2015年大数据hadoop教程8天

cbang16

课程介绍与笔记

1.HDFS shell

1.0查看帮助

hadoop fs -help

1.1上传

hadoop fs -put <linux上文件><hdfs上的路径>

1.2查看文件内容

hadoop fs -cat <hdfs上的路径>

1.3查看文件列表

hadoop fs -ls /

1.4下载文件

hadoop fs -get <hdfs上的路径><linux上文件>

2.使用java接口操作HDFS

见eclipse工程下的demo

3.hadoop通信机制

不同进程之间的方法进行调用

4.HDFS源码分析

FileSystem.get --> 通过反射实例化了一个DistributedFileSystem --> new DFSCilent()把他作为自己的成员变量

在DFSClient构造方法里面，调用了createNamenode，使用了RPC机制，得到了一个NameNode的代理对象，就可以和NameNode进行通信了

FileSystem --> DistributedFileSystem --> DFSClient --> NameNode的代理

1.执行MR的命令：

hadoop jar <jar在linux的路径><main方法所在的类的全类名><参数>

例子：

hadoop jar /root/wc1.jar cn.itcast.d3.hadoop.mr.WordCount hdfs://itcast:9000/words /out2

2.MR执行流程

(1).客户端提交一个mr的jar包给JobClient(提交方式：hadoop jar ...)

(2).JobClient通过RPC和JobTracker进行通信，返回一个存放jar包的地址(HDFS)和jobId

(3).client将jar包写入到HDFS当中(path = hdfs上的地址 + jobId)

(4).开始提交任务(任务的描述信息，不是jar, 包括jobid，jar存放的位置，配置信息等等)

(5).JobTracker进行初始化任务

(6).读取HDFS上的要处理的文件，开始计算输入分片，每一个分片对应一个MapperTask

(7).TaskTracker通过心跳机制领取任务(任务的描述信息)

(8).下载所需的jar，配置文件等

(9).TaskTracker启动一个java child子进程，用来执行具体的任务(MapperTask或ReducerTask)

(10).将结果写入到HDFS当中

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

1.上传zk安装包

2.解压

3.配置(先在一台节点上配置)

3.1添加一个zoo.cfg配置文件

$ZOOKEEPER/conf

mv zoo_sample.cfg zoo.cfg

3.2修改配置文件(zoo.cfg)

dataDir=/itcast/zookeeper-3.4.5/data

server.1=itcast05:2888:3888

server.2=itcast06:2888:3888

server.3=itcast07:2888:3888

3.3在(dataDir=/itcast/zookeeper-3.4.5/data)创建一个myid文件，里面内容是server.N中的N(server.2里面内容为2)

echo "1" > myid

3.4将配置好的zk拷贝到其他节点

scp -r /itcast/zookeeper-3.4.5/ itcast06:/itcast/

scp -r /itcast/zookeeper-3.4.5/ itcast07:/itcast/

3.5注意：在其他节点上一定要修改myid的内容

在itcast06应该讲myid的内容改为2 (echo "6" > myid)

在itcast07应该讲myid的内容改为3 (echo "7" > myid)

4.启动集群

分别启动zk

./zkServer.sh start

2015年传智播客大数据hadoop教程8天

游客，如果您要查看本帖隐藏内容请回复

chenyun

正需要，支持楼主大人了！

mrshrs5999

学习了，谢谢分享、、、

一x一o

看帖回帖是美德！:lol

koght123

正需要，支持楼主大人了！

sky_huanglong

有道理。。。

workbgm

正需要，支持楼主大人了！
08.21         

一x一o

没看完~~~~~~ 先顶，好同志

cbang16

不错不错，楼主您辛苦了。。。

秉生麟

么有分，谁能送我点积分啊::>_<::