[BigData]关于Hadoop学习笔记第四天(PPT总结)(一)

课程安排

Partitioner编程**
自定义排序编程**
Combiner编程**
常见的MapReduce算法**
---------------------------加深拓展----------------------
Mapreduce原理及源码分析

  Partitioner编程

Partitioner是partitioner的基类，如果需要定制partitioner也需要继承该类。
 
2.   HashPartitioner是mapreduce的默认partitioner。计算方法是
which reducer=(key.hashCode() & Integer.MAX_VALUE) % numReduceTasks，得到当前的目的reducer。
 
3.   (例子以jar形式运行)

排序和分组

在map和reduce阶段进行排序时，比较的是k2。v2是不参与排序比较的。如果要想让v2也进行排序，需要把k2和v2组装成新的类，作为k2，才能参与比较。
 
分组时也是按照k2进行比较的。

Combiners编程

    每一个map可能会产生大量的输出，combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。
 
    combiner最基本是实现本地key的归并，combiner具有类似本地的reduce功能。
 
    如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下。使用combiner，先完成的map会在本地聚合，提升速度。
 
注意：Combiner的输出是Reducer的输入，如果Combiner是可插拔的，添加Combiner绝不能改变最终的计算结果。所以Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。

Job执行流程图

&

&

1.每个map有一个环形内存缓冲区，用于存储任务的输出。默认大小100MB（io.sort.mb属性），一旦达到阀值0.8（io.sort.spill.percent）,一个后台线程把内容写到(spill)磁盘的指定目录（mapred.local.dir）下的新建的一个溢出写文件。

2.写磁盘前，要partition,sort。如果有combiner，combine排序后数据。

3.等最后记录写完，合并全部溢出写文件为一个分区且排序的文件。

 

 

1.Reducer通过Http方式得到输出文件的分区。

2.TaskTracker为分区文件运行Reduce任务。复制阶段把Map输出复制到Reducer的内存或磁盘。一个Map任务完成，Reduce就开始复制输出。

3.排序阶段合并map输出。然后走Reduce阶段。

hadoop的压缩codec

Codec为压缩，解压缩的算法实现。
在Hadoop中，codec由CompressionCode的实现来表示。下面是一些实现：

MapReduce的输出进行压缩

输出的压缩属性：

MapReduce常见算法

l单词计数

l数据去重

l排序

lTop K

l选择

l投影

l分组

l多表连接

l单表关联

思考题

l如何使用计数器

lCombiner的作用是什么，应用场景是什么

lPartitioner的作用是什么，应用场景是什么

lShuffler的过程是什么

 

===================第四天笔记=============================

1.实现分区的步骤：
    1.1先分析一下具体的业务逻辑，确定大概有多少个分区
    1.2首先书写一个类，它要继承org.apache.hadoop.mapreduce.Partitioner这个类
    1.3重写public int getPartition这个方法，根据具体逻辑，读数据库或者配置返回相同的数字
    1.4在main方法中设置Partioner的类，job.setPartitionerClass(DataPartitioner.class);
    1.5设置Reducer的数量，job.setNumReduceTasks(6);
 
2.排序MR默认是按key2进行排序的，如果想自定义排序规则，被排序的对象要实现WritableComparable接口，在compareTo方法中实现排序规则，然后将这个对象当做k2，即可完成排序
 
3.combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。
 
4.MR启动流程
    start-mapred.sh  --> hadoop-daemon.sh --> hadoop --> org.apache.hadoop.mapred.JobTracker
 
    Jobtracker调用顺序：main --> startTracker  --> new JobTracker 在其构造方法中首先创建一个调度器，接着创建一个RPC的server（interTrackerServer）tasktracker会通过PRC机制与其通信
然后调用offerService方法对外提供服务，在offerService方法中启动RPC server，初始化jobtracker，调用taskScheduler的start方法 --> eagerTaskInitializationListener调用start方法，
--> 调用jobInitManagerThread的start方法，因为其是一个线程，会调用JobInitManager的run方法 --> jobInitQueue任务队列去取第一个任务，然后把它丢入线程池中，然后调用-->InitJob的run方法
--> jobTracker的initJob方法 --> JobInProgress的initTasks --> maps = new TaskInProgress[numMapTasks]和reduces = new TaskInProgress[numReduceTasks];
 
    TaskTracker调用顺序：main --> new TaskTracker在其构造方法中调用了initialize方法，在initialize方法中调用RPC.waitForProxy得到一个jobtracker的代理对象
接着TaskTracker调用了本身的run方法，--> offerService方法  --> transmitHeartBeat返回值是（HeartbeatResponse）是jobTracker的指令，在transmitHeartBeat方法中InterTrackerProtocol调用了heartbeat将tasktracker的状态通过RPC机制发送给jobTracker,返回值就是JobTracker的指令
heartbeatResponse.getActions()得到具体的指令，然后判断指令的具体类型，开始执行任务
addToTaskQueue启动类型的指令加入到队列当中，TaskLauncher又把任务加入到任务队列当中，-->  TaskLauncher的run方法 --> startNewTask方法 --> localizeJob下载资源 --> launchTaskForJob开始加载任务 --> launchTask  --> runner.start()启动线程;  --> TaskRunner调用run方法 --> launchJvmAndWait启动java child进程