Leo Zhang

A simple man with my own ideal

Hadoop初体验——搭建hadoop简单实现文本数据全局排序

      之前在实现一些机器学习算法时,跑数据量、feature很多的数据集往往要耗费很多时间,尤其是处理大量文本数据时候,单机跑算法的时间让我无法容忍,理论上如果合理的将大数据量分布式并行计算框架(例如hadoop)应用到这些算法上能有效提高算法执行速度(当然,要求算法本身可以全部或部分进行并行化处理),下一步想要学习Mahout(http://mahout.apache.org/),它的目标是:build scalable machine learning libraries,它是基于hadoop的,所以在此之前需要学习一下Hadoop,先从hadoop搭建开始吧。

1、硬件、软件准备

      手头上有三台配置一样的电脑,就不去装虚拟机了,配置如下:

CPU:Intel(R) Pentium(R) Dual  CPU  E2200  @ 2.20GHz

Memory:2001MiB

Network:NetLink BCM5786 Gigabit Ethernet

      三台电脑装有相同的操作系统——Ubuntu 11.04

2、安装过程

      任选一台机器作为master,其他机器作为slaves,所有机器拥有相同的用户、相同的环境变量配置、相同的hadoop目录结构、相同的Java目录结构。

(1)、更改host文件

      master机器:在终端执行:sudo gedit /etc/hosts,添加以下信息:

172.22.9.209    namenode-m

172.22.9.185    datanode-1

172.22.9.220    datanode-2

     slaves机器:处理方式类似。

(2)、安装SSH

      1)、为所有机器安装ssh:在终端运行:sudo apt-get install ssh,查看/leozhang目录下是否有.ssh文件夹(需要View->Show Hidden Files才能看见隐藏文件),如果没有,在终端运行:sudo mkdir .ssh;

      2)、在终端运行:

      cd .ssh

      #生成公钥、私钥密钥对

      ssh-keygen  #一直回车

      #将公钥内容复制到authorized_keys文件
      cp id_rsa.pub authorized_keys

      #设定authorized_keys文件属性为-rw-r--r--,即文件属主拥有读写权限,与文件属主同组的用户拥有读权限,其他人拥有读权限。

      chmod 644 authorized_keys

      #将公钥拷贝到slaves

      scp authorized_keys datanode-1:/home/leozhang/.ssh #这里也可以是scp authorized_keys leozhang@datanode-1:/home/leozhang/.ssh

      scp authorized_keys datanode-2:/home/leozhang/.ssh #同上

      最后测试设置是否成功,如:ssh datanode-1,如果不用输入密码就能登录,说明设置成功。

(3)、下载并配置jdk

      1)、从http://www.oracle.com/technetwork/java/javase/downloads/java-se-jdk-7-download-432154.html下载jdk-7-linux-i586.tar.gz,解压后得到文件夹:jdk1.7.0,(例如下载并解压到了:/home/leozhang/Downloads);

      2)、在所有机器上做如下操作:在/usr建立文件夹java:在终端执行:sudo mkdir /usr/java,并将jdk1.7.0拷贝到java文件夹:进入/home/leozhang/Downloads目录,在终端执行sudo mv jdk1.7.0 /usr/java;

      3)、在终端执行:sudo gedit /etc/profile,在文件末尾添加:

JAVA_HOME="/usr/java/jdk1.7.0"

export JAVA_HOME

PATH=$JAVA_HOME/bin:$PATH

export PATH

CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:$CLASSPATH 

export CLASSPATH

      4)、在终端执行:

      cd /usr/java

      scp -r java1.7.0 leozhang@datanode-1:/usr/java

      scp -r java1.7.0 leozhang@datanode-2:/usr/java

(4)、下载并配置hadoop

      hadoop包含三个部分:

Hadoop Common: The common utilities that support the other Hadoop subprojects.

Hadoop Distributed File System (HDFS™): A distributed file system that provides high-throughput access to application data.

Hadoop MapReduce: A software framework for distributed processing of large data sets on compute clusters.

     1)、从http://labs.renren.com/apache-mirror//hadoop/core/hadoop-0.20.204.0/下载hadoop-0.20.204.0.tar.gz,解压到home/leozhang中并重命名为hadoop;

     2)、在终端执行:sudo gedit /etc/profile,在文件末尾添加:

HADOOP_HOME=/home/leozhang/hadoop

export HADOOP_HOME

export HADOOP=$HADOOP_HOME/bin

export PATH=$HADOOP:$PATH

     3)、hadoop配置文件

     在hadoop文件夹中有一个conf文件夹,里面是hadoop所需的配置文件,主要关注的有以下几个:

     ●hadoop-env.sh

      需要改动的只有一处,设置JAVA_HOME。

# The java implementation to use.  Required.
export JAVA_HOME=/usr/java/jdk1.7.0

     ●core-site.xml

     fs.default.name指出NameNode所在的地址,NameNode要跑在master机器上。

<configuration>
     <property>
         <name>fs.default.name</name>
         <value>hdfs://172.22.9.209:9000</value>
     </property>

     <property>
      <name>hadoop.logfile.size</name>
      <value>10000000</value>
      <description>The max size of each log file</description>
     </property>

     <property>
      <name>hadoop.logfile.count</name>
      <value>10</value>
      <description>The max number of log files</description>
     </property>

</configuration>

     ●hdfs-site.xml

      dfs.replication默认是3,如果DataNode个数小于3会报错。

<configuration>
     <property>
         <name>dfs.replication</name>
         <value>2</value>
     </property>
</configuration>

     ●mapred-site.xml

      mapred.job.tracker指出jobtracker所在地址,其它项不去配置则都为默认值。

<configuration>
     <property>
         <name>mapred.job.tracker</name>
         <value>172.22.9.209:9001</value>
     </property>
</configuration>

     关于配置文件的详细信息可以在http://hadoop.apache.org/common/docs/stable/cluster_setup.html中找到。

     ●masters

        172.22.9.209

     ●slaves

        172.22.9.185
        172.22.9.220

      4)、在终端执行:

      cd /home/leozhang

      scp -r hadoop leozhang@datanode-1:/home/leozhang

      scp -r hadoop leozhang@datanode-2:/home/leozhang


      5)、在终端执行:source /etc/profile,如果不管用就注销然后重新登录。

3、数据全局排序 

(1)、工具准备

      需要下载eclipse,地址是http://www.eclipse.org/downloads/,也可以在终端运行sudo apt-get install eclipse,可以装个mapreduce的插件,方便在单机调试代码,那个插件在下载的hadoop的目录里,如:/home/leozhang/hadoop/contrib/eclipse-plugin/hadoop-eclipse-plugin-0.20.204.0.jar,把它拷贝到eclipse安装目录的plugins文件夹中即可。

(2)、启动hadoop

      第一次使用需要初始化NameNode,在master机器的终端上执行:hadoop namenode -format

      在master机器的终端上执行:start-all.sh,可以用jps来查看本机的java进程,在master上启动了3个进程:JobTracker、SecondaryNameNode、NameNode,而slaves机器上有2个进程:TaskTracker、DataNode;需要停止进程,只要在master机器的终端上执行:stop-all.sh

      在http://localhost:50070/可以看到NameNode的详细信息,如:

Screenshot-1      在http://localhost:50030可以看到作业的详细信息,如:

Screenshot


(3)、关于mapreduce

      mapreduce很适合数据之间相关性较低且数据量庞大的情况,map操作将原始数据经过特定操作打散后输出,作为中间结果,hadoop通过shuffle操作对中间结果排序,之后,reduce操作接收中间结果并进行汇总操作,最后将结果输出到文件中,从这里也可以看到在hadoop中,hdfs是mapreduce的基石。可以用下面这幅图描述map和reduce的过程:

 image

       有人用这么一句话解释mapreduce:

       We want to count all the books in the library. You count up shelf #1, I count up shelf #2. That's map. The more people we get, the faster it goes.
我们要数图书馆中的所有书。你数1号书架,我数2号书架。这就是“Map”。我们人越多,数书就更快。

Now we get together and add our individual counts. That's reduce.
现在我们到一起,把所有人的统计数加在一起。这就是“Reduce”。

(4)、数据准备

      将待排序文本上传到hdfs上并放在input文件夹中,在终端执行:hadoop dfs –mkdir input

      假设数据文件data.txt放在本地磁盘的/home/leozhang/testdata中,在终端执行:cd /home/leozhang/testdata;hadoop dfs –put data input/

(5)、排序思路

      借鉴快速排序的思路:假设为升序排序,那么每完成一次partition,pivot左边所有元素的值都小于等于pivot,而pivot右边的所有元素的值都大于等于pivot,如果现在有N个pivot,那么数据就被map成了N+1个区间,让reducer个数等于N+1,将不同区间的数据发送到相应区间的reducer;hadoop利用shuffle操作将这N+1份数据自动排序,reduce操作只需要接收中间结果后直接输出到文件即可。

由此归纳出用hadoop对大量数据排序的步骤:

1)、对待排序数据进行抽样;

2)、对抽样数据进行排序,产生pivot(例如得到的pivot为:3,9,11);

3)、Map对输入的每条数据计算其处于哪两个pivot之间,之后将数据发给相应的reduce(例如区间划分为:<3、[3,9)、>=9,分别对应reducer0、reducer1、reducer2);

4)、Reduce将获得数据直接输出。

(6)、简单实现

      数据抽样由:RandomSelectMapper和RandomSelectReducer完成,数据划分由ReducerPatition完成,排序输出由SortMapper和SortReducer完成,执行顺序为:RandomSelectMapper –> RandomSelectReducer –> SortMapper –> SortReducer。

这个实现方式总觉得不给力,尤其是数据划分那块儿,不知道大家会怎么做,指导一下我吧,呵呵。代码可以从这里得到。

1)、pivot的选取采用随机的方式:

   1: package MRTEST.Sort;
   2:  
   3: import java.io.IOException;
   4: import java.util.Random;
   5: import java.util.StringTokenizer;
   6:  
   7: import org.apache.hadoop.io.Text;
   8: import org.apache.hadoop.mapreduce.Mapper;
   9:  
  10: public class RandomSelectMapper
  11:         extends Mapper<Object, Text, Text, Text>{
  12:     private static int currentSize = 0;
  13:     private Random random = new Random();
  14:     
  15:     public void map(Object key, Text value, Context context)
  16:         throws IOException, InterruptedException{
  17:         StringTokenizer itr = new StringTokenizer(value.toString());
  18:         while(itr.hasMoreTokens()){
  19:             currentSize++;
  20:             Random ran = new Random();
  21:             if(random.nextInt(currentSize) == ran.nextInt(1)){
  22:                   Text v = new Text(itr.nextToken());
  23:                     context.write(v, v);      
  24:             }
  25:             else{
  26:                 itr.nextToken();
  27:             }
  28:         }
  29:     }
  30:  
  31: }

pivot的排序由hadoop完成:

   1: package MRTEST.Sort;
   2:  
   3: import java.io.IOException;
   4:  
   5: import org.apache.hadoop.io.Text;
   6: import org.apache.hadoop.mapreduce.Reducer;
   7:  
   8: public class RandomSelectReducer
   9:         extends Reducer<Text, Text, Text, Text>{
  10:     
  11:     public void reduce(Text key, Iterable<Text> values, Context context)
  12:         throws IOException, InterruptedException{
  13:         
  14:         for (Text data : values) {
  15:             context.write(null,data);
  16:             break;
  17:         } 
  18:     }
  19: }

2)、SortMapper直接读取数据:

   1: package MRTEST.Sort;
   2:  
   3: import java.io.IOException;
   4: import java.util.StringTokenizer;
   5:  
   6: import org.apache.hadoop.io.Text;
   7: import org.apache.hadoop.mapreduce.Mapper;
   8:  
   9: public class SortMapper
  10:         extends Mapper<Object, Text, Text, Text> {        
  11:  
  12:     public void map(Object key, Text values,
  13:             Context context) throws IOException,InterruptedException {
  14:           StringTokenizer itr = new StringTokenizer(values.toString());
  15:           while (itr.hasMoreTokens()) {
  16:               Text v = new Text(itr.nextToken());
  17:                 context.write(v, v);  
  18:         }
  19:     }
  20:               
  21: }

向相应的Reducer分发数据:

 

   1: package MRTEST.Sort;
   2:  
   3: import org.apache.hadoop.io.Text;
   4: import org.apache.hadoop.mapreduce.Partitioner;
   5:  
   6: public class ReducerPartition
   7:         extends Partitioner<Text, Text>{
   8:  
   9:     public int getPartition(Text key, Text value ,int numPartitions){        
  10:         return HadoopUtil.getReducerId(value, numPartitions);        
  11:     }    
  12: }

最后由SortReducer输出结果:

   1: package MRTEST.Sort;
   2:  
   3: import java.io.IOException;
   4:  
   5:  
   6: import org.apache.hadoop.io.Text;
   7: import org.apache.hadoop.mapreduce.Reducer;
   8:  
   9: public class SortReducer 
  10:         extends Reducer<Text, Text, Text, Text> {
  11:  
  12:     public void reduce(Text key, Iterable<Text> values,
  13:             Context context) throws IOException, InterruptedException {
  14:  
  15:         for (Text data : values) {
  16:             context.write(key,data);
  17:         }
  18:     }
  19: }

3)、作业的组织由SortDriver完成:

   1: package MRTEST.Sort;
   2:  
   3: import java.io.IOException;
   4:  
   5: import org.apache.hadoop.conf.Configuration;
   6: import org.apache.hadoop.fs.Path;
   7: import org.apache.hadoop.io.Text;
   8: import org.apache.hadoop.mapreduce.Job;
   9: import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  10: import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  11: import org.apache.hadoop.util.GenericOptionsParser;
  12:  
  13:  
  14: public class SortDriver {
  15:     
  16:     public static void runPivotSelect(Configuration conf,
  17:                                       Path input,
  18:                                       Path output) throws IOException, ClassNotFoundException, InterruptedException{
  19:         
  20:         Job job = new Job(conf, "get pivot");
  21:         job.setJarByClass(SortDriver.class);
  22:         job.setMapperClass(RandomSelectMapper.class);
  23:         job.setReducerClass(RandomSelectReducer.class);
  24:         job.setOutputKeyClass(Text.class);
  25:         job.setOutputValueClass(Text.class);
  26:         FileInputFormat.addInputPath(job, input);
  27:         FileOutputFormat.setOutputPath(job, output);
  28:         if(!job.waitForCompletion(true)){
  29:             System.exit(2);
  30:         }
  31:     }
  32:     
  33:     public static void runSort(Configuration conf,
  34:                                Path input,
  35:                                Path partition,
  36:                                Path output) throws IOException, ClassNotFoundException, InterruptedException{
  37:         Job job = new Job(conf, "sort");
  38:         job.setJarByClass(SortDriver.class);
  39:         job.setMapperClass(SortMapper.class);
  40:         job.setCombinerClass(SortReducer.class);
  41:         job.setPartitionerClass(ReducerPartition.class);
  42:         job.setReducerClass(SortReducer.class);
  43:         job.setOutputKeyClass(Text.class);
  44:         job.setOutputValueClass(Text.class);
  45:         HadoopUtil.readPartition(conf, new Path(partition.toString() + "\\part-r-00000"));
  46:         job.setNumReduceTasks(HadoopUtil.pivots.size());
  47:         FileInputFormat.addInputPath(job, input);
  48:         FileOutputFormat.setOutputPath(job, output);
  49:         
  50:         System.exit(job.waitForCompletion(true) ? 0 : 1);
  51:     }
  52:  
  53:     public static void main(String[] args) throws Exception {
  54:         Configuration conf = new Configuration();
  55:         String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
  56:         if (otherArgs.length != 3) {
  57:           System.err.println("Usage: sort <input> <partition> <output>");
  58:           System.exit(2);
  59:         }    
  60:         
  61:         Path input = new Path(otherArgs[0]);
  62:         Path partition = new Path(otherArgs[1]);
  63:         Path output = new Path(otherArgs[2]);
  64:         
  65:         HadoopUtil.delete(conf, partition);
  66:         HadoopUtil.delete(conf, output);
  67:         
  68:         SortDriver.runPivotSelect(conf,input,partition);
  69:         SortDriver.runSort(conf,input, partition, output);        
  70:     }
  71: }

(7)、打包并测试

      在master机器上,单击eclipse的File菜单中的Export,选择Java –> JAR file,单击Next,在左边树形结构中把你想打包的文件勾选,单击Next,再单击Next,在Main class里选择应用程序入口(可选项),最后点Finish,可以看到一个jar文件,例如:Sort.jar。

      进入Sort.jar所在路径,在终端输入:hadoop jar Sort.jar input partition output

(8)、查看结果

      在http://localhost:50030中可以跟踪所有作业的执行情况。

      在hdfs上查看结果,终端输入:hadoop dfs –cat output/*,或者将hdfs上的文件抓到本地查看:hadoop dfs –get output output

4、参考资料

      1、http://hadoop.apache.org/

      2、http://subject.csdn.net/hadoop/

      3、Hadoop The Definitive Guide 2nd Edition

      4、http://hi.baidu.com/gaolongquan/blog/item/2148dc240a0a7026c99559da.html

      5、http://stblog.baidu-tech.com/?p=397&cpage=1

posted on 2011-09-20 14:21  Leo Zhang  阅读(7932)  评论(6编辑  收藏

导航