化就是把内存中的对象转换成字节序列或其他数据传输协议以便于存储到磁盘持久化和网络传输。
反序列化就是将收到字节序列或其他数据传输协议或者是磁盘的持久化数据转换成内存中的对象。
2为什么要序列化
一般来说“活的”对象只生存在内存里关机断电就没有了。而且“活的”对象只能由本地的进程使用不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的”对象可以将“活的”对象发送到远程计算机。
3为什么不用Java的序列化
Java的序列化是一个重量级序列化框架Serializable一个对象被序列化后会附带很多额外的信息各种校验信息Header继承体系等不便于在网络中高效传输。所以Hadoop自己开发了一套序列化机制Writable。
4Hadoop序列化特点
1紧凑 高效使用存储空间。
2快速读写数据的额外开销小。
3互操作支持多语言的交互
2.2 自定义bean对象实现序列化接口Writable
在企业开发中往往常用的基本序列化类型不能满足所有需求比如在Hadoop框架内部传递一个bean对象那么该对象就需要实现序列化接口。
具体实现bean对象序列化步骤如下7步。
1必须实现Writable接口
2反序列化时需要反射调用空参构造函数所以必须有空参构造
public FlowBean() { super();
}
3重写序列化方法
Override
public void write(DataOutput out) throws IOException { out.writeLong(upFlow); out.writeLong(downFlow); out.writeLong(sumFlow);
}
4重写反序列化方法
Override
public void readFields(DataInput in) throws IOException { upFlow in.readLong(); downFlow in.readLong(); sumFlow in.readLong();
}
5注意反序列化的顺序和序列化的顺序完全一致
6要想把结果显示在文件中需要重写toString()可用\t分开方便后续用。
7如果需要将自定义的bean放在key中传输则还需要实现Comparable接口因为MapReduce框中的Shuffle过程要求对key必须能排序。详见后面排序案例。
Override
public int compareTo(FlowBean o) { // 倒序排列从大到小 return this.sumFlow o.getSumFlow() ? -1 : 1;
}
2.3 序列化案例实操
1需求
统计每一个手机号耗费的总上行流量、总下行流量、总流量
1输入数据 2输入数据格式 7 13560436666 120.196.100.99 1116 954 200 id 手机号码 网络ip 上行流量 下行流量 网络状态码
3期望输出数据格式 13560436666 1116 954 2070 手机号码 上行流量 下行流量 总流量
2需求分析 3编写MapReduce程序
1编写流量统计的Bean对象
package com.atguigu.mapreduce.writable; import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException; //1 继承Writable接口
public class FlowBean implements Writable { private long upFlow; //上行流量 private long downFlow; //下行流量 private long sumFlow; //总流量 //2 提供无参构造 public FlowBean() { } //3 提供三个参数的getter和setter方法 public long getUpFlow() { return upFlow; } public void setUpFlow(long upFlow) { this.upFlow upFlow; } public long getDownFlow() { return downFlow; } public void setDownFlow(long downFlow) { this.downFlow downFlow; } public long getSumFlow() { return sumFlow; } public void setSumFlow(long sumFlow) { this.sumFlow sumFlow; } public void setSumFlow() { this.sumFlow this.upFlow this.downFlow; } //4 实现序列化和反序列化方法,注意顺序一定要保持一致 Override public void write(DataOutput dataOutput) throws IOException { dataOutput.writeLong(upFlow); dataOutput.writeLong(downFlow); dataOutput.writeLong(sumFlow); } Override public void readFields(DataInput dataInput) throws IOException { this.upFlow dataInput.readLong(); this.downFlow dataInput.readLong(); this.sumFlow dataInput.readLong(); } //5 重写ToString Override public String toString() { return upFlow \t downFlow \t sumFlow; }
}
2编写Mapper类
package com.atguigu.mapreduce.writable; import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException; public class FlowMapper extends MapperLongWritable, Text, Text, FlowBean { private Text outK new Text(); private FlowBean outV new FlowBean(); Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //1 获取一行数据,转成字符串 String line value.toString(); //2 切割数据 String[] split line.split(\t); //3 抓取我们需要的数据:手机号,上行流量,下行流量 String phone split[1]; String up split[split.length - 3]; String down split[split.length - 2]; //4 封装outK outV outK.set(phone); outV.setUpFlow(Long.parseLong(up)); outV.setDownFlow(Long.parseLong(down)); outV.setSumFlow(); //5 写出outK outV context.write(outK, outV); }
}
3编写Reducer类
package com.atguigu.mapreduce.writable; import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException; public class FlowReducer extends ReducerText, FlowBean, Text, FlowBean { private FlowBean outV new FlowBean(); Override protected void reduce(Text key, IterableFlowBean values, Context context) throws IOException, InterruptedException { long totalUp 0; long totalDown 0; //1 遍历values,将其中的上行流量,下行流量分别累加 for (FlowBean flowBean : values) { totalUp flowBean.getUpFlow(); totalDown flowBean.getDownFlow(); } //2 封装outKV outV.setUpFlow(totalUp); outV.setDownFlow(totalDown); outV.setSumFlow(); //3 写出outK outV context.write(key,outV); }
}
4编写Driver驱动类
package com.atguigu.mapreduce.writable; import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
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; public class FlowDriver { public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException { //1 获取job对象 Configuration conf new Configuration(); Job job Job.getInstance(conf); //2 关联本Driver类 job.setJarByClass(FlowDriver.class); //3 关联Mapper和Reducer job.setMapperClass(FlowMapper.class); job.setReducerClass(FlowReducer.class); //4 设置Map端输出KV类型 job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(FlowBean.class); //5 设置程序最终输出的KV类型 job.setOutputKeyClass(Text.class); job.setOutputValueClass(FlowBean.class); //6 设置程序的输入输出路径 FileInputFormat.setInputPaths(job, new Path(D:\\inputflow)); FileOutputFormat.setOutputPath(job, new Path(D:\\flowoutput)); //7 提交Job boolean b job.waitForCompletion(true); System.exit(b ? 0 : 1); }
}
第3章 MapReduce框架原理 已停
