使用Hadoop的MapReduce与HDFS处理数据

hadoop是一个分布式的基础架构，利用分布式实现高效的计算与储存，最核心的设计在于HDFS与MapReduce，HDFS提供了大量数据的存储，mapReduce提供了大量数据计算的实现，通过Java项目实现hadoop job处理海量数据解决复杂的需求。

一、基本环境及相关软件的配置

具体配置说明：基本环境配置及权限申请

二、hadoop项目开发流程

hadoop基本的开发为job的初始化与分布式处理流程的开发。

1、任务基本配置

首相依据业务需求，须要在代码中配置job在每台机器上须要的java虚拟机使用的内存与运行过程须要的最大内存。

2、执行參数配置

hadoop任务处理过程中，各个分布式机器读取操作数据都是通过分布式储存文件系统hdfs，而且分布式计算将中间结果或者终于结果都是保存到hdfs上的，所以在job开发过程中须要的配置有：

1）相关的地址：数据hdfs地址，中间状态缓存保存HDFS地址，以及生成的结果hdfs保存地址，（如须要本地进一步处理结果，还须要本地地址，须要将hdfs的结果地址拉取到本 地进行处理），本地server地址：

MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);

注意：对于要写入数据的地址要具有写的权限，具体权限配置请看基本配置介绍。

2）各种数据格式：

一种是文件的读取格式，能够使用基于行的日志文件，也能够使用二进制格式，多行输入记录或其它的格式，Hadoop有自带的几种格式：

输入格式	解释	key	value
TextInputFormat	默认格式，依照行读取	行的字节偏移量	行的内容
KeyValueInputFormat	解析每一行的数据	第一个Tab前的字符	剩下的内容
SequenceFileInputFormat	具有高性能的二进制格式	自己定义	自己定义

所以在读取输入文件格式中，须要选择自己合适的格式来初始化 MultipleInputs.addInputPath(job, new Path(arg[0]),
SequenceFileInputFormat.class, MiuiliteRetainMapReduce.NewLogMapper.class);

对于自己定义的SequenceFileInputFormat，它会读取特殊的特定于Hadoop的二进制文件，会让Hadoop的mapper高速读取数据。Sequence文件是块压缩的，并提供了对几种数据类型（不不过文本类型）直接的序列化与反序列化操作。

其次文件读取key 与value的格式，以及输出到文件的格式：BooleanWritable：标准布尔型数值，ByteWritable：单字节数值，DoubleWritable：双字节数，FloatWritable：浮点数，IntWritable：整型数，LongWritable：长整型数，Text：使用UTF8格式存储的文本，NullWritable：当<key,value>中的key或value为空时使用，须要在初始化job的过程中初始化相应输入输出的格式。

3）配置数据处理类，一般分为两个阶段，

第一步叫做mapping，会对数据作为mapper函数的输入数据，每条数据相应一个，mapper会吧每次map处理后的结果能够依据同样的key单独传到一个输出数据元素里面。样例： MultipleInputs.addInputPath(job, new Path(arg[0]), SequenceFileInputFormat.class,
MiuiliteRetainMapReduce.NewLogMapper.class);。

注意：能够同一时候使用多个数据输入处理的mapper，但输出key与value格式必须保持一致。

第二步叫做reducer，会接收mapping的输出作为输入列表的迭代器，会将同一key的值聚合在一起，并做一定的处理而返回处理结果。样例：job.setReducerClass(MiuiliteRetainMapReduce.RetainReducer.class);

3、数据处理流程

在全部配置好了之后调用job.waitForCompletion(true);提交任务运行任务并等待结束。

Mapper阶段：

Redecer阶段：

reducer完毕后须要统一将处理结果写入到HDFS中，所以在统计工具中应带有最后的输出函数：

4、处理结果本地

hadoop处理后的结果都是保存在hdfs上的，能够将相应的结果作为行的任务的输入进一步精确处理，假设须要进一步本地处理，通过调用本地shell命令将结果拷贝到本地：

三、执行流程

执行shell命令配置

hadoop项目执行方式通过shell文件执行指定的jar包，并指定相应的入口函数，根据项目的需求传入不同的參数。

hadoop jar miuiapp-logs.jar com.xiaomi.miui.logs.danfa.MiuiMihomeGeneralJob XXX-param-1 XXX-param-2 XXX-param-3

注意：假设通过crontab -e定时指定相关的命令执行，须要在执行的shell文件里加入 jdk，hadoop的地址到环境变量中。

注意：在配置pom过程中须要将jar包打成大包，将全部依赖的jar包都应该打进去，所以在pom中应该增加下列配置：