一個圖片太大了，只好分割成為兩部分。根據(jù)流程圖來說一下具體一個任務執(zhí)行的情況。
- 在分布式環(huán)境中客戶端創(chuàng)建任務并提交。
- InputFormat做Map前的預處理，主要負責以下工作：
- 驗證輸入的格式是否符合JobConfig的輸入定義，這個在實現(xiàn)Map和構(gòu)建Conf的時候就會知道，不定義可以是Writable的任意子類。
- 將input的文件切分為邏輯上的輸入InputSplit，其實這就是在上面提到的在分布式文件系統(tǒng)中blocksize是有大小限制的，因此大文件會被劃分為多個block。
- 通過RecordReader來再次處理inputsplit為一組records，輸出給Map。（inputsplit只是邏輯切分的第一步，但是如何根據(jù)文件中的信息來切分還需要RecordReader來實現(xiàn)，例如最簡單的默認方式就是回車換行的切分）
- RecordReader處理后的結(jié)果作為Map的輸入，Map執(zhí)行定義的Map邏輯，輸出處理后的key和value對應到臨時中間文件。
- Combiner可選擇配置，主要作用是在每一個Map執(zhí)行完分析以后，在本地優(yōu)先作Reduce的工作，減少在Reduce過程中的數(shù)據(jù)傳輸量。
- Partitioner可選擇配置，主要作用是在多個Reduce的情況下，指定Map的結(jié)果由某一個Reduce處理，每一個Reduce都會有單獨的輸出文件。（后面的代碼實例中有介紹使用場景）
- Reduce執(zhí)行具體的業(yè)務邏輯，并且將處理結(jié)果輸出給OutputFormat。
- OutputFormat的職責是，驗證輸出目錄是否已經(jīng)存在，同時驗證輸出結(jié)果類型是否如Config中配置，最后輸出Reduce匯總后的結(jié)果。
業(yè)務場景和代碼范例
業(yè)務場景描述：可設定輸入和輸出路徑（操作系統(tǒng)的路徑非HDFS路徑），根據(jù)訪問日志分析某一個應用訪問某一個API的總次數(shù)和總流量，統(tǒng)計后分別輸出到兩個文件中。這里僅僅為了測試，沒有去細分很多類，將所有的類都歸并于一個類便于說明問題。
測試代碼類圖
LogAnalysiser就是主類，主要負責創(chuàng)建、提交任務，并且輸出部分信息。內(nèi)部的幾個子類用途可以參看流程中提到的角色職責。具體地看看幾個類和方法的代碼片斷：
LogAnalysiser::MapClass
public static class MapClass extends MapReduceBase
implements Mapper<LongWritable, Text, Text, LongWritable>
{
public void map(LongWritable key, Text value, OutputCollector<Text, LongWritable> output, Reporter reporter)
throws IOException
{
String line = value.toString();//沒有配置RecordReader，所以默認采用line的實現(xiàn)，key就是行號，value就是行內(nèi)容
if (line == null || line.equals(""))
return;
String[] words = line.split(",");
if (words == null || words.length < 8)
return;
String appid = words[1];
String apiName = words[2];
LongWritable recbytes = new LongWritable(Long.parseLong(words[7]));
Text record = new Text();
record.set(new StringBuffer("flow::").append(appid)
.append("::").append(apiName).toString());
reporter.progress();
output.collect(record, recbytes);//輸出流量的統(tǒng)計結(jié)果，通過flow::作為前綴來標示。
record.clear();
record.set(new StringBuffer("count::").append(appid).append("::").append(apiName).toString());
output.collect(record, new LongWritable(1));//輸出次數(shù)的統(tǒng)計結(jié)果，通過count::作為前綴來標示
}
}
LogAnalysiser:: PartitionerClass
public static class PartitionerClass implements Partitioner<Text, LongWritable>
{
public int getPartition(Text key, LongWritable value, int numPartitions)
{
if (numPartitions >= 2)//Reduce 個數(shù)，判斷流量還是次數(shù)的統(tǒng)計分配到不同的Reduce
if (key.toString().startsWith("flow::"))
return 0;
else
return 1;
else
return 0;
}
public void configure(JobConf job){}
}
LogAnalysiser:: CombinerClass
參看ReduceClass，通常兩者可以使用一個，不過這里有些不同的處理就分成了兩個。在ReduceClass中藍色的行表示在CombinerClass中不存在。
LogAnalysiser:: ReduceClass
public static class ReduceClass extends MapReduceBase
implements Reducer<Text, LongWritable,Text, LongWritable>
{
public void reduce(Text key, Iterator<LongWritable> values,
OutputCollector<Text, LongWritable> output, Reporter reporter)throws IOException
{
Text newkey = new Text();
newkey.set(key.toString().substring(key.toString().indexOf("::")+2));
LongWritable result = new LongWritable();
long tmp = 0;
int counter = 0;
while(values.hasNext())//累加同一個key的統(tǒng)計結(jié)果
{
tmp = tmp + values.next().get();
counter = counter +1;//擔心處理太久，JobTracker長時間沒有收到報告會認為TaskTracker已經(jīng)失效，因此定時報告一下
if (counter == 1000)
{
counter = 0;
reporter.progress();
}
}
result.set(tmp);
output.collect(newkey, result);//輸出最后的匯總結(jié)果
}
}
LogAnalysiser
public static void main(String[] args)
{
try
{
run(args);
} catch (Exception e)
{
e.printStackTrace();
}
}
public static void run(String[] args) throws Exception
{
if (args == null || args.length <2)
{
System.out.println("need inputpath and outputpath");
return;
}
String inputpath = args[0];
String outputpath = args[1];
String shortin = args[0];
String shortout = args[1];
if (shortin.indexOf(File.separator) >= 0)
shortin = shortin.substring(shortin.lastIndexOf(File.separator));
if (shortout.indexOf(File.separator) >= 0)
shortout = shortout.substring(shortout.lastIndexOf(File.separator));
SimpleDateFormat formater = new SimpleDateFormat("yyyy.MM.dd");
shortout = new StringBuffer(shortout).append("-")
.append(formater.format(new Date())).toString();
if (!shortin.startsWith("/"))
shortin = "/" + shortin;
if (!shortout.startsWith("/"))
shortout = "/" + shortout;
shortin = "/user/root" + shortin;
shortout = "/user/root" + shortout;
File inputdir = new File(inputpath);
File outputdir = new File(outputpath);
if (!inputdir.exists() || !inputdir.isDirectory())
{
System.out.println("inputpath not exist or isn't dir!");
return;
}
if (!outputdir.exists())
{
new File(outputpath).mkdirs();
}
JobConf conf = new JobConf(new Configuration(),LogAnalysiser.class);//構(gòu)建Config
FileSystem fileSys = FileSystem.get(conf);
fileSys.copyFromLocalFile(new Path(inputpath), new Path(shortin));//將本地文件系統(tǒng)的文件拷貝到HDFS中
conf.setJobName("analysisjob");
conf.setOutputKeyClass(Text.class);//輸出的key類型，在OutputFormat會檢查
conf.setOutputValueClass(LongWritable.class); //輸出的value類型，在OutputFormat會檢查
conf.setMapperClass(MapClass.class);
conf.setCombinerClass(CombinerClass.class);
conf.setReducerClass(ReduceClass.class);
conf.setPartitionerClass(PartitionerClass.class);
conf.set("mapred.reduce.tasks", "2");//強制需要有兩個Reduce來分別處理流量和次數(shù)的統(tǒng)計
FileInputFormat.setInputPaths(conf, shortin);//hdfs中的輸入路徑
FileOutputFormat.setOutputPath(conf, new Path(shortout));//hdfs中輸出路徑
Date startTime = new Date();
System.out.println("Job started: " + startTime);
JobClient.runJob(conf);
Date end_time = new Date();
System.out.println("Job ended: " + end_time);
System.out.println("The job took " + (end_time.getTime() - startTime.getTime()) /1000 + " seconds.");
//刪除輸入和輸出的臨時文件
fileSys.copyToLocalFile(new Path(shortout),new Path(outputpath));
fileSys.delete(new Path(shortin),true);
fileSys.delete(new Path(shortout),true);
}
以上的代碼就完成了所有的邏輯性代碼，然后還需要一個注冊驅(qū)動類來注冊業(yè)務Class為一個可標示的命令，讓hadoop jar可以執(zhí)行。
public class ExampleDriver {
public static void main(String argv[]){
ProgramDriver pgd = new ProgramDriver();
try {
pgd.addClass("analysislog", LogAnalysiser.class, "A map/reduce program that analysis log .");
pgd.driver(argv);
}
catch(Throwable e){
e.printStackTrace();
}
}
}
將代碼打成jar，并且設置jar的mainClass為ExampleDriver這個類。在分布式環(huán)境啟動以后執(zhí)行如下語句：
hadoop jar analysiser.jar analysislog /home/wenchu/test-in /home/wenchu/test-out
在/home/wenchu/test-in中是需要分析的日志文件，執(zhí)行后就會看見整個執(zhí)行過程，包括了Map和Reduce的進度。執(zhí)行完畢會在/home/wenchu/test-out下看到輸出的內(nèi)容。有兩個文件：part-00000和part-00001分別記錄了統(tǒng)計后的結(jié)果。 如果需要看執(zhí)行的具體情況，可以看在輸出目錄下的_logs/history/xxxx_analysisjob，里面羅列了所有的Map，Reduce的創(chuàng)建情況以及執(zhí)行情況。在運行期也可以通過瀏覽器來查看Map,Reduce的情況：http://MasterIP:50030/jobtracker.jsp
Hadoop集群測試
首先這里使用上面的范例作為測試，也沒有做太多的優(yōu)化配置，這個測試結(jié)果只是為了看看集群的效果，以及一些參數(shù)配置的影響。
文件復制數(shù)為1，blocksize 5M
| Slave數(shù) |
處理記錄數(shù)(萬條) |
執(zhí)行時間（秒） |
| 2 |
95 |
38 |
| 2 |
950 |
337 |
| 4 |
95 |
24 |
| 4 |
950 |
178 |
| 6 |
95 |
21 |
| 6 |
950 |
114 |
Blocksize 5M
| Slave數(shù) |
處理記錄數(shù)(萬條) |
執(zhí)行時間（秒） |
| 2（文件復制數(shù)為1） |
950 |
337 |
| 2（文件復制數(shù)為3） |
950 |
339 |
| 6（文件復制數(shù)為1） |
950 |
114 |
| 6（文件復制數(shù)為3） |
950 |
117 |
文件復制數(shù)為1
| Slave數(shù) |
處理記錄數(shù)(萬條) |
執(zhí)行時間（秒） |
| 6(blocksize 5M) |
95 |
21 |
| 6(blocksize 77M) |
95 |
26 |
| 4(blocksize 5M) |
950 |
178 |
| 4(blocksize 50M) |
950 |
54 |
| 6(blocksize 5M) |
950 |
114 |
| 6(blocksize 50M) |
950 |
44 |
| 6(blocksize 77M) |
950 |
74 |
測試的數(shù)據(jù)結(jié)果很穩(wěn)定，基本測幾次同樣條件下都是一樣。通過測試結(jié)果可以看出以下幾點：
- 機器數(shù)對于性能還是有幫助的（等于沒說^_^）。
- 文件復制數(shù)的增加只對安全性有幫助，但是對于性能沒有太多幫助。而且現(xiàn)在采取的是將操作系統(tǒng)文件拷貝到HDFS中，所以備份多了，準備的時間很長。
- blocksize對于性能影響很大，首先如果將block劃分的太小，那么將會增加job的數(shù)量，同時也增加了協(xié)作的代價，降低了性能，但是配置的太大也會讓job不能最大化并行處理。所以這個值的配置需要根據(jù)數(shù)據(jù)處理的量來考慮。
- 最后就是除了這個表里面列出來的結(jié)果，應該去仔細看輸出目錄中的_logs/history中的xxx_analysisjob這個文件，里面記錄了全部的執(zhí)行過程以及讀寫情況。這個可以更加清楚地了解哪里可能會更加耗時。
隨想
“云計算”熱的燙手，就和SAAS、Web2及SNS等一樣，往往都是在搞概念，只有真正踏踏實實的大型互聯(lián)網(wǎng)公司，才會投入人力物力去研究符合自己的分布式計算。其實當你的數(shù)據(jù)量沒有那么大的時候，這種分布式計算也就僅僅只是一個玩具而已，只有在真正解決問題的過程中，它深層次的問題才會被挖掘出來。
這三篇文章（分布式計算開源框架Hadoop介紹，Hadoop中的集群配置和使用技巧）僅僅是為了給對分布式計算有興趣的朋友拋個磚，要想真的掘到金子，那么就踏踏實實的去用、去想、去分析。或者自己也會更進一步地去研究框架中的實現(xiàn)機制，在解決自己問題的同時，也能夠貢獻一些什么。
前幾日看到有人跪求成為架構(gòu)師的方式，看了有些可悲，有些可笑，其實有多少架構(gòu)師知道什么叫做架構(gòu)？架構(gòu)師的職責是什么？與其追求這么一個名號，還不如踏踏實實地做塊石頭沉到水底。要知道，積累和沉淀的過程就是一種成長。
相關閱讀：
- 分布式計算開源框架Hadoop介紹――分布式計算開源框架Hadoop入門實踐（一）。
- Hadoop中的集群配置和使用技巧――分布式計算開源框架Hadoop入門實踐（二）。
作者介紹：岑文初，就職于阿里軟件公司研發(fā)中心平臺一部，任架構(gòu)師。當前主要工作涉及阿里軟件開發(fā)平臺服務框架（ASF）設計與實現(xiàn)，服務集成平臺（SIP）設計與實現(xiàn)。沒有什么擅長或者精通，工作到現(xiàn)在唯一提升的就是學習能力和速度。個人Blog為：http://blog.csdn.net/cenwenchu79。
志愿參與InfoQ中文站內(nèi)容建設，請郵件至editors@cn.infoq.com。也歡迎大家到InfoQ中文站用戶討論組參與我們的線上討論。