配置好hadoop的虚拟机镜像下载 装虚拟机hadoop需要多少内存

第一章 Hadoop运行环境的搭建
1.1 虚拟机环境准备（以下所有虚拟机以centOS7为例）

1. 打开VMware Workstation，点击创建新的虚拟机
2. 选择自定义配置或者典型（新手推荐典型），点击下一步
3. 选择稍后安装操作系统，点击下一步
4. 客户机操作系统选择Linux，版本选择CentOS 64位或CentOS 7 64位，点击下一步
5. List item
6. 虚拟机名称可以自定义，建议以CentOS为中心取名，名字尽量见名知意，默认C盘，位置尽量放在C盘外的其他盘符
7. 最大磁盘大小按需分配，默认20GB，选择将虚拟磁盘拆分成多个文件

7.配置好后，点击完成

8.成功后会出现虚拟机名称

9. 右键CentOS 64位,点击设置进入设置页面，建议内存设置2GB，处理器设置为4，点击CD/DVD,使用ISO映像文件，选择已经下载好的CentOS7镜像文件（下载镜像文件可以进入http://isoredirect.centos.org/centos/7/isos/x86_64，选择阿里云http://mirrors.aliyun.com/centos/7.9.2009/isos/x86_64/，点击CentOS-7-x86_64-DVD-2009.iso，下载镜像文件）

10.开启虚拟机

11.安装操作系统
开启虚拟机后会出现以下界面:

选择第一项，直接安装CentOS 7，回车，进入下面的界面
11.选择安装过程中使用的语言，这里选择中文、简体中文。点击继续

12.点击日期和时间，设置时间

12.时区选择上海，查看时间是否正确。然后点击完成

13.点击软件选择

14.选择带GUI的服务器，然后点击完成

14.点击安装位置，在这里可以进行对磁盘的划分

15.选择我会配置分区，然后点击完成

16.如下图所示，点击加号，选择/boot，给boot分区分配200MiB；选择/(根目录)，给/分区分配10GiB；选择swap，给swap分区分配2048MiB。最后点击添加

17.然后会弹出摘要信息，点击接受更改

18.点击网络和主机名，设置主机名与网卡信息

19.首先要打开网卡，然后查看是否能获取到IP地址，再更改主机名（主机名不更改也可，后续学习中通过命令修改主机名）后点击完成。

20.最后选择开始安装
21.选择设置root密码，设置root账号的密码

22.点击创建用户，进入设置账号名与密码，点击完成

23.等待系统安装完毕点击重启，重启系统即可
24.重启成功后，点击未接受许可证，进入后点击我同意许可协议，点击完成
25.最后点击完成配置
26.进入登录界面，选择未列出，输入root账号及密码，进入centos7图形界面

1.2 虚拟机环境搭建
1.虚拟机配置
（1）右击打开终端，输入ping www.baidu.com，检查虚拟机联网情况。
注

：[root@jjc ~]root为root账号，jjc为主机名，主机名可更改

（2）使用yum命令，安装 epel-release 注：Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包， 适用于 RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库，大多数 rpm 包在官方 repository 中是找不到的）

[root@jjc ~]# yum install -y epel-release

（3）关闭防火墙，关闭防火墙开机自启

[root@jjc ~]# systemctl stop firewalld
 [root@jjc ~]# systemctl disable firewalld.service

（4）如图所示，在/opt 目录下创建 module、software 文件夹，并查看是否创建成功

（5）卸载虚拟机自带的 JDK
注：如果你的虚拟机是最小化安装不需要执行这一步。
[root@jjc ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps
➢ rpm -qa：查询所安装的所有 rpm 软件包
➢ grep -i：忽略大小写
➢ xargs -n1：表示每次只传递一个参数
➢ rpm -e –nodeps：强制卸载软件

（6）重启虚拟机
[root@jjc ~]# reboot
2.克隆虚拟机
（1）如图所示，右击centOS 64位，选择管理，选择克隆
注：克隆时应关闭虚拟机

（2）选择虚拟机中的当前状态点击下一页
（3）选择创建完整克隆
（4）虚拟机名称选择hadoop101，虚拟机位置可自行选择，点击完成

（5）等待克隆完成后，用同样方法，再克隆hadoop102，hadoop103两台虚拟机

3.修改克隆虚拟机（以下使用hadoop101举例）
（1）修改克隆虚拟机hadoop101的静态IP

[root@jjc ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33

（2）打开后，如图依次修改

（3）查看 Linux 虚拟机的虚拟网络编辑器，编辑->虚拟网络编辑器->VMnet8

（4）查看 Windows 系统适配器 VMware Network Adapter VMnet8 的 IP 地址

（5）保证 Linux 系统 ifcfg-ens33 文件中 IP 地址、虚拟网络编辑器地址和 Windows 系统 VM8 网络 IP 地址相同。
4.修改主机名（以下以 hadoop101 举例说明）
（1）进入/etc/hostname文件后，将自己的主机名改为hadoop101
[root@jjc ~]# vim /etc/hostname
hadoop101
（2）配置 Linux 克隆机主机名称映射 hosts 文件，打开/etc/hosts

[root@jjc~]# vim /etc/hosts
 添加如下内容
 192.168.10.101 hadoop101
 192.168.10.102 hadoop102
 192.168.10.103 hadoop103
 （3）重启虚拟机
 [root@jjc~]# reboot
 （4）依照hadoop101，打开hadoop102，hadoop103，修改配置
 5.修改 windows 的主机映射文件（hosts 文件）
 （1）进入 C:\Windows\System32\drivers\etc 路径
 （2）打开hosts文件添加如下内容
 192.168.10.101 hadoop101
 192.168.10.102 hadoop102
 192.168.10.103 hadoop103

1.3 安装JDK及Hadoop
（1）卸载现有JDK
注：安装 JDK 前，一定确保提前删除了虚拟机自带的 JDK。
（详见虚拟机配置第五步）
hadoop-2.6.0-cdh5.14.0.tar.gz 与 jdk-8u141-linux-x64.tar.gz：
链接：https://pan.baidu.com/s/17HTvePWWbBh6Tiebkdmr3A
提取码：75sx
（2）使用Xftp传输工具将JDK和hadoop导入到opt目录下面的software文件夹下面

（3）使用xshell工具连接虚拟机，并用命令查看是否传输成功

（4）进入到 JDK和Hadoop安装包路径下

[root@hadoop101 ~]$ cd /opt/software/
 （5）解压JDK及Hadoop文件到/opt/module 下面
 [root@hadoop101 software]$ tar -zxvf hadoop-2.6.0-cdh5.14.0.tar.gz -C /opt/module/
 [root@hadoop101 software]$ tar -zxvf jdk-8u212-linuxx64.tar.gz -C /opt/module/

（6）配置 JDK及Hadoop环境变量
打开/etc/profile 文件

[root@hadoop101 ~]$ vim /etc/profile
 添加如下内容
 1.以下为JDK环境变量配置：
 #JAVA_HOME
 export JAVA_HOME=/opt/module/jdk1.8.0_141
 export PATH=JAVA_HOME/bin
 2.以下为Hadoop环境变量配置：
 #HADOOP_HOME
 export HADOOP_HOME=/opt/module/hadoop-2.6.0-cdh5.14.0
 export PATH=HADOOP_HOME/bin
 export PATH=HADOOP_HOME/sbin

保存文件后退出
（7）使用source命令执行/etc/profile 文件，让新的环境变量 PATH 生效 [root@hadoop101 ~]$ source /etc/profile
（8）测试 JDK及Hadoop是否安装成功
如图所示，则安装成功，若不能安装成功，请重启虚拟机，还失败请按步骤检查

1.4 Hadoop目录结构
（1）如图所示，查看Hadoop目录结构

（2）重要目录
1.bin 目录：存放对 Hadoop 相关服务（hdfs，yarn，mapred）进行操作的脚本
2.etc 目录：Hadoop 的配置文件目录，存放 Hadoop 的配置文件
3.lib 目录：存放 Hadoop 的本地库（对数据进行压缩解压缩功能）
4.sbin 目录：存放启动或停止 Hadoop 相关服务的脚本
5.share 目录：存放 Hadoop 的依赖 jar 包、文档、和官方案例
（3）Hadoop运行模式
Hadoop 运行模式包括：本地模式、伪分布式模式以及完全分布式模式。
1.本地模式：单机运行，只是用来演示一下官方案例。生产环境不用。
2.伪分布式模式：单机运行，但是具备 Hadoop 集群的所有功能，一台服务器模拟一个分布式的环境。生产环境不用。
3. 完全分布式模式：多台服务器组成分布式环境（一般是三台服务器）。生产环境使用。

1.5 完全分布式模式（配置集群）
1.scp命令与xsync脚本

1. 1 scp
   1.1 定义： scp 可以实现服务器与服务器之间的数据拷贝。
   1.2 基本语法 scp -r $pdir/$fname $user@$host:$pdir/$fname
   scp -r 拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
   1.3 实操
   注：在实操前hadoop101、hadoop102、hadoop103 都应创建好/opt/module

（1）在 hadoop101 上，将 hadoop101 中/opt/module/jdk1.8.0_212 目录拷贝到 hadoop102上。

[root@hadoop101~]$ scp -r /opt/module/jdk1.8.0_141/ root@hadoop102:/opt/module/
 （2）在 hadoop101 上，将 hadoop101 中/opt/module/hadoop-3.1.3 目录拷贝到 hadoop102上。
 [root@hadoop103~]$ scp -r /opt/module/hadoop-2.6.0-cdh5.14.0 root@hadoop102:/opt/module
 （3）打开hadoop102，hadoop103配置环境变量（详见1.3）

1.2 xsync 集群分发脚本
（1）需求：循环复制文件到所有节点的相同目录下
（2）脚本实现
1.在/root目录下创建 xsync 文件

[root@hadoop101 opt]$ cd /root/
 [root@hadoop101 ~]$ mkdir bin
 [root@hadoop101 ~]$ cd bin
 [root@hadoop101 bin]$ vim xsync

在该文件中编写如下代码

#!/bin/bash
 #1. 判断参数个数
 if [ $# -lt 1 ]
 then
 echo Not Enough Arguement!
 exit;
 fi
 #2. 遍历集群所有机器
 for host in hadoop101 hadoop102 hadoop103
 do
 echo ==================== $host ====================
 #3. 遍历所有目录，挨个发送
 for file in $@
 do
 #4. 判断文件是否存在
 if [ -e KaTeX parse error: Expected 'EOF', got '#' at position 17: …ile ] then #̲5. 获取父目录 pdir=(cd -P $(dirname KaTeX parse error: Expected 'EOF', got '#' at position 14: file); pwd) #̲6. 获取当前文件的名称 f…(basename $file)
 ssh $host “mkdir -p $pdir”
 rsync -av fname pdir
 else
 echo KaTeX parse error: Expected 'EOF', got '#' at position 79: …@hadoop101 bin]#̲ chmod 777 xsyn… cp xsync /bin/
 4.调用脚本形式：xsync 文件名称
 [root@hadoop101 bin]$ xsync /bin/

2.SSH免密登录
2.1 配置 ssh
（1）基本语法
第一步：ssh 另一台电脑的 IP 地址
[root@hadoop101 ~]$ ssh hadoop102
第二步：输入密码
第三步：退回到 hadoop101
[root@hadoop102 ~]$ exit
第四步：如图所示，进入.ssh

第五步：生成公钥与私钥
[root@hadoop101 .ssh]$ ssh -keygen -t rsa
第六步：然后敲三次回车，就会生成两个文件 id_rsa（私钥）、id_rsa.pub（公钥）

第七步：将公钥拷贝到要免密登录的目标机器上 [root@hadoop101 .ssh]$ ssh-copy-id hadoop101（自己的机器也免密登录一次）[root@hadoop101 .ssh]$ ssh-copy-id hadoop102 [root@hadoop101 .ssh]$ ssh-copy-id hadoop103

第八步：重复过程，在hadoop102，hadoop103免密登录

3.集群配置
（1）集群部署规划
1.NameNode 和 SecondaryNameNode 不要安装在同一台服务器
2. ResourceManager 也很消耗内存，不要和 NameNode、SecondaryNameNode 配置在 同一台机器上。

（2）Hadoop的配置文件
Hadoop 配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。
（1）默认配置文件:要获取的默认文件，文件存放在 Hadoop的jar包中的位置
1.core-default.xml hadoop-common-3.1.3.jar/core-default.xml 2.hdfs-default.xml hadoop-hdfs-3.1.3.jar/hdfs-default.xml
3.yarn-default.xml hadoop-yarn-common-3.1.3.jar/yarn-default.xml 4.mapred-default.xml hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml
（2）自定义配置文件： core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml 四个配置文件存放在 $HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置。

（2）配置集群文件

1. 核心配置文件
   core-site.xml
   [root@hadoop101 ~]$ cd /opt/module/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
   [root@hadoop101 hadoop]$ vim core-site.xml

在该文件中编写如下配置

fs.defaultFS hdfs://hadoop101:9000 hadoop.tmp.dir /opt/module/hadoop-2.6.0-cdh5.14.0/data/tmp

2.HDFS配置文件
1.hadoop-env.sh
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# vim ./etc/hadoop/hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_141

2.hdfs-site.xml
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# vim ./etc/hadoop/hdfs-site.xml
在该文件中编写如下配置

dfs.replication 3 dfs.namenode.secondary.http-address hadoop103:50090

3.YARN 配置文件
yarn-site.xml
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# vim ./etc/hadoop/yarn-site.xml
在该文件中编写如下配置

yarn.nodemanager.aux-services
mapreduce_shuffle

yarn.resourcemanager.hostname hadoop102

4. MapReduce 配置文件
   1.mapred-site.xml
   [root@hadoop101 hadoop-2.6.0-cdh5.14.0]# vim ./etc/hadoop/mapred-env.sh
   export JAVA_HOME=/opt/module/jdk1.8.0_141
5. mapred-site.xml
   注：hadoop-2.6.0-cdh5.14.0没有mared-site.xml，所以在修改配置之前，要将mapred-site.xml.template 改为 mared-site.xml
   [root@hadoop101 hadoop]# cp mapred-site.xml.template mapred-site.xml
   [root@hadoop101 hadoop]# vim mapred-site.xml
   在该文件中编写如下配置

mapreduce.framework.name yarn mapreduce.jobhistory.address hadoop101:10020 mapreduce.jobhistory.webapp.address hadoop101:19888

4.群起集群

1. 配置slaves
   [root@hadoop101 hadoop]# vim slaves
   在文件中添加
   hadoop101
   hadoop102
   hadoop103
   注：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。
   同步其他两个节点配置
   [root@hadoop101 hadoop]# xsync slaves

2.启动集群
2.1如果集群是第一次启动，需要格式化NameNode
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# bin/hdfs namenode -format
注：格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据
2.2 启动HDFS
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# sbin/start-dfs.sh
2.3 启动yarn
[root@hadoop102 hadoop-2.6.0-cdh5.14.0]# sbin/start-yarn.sh
注意：NameNode和ResourceManger如果不是同一台机器，不能在NameNode上启动 YARN，应该在ResouceManager所在的机器上启动YARN。
2.4 使用jps命令查看启动情况

2.5在web端查看
（1）查看HDFS的namenode
在浏览器输入：192.168.10.101:50070
如图所示：

（2）查看YARN的resourcemanger
在浏览器输入：192.168.10.102:8088
如图所示：

5.集群测试
1.在集群创建文件夹
[root@hadoop101 ~]# hadoop fs -mkdir /wcinput
如图所示：

2.上传文件到集群
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# hadoop fs -put wcinput/a.txt /wcinput
如图所示：

6.配置历史服务器
为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：
1.配置mapred-site.xml
在文件中添加如下配置

mapreduce.jobhistory.address hadoop101:10020 mapreduce.jobhistory.webapp.address hadoop101:19888 注：配置完成后使用xsync分发到其他两台服务器，并且在hadoop102重启yarn

2.启动历史服务器
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# sbin/mr-jobhistory-daemon.sh start historyserver
3.查看是否启动历史服务器，如图所示：
：
4.web端查看
在浏览器输入：192.168.10.101:19888

7.配置日志的聚集
概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。
优点：可以方便的查看到程序运行详情，方便开发调试。
1.配置yarn-site.xml
在文件中添加如下配置

yarn.log-aggregation-enable true yarn.log-aggregation.retain-seconds 604800 注：配置完成后使用xsync分发到其他服务器，并在hadoop102重启yarn，重启后在hadoop101中使用sbin/mr-jobhistory-daemon.sh stop historyserver停止历史服务器后根据上一步骤重启 第二章 HDFS 2.1 HDFS概述 1.HDFS 产生背景 随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系 统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。 2.定义 HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。 3.使用场景 适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。 4.优点 （1）高容错性 数据自动保存多个副本。它通过增加副本的形式，提高容错性。 某一个副本丢失以后，它可以自动恢复。 举例：有四台服务器，第三台服务器副本丢失，自动拷贝到下一个服务器中 （2）适合处理大数据 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据； 文件规模：能够处理百万规模以上的文件数量，数量相当之大。 （3）可构建在廉价机器上，通过多副本机制，提高可靠性 5.缺点 （1）不适合低延时数据访问，比如毫秒级的存储数据 （2）无法高效对大量小文件进行存储

存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；
小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
（3）不支持并发写入、文件随机修改。
一个文件只能有一个写，不允许多个线程同时写；
仅支持数据append（追加），不支持文件的随机修改。
2.2 HDFS组成架构

1.NameNode：管理者
（1）管理HDFS的名称空间，进行所有源数据的存储
（2）配置副本策略
（3）管理数据块（Block）映射信息
（4）处理客户端读写请求
2.DataNode：操作者
（1）存储实际的数据块
（2）执行数据块的读/写操作
3.Client：客户端
（1）文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传
（2）与NameNode交互，获取文件的位置信息
（3）与DataNode交互，读取或者写入数据
（4）Client提供一些命令来管理HDFS，比如NameNode格式化
（5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作
4.Secondary NameNode：辅助者，并不能替代NameNode工作
（1）辅助NameNode，分担其工作量，比如定期合并Fsimage（镜像文件）和Edits（文件日志），并推送给NameNode
（2）在紧急情况下，可辅助恢复NameNode
2.3 HDFS文件块大小
1.HDFS中的文件在物理上是分块存储（Block），块的大小可以通过配置参数 ( dfs.blocksize）来规定
默认大小在Hadoop2.x/3.x版本中是128M，1.x版本中是64M。
（1）寻址时间：集群中的块（Block）从上往下遍历查找到目标block的时间
（2）传输时间：文件写入或读出传输的时间
（3）寻址时间为传输时间的1% 时，则为最佳状态。
2.文件块大小设置
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置
（2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢
总结：HDFS块的大小设置主要取决于磁盘传输速率
机械硬盘：传输速率普遍为100MB/s，块可设置为128MB
固态硬盘：传输速率普遍为200-300MB/s，块可设置为256MB

2.4 HDFS中的操作命令（重点）
1.基本语法
hadoop fs 具体命令 或 hdfs dfs 具体命令
2.所有命令
[root@hadoop101 hadoop-2.6.0-cdh5.14.0]# hadoop fs
Usage: hadoop fs [generic options]
[-appendToFile … ]
[-cat [-ignoreCrc] …]
[-checksum …]
[-chgrp [-R] GROUP PATH…]
[-chmod [-R] <MODE[,MODE]… | OCTALMODE> PATH…]
[-chown [-R] [OWNER][:[GROUP]] PATH…]
[-copyFromLocal [-f] [-p] [-l] … ]
[-copyToLocal [-p] [-ignoreCrc] [-crc] … ]
[-count [-q] [-h] [-v] [-x] …]
[-cp [-f] [-p | -p[topax]] … ]
[-createSnapshot []]
[-deleteSnapshot ]
[-df [-h] [ …]]
[-du [-s] [-h] [-x] …]
[-expunge]
[-find … …]
[-get [-p] [-ignoreCrc] [-crc] … ]
[-getfacl [-R] ]
[-getfattr [-R] {-n name | -d} [-e en] ]
[-getmerge [-nl] ]
[-help [cmd …]]
[-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [ …]]
[-mkdir [-p] …]
[-moveFromLocal … ]
[-moveToLocal ]
[-mv … ]
[-put [-f] [-p] [-l] … ]
[-renameSnapshot ]
[-rm [-f] [-r|-R] [-skipTrash] …]
[-rmdir [–ignore-fail-on-non-empty]

…]

[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>}

]]

[-setfattr {-n name [-v value] | -x name}

]

[-setrep [-R] [-w]

…]

[-stat [format]

…]

[-tail [-f] ]

[-test -[defsz]

]

[-text [-ignoreCrc] …]

[-touchz

…]

[-usage [cmd …]]

3.常用命令

3.1 帮助命令

（1）-help：输出这个命令参数（建议百度为主）

3.2 关于上传的命令
（1）-moveFromLocal：从本地剪切粘贴到HDFS

（2）-appendToFile：追加一个文件到已经存在的文件末尾

（3）-copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去

（4）-put：等同于copyFromLocal，一般多使用put
3.3 关于下载的命令
（1）-copyToLocal：从 HDFS 拷贝到本地

（2）-get：等同于 copyToLocal，一般多使用get
3.4 HDFS其他操作命令
（1）-cat：显示文件内容

（2）-ls: 显示HDFS上目录信息

（3）chgrp、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限

（4）-mkdir：在HDFS上创建目录

（5）-cp：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

（6）-mv：在 HDFS 目录中移动文件

（7）-tail：显示一个文件的末尾 1kb 的数据

（8）-rm：删除文件或文件夹

（9）-rm -r：递归删除目录及目录里面内容

（10）-du 统计文件夹的大小信息

注：12表示文件大小，36表示12*3，有三个副本数，/jjc表示查看的目录
（11）-setrep：设置 HDFS 中文件的副本数量

注：这里设置的副本数只是记录在 NameNode 的元数据中，是否真的会有这么多副本，要看 DataNode 的数量。因为目前只有 3 台设备，最多也就 3 个副本

2.5 HDFS客户端操作（重点）
1.HDFS客户端环境准备
（1）在Windows路径下找到hadoop-2.6.0-cdh5.14.0.tar.gz（路径中不要含有空格或者中文），解压Hadoop压缩包

注：hadoop-2.6.0-cdh5.14.0\bin目录中没有hadoop.dll和winutils.exe文件（可以去网络上下载相应Hadoop版本的两个文件或者更换Hadoop版本），完成后将hadoop.dll拷贝到C:\Windows\System32目录下即可

（2）配置HADOOP_HOME环境变量，如图所示

（3）配置Path环境变量，如图所示

（4）在IDEA中新建一个名为HDFSClient的Maven项目，配置相应依赖与日志


junit
junit
RELEASE


org.apache.logging.log4j
log4j-core
2.8.2


org.apache.hadoop
hadoop-common
2.6.0


org.apache.hadoop
hadoop-client
2.6.0


org.apache.hadoop
hadoop-hdfs
2.6.0


注：hadoop-common、hadoop-client、hadoop-hdfs一定要下载与自己电脑上Hadoop相对应的版本，否则会报错
需要在项目的src/main/resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
（5）创建包名：com.hadoop.hdfs
（6）在创建的包名下创建一个Hdfsclient的java类（创建文件夹操作）
/**

• 客户端代码常用套路
• 1.获取一个客户端对象
• 2.执行相关的操作命令
• 3.关闭资源
  */
  public class HdfsClient {
  private FileSystem fs;
  //创建文件夹
  @Test
  public void test1() throws URISyntaxException, IOException, InterruptedException {
  //连接的集群nn地址
  URI uri = new URI(“hdfs://hadoop101:8020”);//NameNode内部通信端口 8020/9000
  //创建一个配置文件
  Configuration configuration = new Configuration();
  //用户
  String user = “root”;
  //1.获取到了客户端对象
  //抽象类，不能直接new
  fs = FileSystem.get(uri, configuration,user);
  //2.创建一个文件夹
  fs.mkdirs(new Path("/hadoop/hdfs"));
  //3.关闭资源
  fs.close();
  }
  }

（7）文件的上传
注：为了节省空间，这里简化了代码
//上传
@Test
public void test2() throws IOException {
/*
copyFromLocalFile参数：
boolean delSrc：是否删除原数据
boolean overwrite:是否允许覆盖
Path src：原数据路径
Path dst：目标路径
*/
fs.copyFromLocalFile(false,false,new Path(“D:\Hadoop\Hadoop2\123.txt”),new Path("/hadoop/hdfs"));
}

（8）文件的下载
//下载
@Test
public void test3() throws IOException {
/*
copyFromLocalFile参数:
boolean delSrc 指是否将原文件删除
Path src 指要下载的文件路径
Path dst 指将文件下载到的路径
boolean useRawLocalFileSystem 是否开启文件校验*/
fs.copyToLocalFile(false,new Path("/jjc/jjc/jjc.txt"),new Path(“D:\”),false);
}

（9）文件的删除
//删除
@Test
public void test4() throws IOException {
/*
delete参数：
Path path：要删除的路径
boolean b:是否递归删除 相当于 rm -r
*/
//删除文件
fs.delete(new Path("/hadoop-2.6.0-cdh5.14.0.tar.gz"),false);
//删除空目录
fs.delete(new Path("/opt"),false);
//删除非空目录(必须使用递归删除)
fs.delete(new Path("/wcinput"),true);
}

（10）文件的更名和移动
//文件的更名和移动
@Test
public void test5() throws IOException {
/*
rename参数：
Path path:原文件路径
Path path1:目标文件路径
*/
fs.rename(new Path("/jjc/jjc/jjc.txt"),new Path("/jjc/jjc/abc.txt"));
fs.rename(new Path("/jjc/jjc/jjc.txt"),new Path("/jjc.txt"));
}

（11）文件的详情查看
//获取文件的详情信息
@Test
public void text6() throws IOException {
/*
listFiles参数:
Path f：要查看的文件目录
boolean recursive：是否进行递归
*/
//获取所有文件信息
RemoteIterator listFiles = fs.listFiles(new Path("/"), true);
//遍历
while (listFiles.hasNext()){
LocatedFileStatus next = listFiles.next();
System.out.println(next.getPath());//获取文件的路径
System.out.println(next.getPermission());//获取文件的权限
System.out.println(next.getOwner());//获取文件的用户
System.out.println(next.getGroup());//获取文件的组
System.out.println(next.getLen());//获取文件的大小
System.out.println(next.getModificationTime());//获取上次修改的时间
System.out.println(next.getReplication());//获取文件的副本数
System.out.println(next.getBlockSize());//获取文件的块大小
System.out.println(next.getPath().getName());//获取文件的名字
//获取块信息
BlockLocation[] blockLocations = next.getBlockLocations();
System.out.println(Arrays.toString(blockLocations));
}
}
（12）文件和文件夹的判断
//文件与文件夹的判断
@Test
public void test7() throws IOException {
FileStatus[] fileStatuses = fs.listStatus(new Path("/"));
for (FileStatus status:fileStatuses) {
if (status.isFile()) {
System.out.println(“文件:” + status.getPath().getName());
}else {
System.out.println(“目录:” + status.getPath().getName());
}
}
}

（13）参数优先级（以设置副本数来演示）
参数优先级：代码里面的设置 > 项目资源目录下的配置文件 > hdfs-site.xml > hdfs-default.xml
注：
1.项目资源目录下的配置文件

2.代码里的设置（最高优先级）

2.6 HDFS数据流（重点）
1.HDFS写数据流程

（1）客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。
（2）NameNode 返回是否可以上传。
（3）客户端请求第一个 Block 上传到哪几个 DataNode 服务器上。
（4）NameNode 返回 3 个 DataNode 节点，分别为 dn1、dn2、dn3。
（5）客户端通过 FSDataOutputStream 模块请求 dn1 上传数据，dn1 收到请求会继续调用 dn2，然后 dn2 调用 dn3，将这个通信管道建立完成。
（6）dn1、dn2、dn3 逐级应答客户端。
（7）客户端开始往 dn1 上传第一个 Block（先从磁盘读取数据放到一个本地内存缓存），以 Packet (64K)为单位，dn1 收到一个 Packet 就会传给 dn2，dn2 传给 dn3；dn1 每传一个 packet 会放入一个应答队列等待应答。
（8）当一个 Block 传输完成之后，客户端再次请求 NameNode 上传第二个 Block 的服务器。（重复执行 3-7 步）。
2. 网络拓扑-节点距离计算
在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢？
节点距离：两个节点到达最近的共同祖先的距离总和。
集群d，机架r，服务器n

Distance(/d1/r1/n0, /d1/r1/n0)=0（同一节点上的进程）
Distance(/d1/r1/n1, /d1/r1/n2)=2（同一机架上的不同节点）
Distance(/d1/r2/n0, /d1/r3/n2)=4（同一数据中心不同机架上的节点）
Distance(/d1/r2/n1, /d2/r4/n1)=6（不同数据中心的节点）
3. 机架感知（副本存储节点选择）

1. 官方ip地址（机架感知说明）
   http://hadoop.apache.org/docs/r2.6.0/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication

翻译：HDFS设计用于在大型集群中跨机器可靠地存储非常大的文件。它将每个文件存储为一系列块；除最后一个块外，文件中的所有块大小相同。复制文件块以实现容错。每个文件的块大小和复制因子都是可配置的。应用程序可以指定文件副本的数量。复制系数可以在文件创建时指定，以后可以更改。HDFS中的文件只写一次，并且在任何时候都有一个编写器。
NameNode做出有关块复制的所有决策。它定期从集群中的每个数据节点接收信号和块报告。接收到信号意味着DataNode功能正常。Blockreport包含DataNode上所有块的列表。
Hadoop2副本节点选择：

1.第一个副本在Client所处节点上。如果客户端在集群外，随机选择一个节点
2.第二个副本位于相同机架，随机节点
3.第三个副本位于不同机架，随机节点
4.HDFS读数据流程

（1）客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
（2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
（3）DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。
（4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。
2.7 NameNode与SecondaryNameNode（重点）
1.工作机制
NameNode元数据存储：
数据存于内存：优点：计算快 缺点：可靠性差（服务器挂，数据丢失）
数据存于磁盘：优点：可靠性高 缺点：计算速度慢
内存+磁盘 => 效率低
引入=>fsImage备份存储数据（如果是随机读写效率低）
引入=>Edits追加数据

图片解析：
1.第一阶段：NameNode 启动
（1）第一次启动 NameNode 格式化后，创建 Fsimage 和 Edits 文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。
（2）客户端对元数据进行增删改的请求。
（3）NameNode 记录操作日志，更新滚动日志。
（4）NameNode 在内存中对元数据进行增删改。
2.第二阶段：Secondary NameNode 工作
（1）Secondary NameNode 询问 NameNode 是否需要 CheckPoint。直接带回 NameNode 是否检查结果。
（2）Secondary NameNode 请求执行 CheckPoint。
（3）NameNode 滚动正在写的 Edits 日志。
（4）将滚动前的编辑日志和镜像文件拷贝到 Secondary NameNode。
（5）Secondary NameNode 加载编辑日志和镜像文件到内存，并合并。
（6）生成新的镜像文件 fsimage.chkpoint。
（7）拷贝 fsimage.chkpoint 到 NameNode。
（8）NameNode 将 fsimage.chkpoint 重新命名成 fsimage。
详解：
Fsimage：NameNode内存中元数据序列化后形成的文件。
Edits：记录客户端更新元数据信息的每一步操作（可通过Edits运算出元数据）。
NameNode启动时，先滚动Edits并生成一个空的edits.inprogress，然后加载Edits和Fsimage到内存中，此时NameNode内存就持有最新的元数据信息。Client开始对NameNode发送元数据的增删改的请求，这些请求的操作首先会被记录到edits.inprogress中（查询元数据的操作不会被记录在Edits中，因为查询操作不会更改元数据信息），如果此时NameNode挂掉，重启后会从Edits中读取元数据的信息。然后，NameNode会在内存中执行元数据的增删改的操作。
由于Edits中记录的操作会越来越多，Edits文件会越来越大，导致NameNode在启动加载Edits时会很慢，所以需要对Edits和Fsimage进行合并（所谓合并，就是将Edits和Fsimage加载到内存中，照着Edits中的操作一步步执行，最终形成新的Fsimage）。SecondaryNameNode的作用就是帮助NameNode进行Edits和Fsimage的合并工作。
SecondaryNameNode首先会询问NameNode是否需要CheckPoint（触发CheckPoint需要满足两个条件中的任意一个，定时时间到和Edits中数据写满了）。直接带回NameNode是否检查结果。SecondaryNameNode执行CheckPoint操作，首先会让NameNode滚动Edits并生成一个空的edits.inprogress，滚动Edits的目的是给Edits打个标记，以后所有新的操作都写入edits.inprogress，其他未合并的Edits和Fsimage会拷贝到SecondaryNameNode的本地，然后将拷贝的Edits和Fsimage加载到内存中进行合并，生成fsimage.chkpoint，然后将fsimage.chkpoint拷贝给NameNode，重命名为Fsimage后替换掉原来的Fsimage。NameNode在启动时就只需要加载之前未合并的Edits和Fsimage即可，因为合并过的Edits中的元数据信息已经被记录在Fsimage中。
2.Fsimage和Edits
NameNode被格式化之后，将在/opt/module/ hadoop-2.6.0-cdh5.14.0 /data/tmp/dfs/name/current目录中产生如下四个文件
fsimage_0000000000000000000
fsimage_0000000000000000000.md5
seen_txid
VERSION
（1）Fsimage文件：HDFS文件系统元数据的一个永久性的检查点，其中包含HDFS文件系统的所有目 录和文件inode的序列化信息。
（2）Edits文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到Edits文件中。
（3）seen_txid文件保存的是一个数字，就是最后一个edits_的数字
（4）每次NameNode启动的时候都会将Fsimage文件读入内存，加 载Edits里面的更新操作，保证内存 中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。
1.查看Fsimage文件
（1）查看oiv和oev命令
hdfs oiv 查看Fsimage文件
hdfs oev 查看Edits文件
（2）基本语法
hdfs oiv -p 文件类型 -i 镜像文件 -o 转换后文件输出路径

hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径

3.checkPoint时间设置
（1）通常情况下，SecondaryNameNode每隔一小时执行一次。

dfs.namenode.checkpoint.period
3600

（2）一分钟检查一次操作次数，3当操作次数达到1百万时，SecondaryNameNode执行一次。

dfs.namenode.checkpoint.txns
1000000
操作动作次数


dfs.namenode.checkpoint.check.period
60
1分钟检查一次操作次数

2.8 DataNode（重点）
1.工作机制

（1）一个数据块在DataNode上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
（2）DataNode启动后向NameNode注册，通过后，周期性（1小时）的向NameNode上报所有的块信息。
（3）心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。
（4）集群运行中可以安全加入和退出一些机器。
DataNode 向 NameNode 汇报当前解读信息的时间间隔，默认 6 小时；

dfs.blockreport.intervalMsec
21600000

DataNode 扫描自己节点块信息列表的时间，默认 6 小时

dfs.datanode.directoryscan.interval
21600s

2. 掉线时限参数设置
1、DataNode进程死亡或者网络故障造成DataNode 无法与NameNode通信
2、NameNode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长
3、HDFS默认的超时时长为10分钟+30秒
4、如果定义超时时间为TimeOut，则超时时长的计算公式为：
TimeOut = 2 * dfs.namenode.heartbeat.recheck-interval + 10 * dfs.heartbeat.interval
需要注意的是 hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒， dfs.heartbeat.interval 的单位为秒
dfs.namenode.heartbeat.recheck-interval 5分钟
dfs.heartbeat.interval 3秒（心跳）

dfs.namenode.heartbeat.recheck-interval
300000


dfs.heartbeat.interval
3

3.数据完整性

DataNode 节点保证数据完整性的方法。
（1）当 DataNode 读取 Block 的时候，它会计算 CheckSum。
（2）如果计算后的 CheckSum,与 Block 创建时值不一样，说明 Block 已经损坏。
（3）Client 读取其他 DataNode 上的 Block。
（4）常见的校验算法 crc（32），md5（128），sha1（160）
（5）DataNode 在其文件创建后周期验证 CheckSum。
第三章 MapReduce
3.1 MapReduce概述
1.定义
MapReduce 是一个分布式运算程序的编程框架，是用户开发“基于 Hadoop 的数据分析应用”的核心框架。
MapReduce 核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个 Hadoop 集群上。
2.优缺点
优点：
（1）MapReduce 易于编程
它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量 廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。
（2）良好的扩展性
当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。
（3）高容错性
MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高 的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。
（4）海量数据处理
适合 PB 级以上海量数据的离线处理 可以实现上千台服务器集群并发工作，提供数据处理能力。

缺点：
（1）不擅长实时计算
MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。
（2）不擅长流式计算
流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。 这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的。 （3）不擅长 DAG（有向无环图）计算
多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下， MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

3.核心思想

（1）分布式的运算程序往往需要分成至少2个阶段。
（2）第一个阶段的MapTask并发实例，完全并行运行，互不相干。
（3）第二个阶段的ReduceTask并发实例互不相干，但是他们的数据依赖于上一个阶段的所有MapTask并发实例的输出。
（5）MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。
4.MapReduce进程
一个完整的 MapReduce 程序在分布式运行时有三类实例进程：
（1）MrAppMaster：负责整个程序的过程调度及状态协调（Driver）
（2）MapTask：负责 Map 阶段的整个数据处理流程 （Map）
（3）ReduceTask：负责 Reduce 阶段的整个数据处理流程（Reduce）
5.源码
采用反编译工具反编译源码，发现 WordCount 案例有 Map 类、Reduce 类和驱动类。且 数据的类型是 Hadoop 自身封装的序列化类型
6.常用数据序列化类型
Java类型 Hadoop Writable类型

boolean BooleanWritable
 byte ByteWritable
 int IntWritable
 float FloatWritable
 long LongWritable
 double DoubleWritable
 String Text
 map MapWritable
 array ArrayWritable

7.编程规范
用户编写的程序分成三个部分：Mapper、Reducer 和 Driver
1．Mapper阶段
（1）用户自定义的Mapper要继承自己的父类
（2）Mapper的输入数据是KV键值对的形式（KV的类型可自定义）
（3）Mapper中的业务逻辑写在map()方法中
（4）Mapper的输出数据是KV对的形式（KV的类型可自定义）
（5）map()方法（MapTask进程）对每一个调用一次
2．Reducer阶段
（1）用户自定义的Reducer要继承自己的父类
（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV键值对
（3）Reducer的业务逻辑写在reduce()方法中
（4）ReduceTask进程对每一组相同k的组调用一次reduce()方法
3．Driver阶段
相当于YARN集群的客户端，用于提交我们整个程序到YARN集群，提交的是 封装了MapReduce程序相关运行参数的job对象
8.实操
目标：将D:\Hadoop\input的a.txt文件中的单词进行统计

（1）打开IDEA，创建Maven项目
（2）在pom.xml添加相应依赖（hadoop是哪个版本就用哪个版本，不然会报错）

junit
 junit
 RELEASE


 org.apache.logging.log4j
 log4j-core
 2.8.2


 org.apache.hadoop
 hadoop-common
 2.6.0


 org.apache.hadoop
 hadoop-client
 2.6.0


 org.apache.hadoop
 hadoop-hdfs
 2.6.0

（3）在 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入

log4j.rootLogger=INFO, stdout
 log4j.appender.stdout=org.apache.log4j.ConsoleAppender
 log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
 log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
 log4j.appender.logfile=org.apache.log4j.FileAppender
 log4j.appender.logfile.File=target/spring.log
 log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
 log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（4）在src/main/java目录下，创建一个包名com/jjc，按照MapReduce编程规范创建相应的Mapper，Reducer，Driver，如图所示

（5）开始编写Mapper类

//map阶段
 //KEYIN 输入数据的key
 //VALUEIN 输入数据的value
 //KEYOUT 输出数据的key类型
 //VALUEOUT 输出数据的value类型
 public class WordcountMapper extends Mapper<LongWritable,Text,Text,IntWritable>{
 Text k = new Text();
 IntWritable v = new IntWritable(1);
 @Override
 protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

//1.获取一行
    String line = value.toString();

    //2.切割单词
    String[] words = line.split(" ");

    //3.循环写出
    for (String word : words) {
        k.set(word);

// v.set(1);
 context.write(k,v);
 }
 }
 }（6）开始编写Reduce类
 //KEYIN,VALUEIN map阶段输出的key和value
 public class WordcountReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
 IntWritable v1 = new IntWritable();

@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
    //1.累加求和
    int sum=0;
    for(IntWritable value:values){
     sum += value.get();
    }

    //2.输出
    v1.set(sum);
    context.write(key,v1);
}

}

（7）开始编写Driver类

public class WordcountDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 //1.获取job对象
 Job job = Job.getInstance(conf);
 //2.设置jar存储位置
 job.setJarByClass(WordcountDriver.class);
 //3.关联Map和Reduce类
 job.setMapperClass(WordcountMapper.class);
 job.setReducerClass(WordcountReducer.class);
 //4.设置Mapper阶段输出数据的key和value类型
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(IntWritable.class);
 //5.设置最终数据输出数据的key和value类型
 job.setOutputKeyClass(Text.class);
 job.setOutputValueClass(IntWritable.class);
 //6.设置输入路径和输出路径
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output”));
 //7.提交job
 // job.submit();
 boolean result = job.waitForCompletion(true);
 System.exit(result ? 0 : 1);
 }
 }

（8）本地测试
1.在IDEA上运行程序
2.打开输出文件夹查看内容，打开part-r-00000查看输出内容

（9）将程序打包进集群测试
1.在pom.xml添加打包依赖

maven-compiler-plugin
 2.3.2

 1.8
 1.8



 maven-assembly-plugin 


 jar-with-dependencies




 com.jjc.mr.wordcount.WordcountDriver






 make-assembly
 package

 single

（2）将程序打成 jar 包
1.打开右侧的Maven
2.运行package
3.看到target路径下有jar后缀出现即可
注：在打成jar包前,要将WordcountDrive里第六步的输入输出路径改为args[0]和args[1]，即main args中的参数，意为输出两个参数，参数的名称对应的就是输入路径与输出路径

（3）修改不带依赖的 jar 包名称为 jjc.jar，并拷贝该 jar 包到 Hadoop 集群的 /opt/module/hadoop-2.6.0-cdh5.14.0路径下

（4）使用jar命令

hadoop jar jar包路径 Driver路径 输出地址 输出地址
 [root@hadoop101 hadoop-2.6.0-cdh5.14.0]# hadoop jar /opt/module/hadoop-2.6.0-cdh5.14.0/jjc.jar com.jjc.mr.wordcount.WordcountDriver /opt/jjc/input /opt/jjc/output

3.2 Hadoop序列化
1.概述
（1）序列化的定义
序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输
反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象
（2）序列化的意义
一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能 由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的” 对象，可以将“活的”对象发送到远程计算机。（将一个服务器内存中的文件序列化后转为字节码文件，传输到另一台服务器中）
（3）Java与Hadoop的序列化
Java 的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以， Hadoop 自己开发了一套序列化机制（Writable）
（4）Hadoop 序列化特点：
紧凑 ：高效使用存储空间
快速：读写数据的额外开销小
互操作：支持多语言的交互
（5）源码
Writable接口

2. 自定义 bean 对象实现序列化接口（Writable） 在企业开发中往往常用的基本序列化类型不能满足所有需求，比如在 Hadoop 框架内部 传递一个 bean 对象，那么该对象就需要实现序列化接口。 具体实现 bean 对象序列化步骤如下 7 步。 （1）必须实现 Writable 接口

implements Writable
 （2）反序列化时，需要反射调用空参构造函数，所以必须有空参构造
 public FlowBean() {
 super();}
 （3）重写序列化方法
 @Override public void write(DataOutput out) throws IOException {
 out.writeLong(upFlow);
 out.writeLong(downFlow);
 out.writeLong(sumFlow); }
 （4）重写反序列化方法
 @Override public void readFields(DataInput in) throws IOException {
 upFlow = in.readLong();
 downFlow = in.readLong();
 sumFlow = in.readLong();}

2. 
   （5）注意反序列化的顺序和序列化的顺序完全一致
   （6）要想把结果显示在文件中，需要重写 toString()，可用"\t"分开，方便后续用。
   （7）如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口，因为 MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。
   @Override public int compareTo(FlowBean o) {
   // 倒序排列，从大到小
   return this.sumFlow > o.getSumFlow() ? -1 : 1; }
   3.实操
   （1）目标：统计数据，将数据文件进行筛选
   源文件

目标文件

（1）编写Bean实体类
/**

• 1、定义类实现writable接口
• 2、重写序列化和反序列化方法
• 3、重写空参构造
• 4、toString方法

•  */
 public class FlowBean implements Writable {
 private long upFlow; // 上行流量
 private long downFlow; // 下行流量
 private long sumFlow; // 总流量
// 空参构造
 public FlowBean() {
 }
public long getUpFlow() {
 return upFlow;
 }
public void setUpFlow(long upFlow) {
 this.upFlow = upFlow;
 }
public long getDownFlow() {
 return downFlow;
 }
public void setDownFlow(long downFlow) {
 this.downFlow = downFlow;
 }
public long getSumFlow() {
 return sumFlow;
 }
public void setSumFlow(long sumFlow) {
 this.sumFlow = sumFlow;
 }
 public void setSumFlow() {
 this.sumFlow = this.upFlow + this.downFlow;
 }
@Override
 public void write(DataOutput out) throws IOException {

out.writeLong(upFlow);
 out.writeLong(downFlow);
 out.writeLong(sumFlow);

}

@Override
 public void readFields(DataInput in) throws IOException {
 this.upFlow = in.readLong();
 this.downFlow = in.readLong();
 this.sumFlow = in.readLong();
 }@Override
 public String toString() {
 return upFlow + “\t” + downFlow + “\t” + sumFlow;
 }
 }
 （2）编写Mapper类
 public class FlowMapper extends Mapper<LongWritable, Text,Text,FlowBean> {
 private Text k = new Text();
 private FlowBean v = new FlowBean();

@Override
 protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
 //1.获取一行
 String line = value.toString();
 //2.切割
 String[] split = line.split("\t");
 //3.抓取想要的数据（筛选）
 String phone = split[1];
 String up = split[split.length - 3];
 String down = split[split.length - 2];
 //4.封装
 k.set(phone);
 v.setUpFlow(Long.parseLong(up));
 v.setDownFlow(Long.parseLong(down));
 v.setSumFlow();
 //5.写出
 context.write(k,v);
 }
 }
 （3）编写Reduce类
 public class FlowReducer extends Reducer<Text,FlowBean,Text,FlowBean> {
 private FlowBean v = new FlowBean();
 @Override
 protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
 //1.循环遍历累加值
 long totalUp = 0;
 long totalDown = 0;
 for (FlowBean value:values) {
 totalUp += value.getUpFlow();
 totalDown += value.getDownFlow();
 }

//2.封装
 v.setUpFlow(totalUp);
 v.setDownFlow(totalDown);
 v.setSumFlow();

 //3.写出
 context.write(key,v);

}
}

（4）编写Driver类

public class FlowDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 Job job = Job.getInstance(conf);
 job.setJarByClass(FlowDriver.class);
 job.setMapperClass(FlowMapper.class);
 job.setReducerClass(FlowReducer.class);
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(FlowBean.class);
 job.setOutputKeyClass(Text.class);
 job.setOutputValueClass(FlowBean.class);
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\inputFlow”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\outputFlow”));
 boolean result = job.waitForCompletion(true);
 System.exit(result?0:1);
 }
 }

（5）运行程序，得到目标文件
3.3 MapReduce框架原理

1.InputFormat数据输入
1.1 MapTask并行度决定机制
数据块：Block是HDFS物理上把数据分成一块一块。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。

（1）一个Job的Map阶段并行度由客户端在提交Job时的切片数决定
（2）每一个Split切片分配一个MapTask并行实例处理
（3）默认情况下，切片大小=BlockSize
（4）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片
1.2 Job 提交流程源码和切片源码详解

waitForCompletion()
 submit();
 // 1建立连接
 connect(); 
 // （1）创建提交Job的代理
 new Cluster(getConfiguration());
 // [1]判断是本地yarn还是远程
 initialize(jobTrackAddr, conf);
 // 2 提交job
 submitter.submitJobInternal(Job.this, cluster)
 //（1）创建给集群提交数据的Stag路径
 Path jobStagingArea = JobSubmissionFiles.getStagingDir(cluster, conf);

// （2）获取jobid ，并创建Job路径
JobID jobId = submitClient.getNewJobID();

//（3）拷贝jar包到集群

copyAndConfigureFiles(job, submitJobDir); 
 rUploader.uploadFiles(job, jobSubmitDir);//（4）计算切片，生成切片规划文件
 writeSplits(job, submitJobDir);
 maps = writeNewSplits(job, jobSubmitDir);
 input.getSplits(job);//（5）向Stag路径写XML配置文件
 writeConf(conf, submitJobFile);
 conf.writeXml(out)

;

// （6）提交Job,返回提交状态
status = submitClient.submitJob(jobId, submitJobDir.toString(), job.getCredentials());
1.3 FileInputFormat切片源码解析(input.getSplits(job))
（1）程序先找到数据存储的具体目录
（2）开始遍历处理目录下的每一个文件（规划切片，对每个文件进行单独切片）
（3）遍历第一个文件
[1]获取文件大小
[2]计算切片大小（本地模式默认32M，集群模式默认128M）
computeSplitSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
（minSize默认为1[调大]，maxSize默认为Long的最大值[调小]）
[3]默认情况下，切片大小=blockSize
[4]开始切片，(以文件一为例)形成3个切片,0-128;128-256;256-300
（每次切片完成后，判断剩余文件是否大于块的1.1倍，不大于就划分一块切片）
[5] 将切片信息写到一个切片规划文件中
[6]整个切片的核心过程在getSplit()方法中完成
[7]InputSplit只记录了切片的元数据信息，比如起始位置、长度以及所在的节点列表等
（4）提交切片规划文件到YARN上，YARN上的MrAppMaster就可以根据切片规划文件计算开启MapTask个数
详解参数配置：
（1）源码中计算切片大小的公式
Math.max(minSize, Math.min(maxSize, blockSize));
mapreduce.input.fileinputformat.split.minsize=1（默认值为1）
mapreduce.input.fileinputformat.split.maxsize= Long.MAXValue
（默认值Long.MAXValue）
因此，默认情况下，切片大小=blocksize。
（2）切片大小设置 maxsize（切片最大值）：
参数如果调得比blockSize小,则会让切片变小,而且就等于配置的这个参数的值。
minsize（切片最小值）：
参数调的比blockSize大，则可以让切片变得比blockSize还大。
（3）获取切片信息API
// 获取切片的文件名称 String name = inputSplit.getPath().getName();
// 根据文件类型获取切片信息 FileSplit inputSplit = (FileSplit) context.getInputSplit();
1.4 TextInputFormat
（1）FileInputFormat 实现类
FileInputFormat 常见的接口实现类包括：TextInputFormat、KeyValueTextInputFormat、 NLineInputFormat、CombineTextInputFormat 和自定义 InputFormat 等
（2）TextInputFormat（按行切割，key默认为偏移量，value是整行数据）
TextInputFormat 是默认的 FileInputFormat 实现类。按行读取每条记录。键是存储该行在整个文件中的起始字节偏移量， LongWritable 类型。值是这行的内容，不包括任何行终止符（换行符和回车符），Text 类型。
1.5 CombineTextInputFormat 切片机制
框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。
1、应用场景：
CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。

2、虚拟存储切片最大值设置
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
注意：虚拟存储切片最大值设置最好根据实际的小文件大小情况来设置具体的值。

3、切片机制
生成切片过程包括：虚拟存储过程和切片过程二部分

（1）虚拟存储过程：
将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。
例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。
（2）切片过程：
（a）判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。
（b）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
（c）测试举例：有4个小文件大小分别为1.5M、6.4M、2.4M以及6.2M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
1.5M,（3.2M,3.2M）,2.4M,（3.6M,3.6M）
最终会形成3个切片，大小分别为：
（1.7+2.55）M，
（2.55+3.4）M，
（3.4+3.4）M
4、案例
（1）不做任何处理，运行WordCount 案例程序，观察切片个数为 4。

number of splits:4
 （2）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 3。
 [1]驱动类中添加代码如下：
 // 如果不设置 InputFormat，它默认用的是 TextInputFormat.class
 job.setInputFormatClass(CombineTextInputFormat.class);
 //虚拟存储切片最大值设置 4m
 CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);
 [2]运行如果为 3 个切片。
 number of splits:3
 （3）在 WordcountDriver 中增加如下代码，运行程序，并观察运行的切片个数为 1。
 [1]驱动中添加代码如下：
 // 如果不设置 InputFormat，它默认用的是 TextInputFormat.class
 job.setInputFormatClass(CombineTextInputFormat.class);
 //虚拟存储切片最大值设置 20m
 CombineTextInputFormat.setMaxInputSplitSize(job, 20971520);
 [2]运行如果为 1 个切片
 number of splits:1

1.6 KeyValueTextInputFormat（使用键值对作为输入格式）
1.不使用偏移量和行文本内容来作为数据源到MapTask的输入格式，而使用键值对的形式，自定义分隔符，使用KeyValueInputFormat
2.注意点：
（1）泛型的变化 Mapper<Text, Text, Text, LongWritable>
（2）一般在Mapper阶段不进行分割，可能直接写出
（3）设置切割符（默认\t，根据文本需要可改）
conf.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR, “\t”);
（4）设置输入格式
job.setInputFormatClass(KeyValueTextInputFormat.class);
1.7 NLineInputFormat（根据行数进行切片）
1.NLineInputSplit的Mapper计算方法：Mapper = Splits = 文件行数/分片行数
2. NLineInputFormat是Hadoop的一种非默认初始化的一种输入格式。
不同与InputFormat默认初始化的LineInputFormat，这种分片方式是可以一次性按照指定的分片数进行InputSplit。所以在特定情况下，可以有效提升代码的运行效率
3.注意点：
（1.）设置每个切片InputSplit中划分三条记录（默认划分一条记录）
NLineInputFormat.setNumLinesPerSplit(job, 3);
（2）使用NLineInputFormat处理记录数
job.setInputFormatClass(NLineInputFormat.class);
结果：number of splits：3
4. NLineInputSplit的目的是改变切片数，提高运行效率
1.8 自定义InputFormat（合并小文件）
1.概述
在企业开发中，Hadoop框架自带的InputFcrmat类型不能满足所有应用场景，需要自定义InputFormat来解决实际问题
自定义InputFormat步骤如下:
(1)自定义一个类继承FileInputFormat
(2)改写记录阅读器，实现一次读取一个完整文件封装为KV
(3)在输出时使用SequenceFileOutPutFormat输出合并文件
2.步骤
【1】自定义一个类继承FileInputFormat
(1)重写isSplable()方法，返回false不可切割
(2)重写createRecordReader()，创建自定义的RecordReader对象，并初始化
【2】改写RecordReader，实现一个读取一个完整文件封装为KV
(1）采用IO流一次读取一个文件输出到value中，因为设置了不可切片，最终把所有文件都封装到了value中
(2)获取文件路径信息+名称，并设置key
【3】设置驱动程序Driver
(1）设置输入的inputFormat
job.setInputFormatclass (wholeFileInputformat.class);
(2）设置输出的outputF ormat
job.setoutputFormatclass( SequenceFileoutputFormat.class);
3.实操
将多个小文件合并成一个SequenceFile文件（SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式），SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value
目标：将几个小文件合成为一个文件（part-r-00000）
1.编写Mapper部分

public class WhloeMapper extends Mapper<Text, BytesWritable,Text, BytesWritable> {
 //BytesWritable写入内容用字节类型输出
 @Override
 protected void map(Text key, BytesWritable value, Context context) throws IOException, InterruptedException {
 context.write(key, value);
 }
 }
 2.编写Reduce部分
 public class WholeReduceer extends Reducer<Text, BytesWritable,Text, BytesWritable> {
 @Override
 protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
 //循环写出
 for (BytesWritable value: values ) {
 context.write(key,value);
 }
 }
 }
 3.自定义一个InputFromat类继承FileInputFormat（重点）
 public class WholeFileInputFormat extends FileInputFormat<Text, BytesWritable> {
 //Text:文件路径加名称
 //BytesWritable:文件内容
 @Override
 public RecordReader createRecordReader(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
 //自定义类，要什么给什么
 WholeRecordReader wrr = new WholeRecordReader();
 wrr.initialize(inputSplit,taskAttemptContext);
 return wrr;
 }
 }

4. 自定义RecordReader类继承RecordReader（重点）
public class WholeRecordReader extends RecordReader<Text, BytesWritable> {
FileSplit split; //获取切片(知道为文件，所以可以直接使用FileSplit)
Configuration configuration;
Text k = new Text();
BytesWritable v = new BytesWritable();
boolean isProgress = true;//因为返回false不会进入Mapper方法，true会一直读取，所以进行一个判断

@Override
public void initialize(InputSplit inputSplit, TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
    //初始化
    this.split = (FileSplit) inputSplit;
    configuration = taskAttemptContext.getConfiguration();
}

@Override
public boolean nextKeyValue() throws IOException, InterruptedException {
    if (isProgress){
        //核心业务逻辑
        byte[] buf = new byte[(int) split.getLength()];
        //1.获取fs对象（获取文件系统）
        Path path = split.getPath();
        FileSystem fs = path.getFileSystem(configuration);
        //2.获取输入流
        FSDataInputStream fis = fs.open(path);
        //3.拷贝
        IOUtils.readFully(fis,buf,0,buf.length);
        //4.封装v
        v.set(buf,0,buf.length);
        //5.封装k
        k.set(path.toString());
        //6.关闭资源
        IOUtils.closeStream(fis);
        isProgress = false;//最终完成后返回true
        return true;
    }
    return false;
}

@Override
public Text getCurrentKey() throws IOException, InterruptedException {
    //获取输出的k
    return k;
}

@Override
public BytesWritable getCurrentValue() throws IOException, InterruptedException {
    //获取输出的value
    return v;
}

//后面两个暂不考虑
@Override
public float getProgress() throws IOException, InterruptedException {
    //获取处理的进程（进度条）
    return 0;
}
@Override
public void close() throws IOException {
    //关闭资源
}

}
5.编写Driver部分
修改：
//设置输入的inputFormat
job.setInputFormatClass(WholeFileInputFormat.class);
//设置输出的outputFormat
//SequenceFile文件是Hadoop用来存储二进制形式的key-value对的文件格式）
// SequenceFile里面存储着多个文件，存储的形式为文件路径+名称为key，文件内容为value
job.setOutputFormatClass(SequenceFileOutputFormat.class);
（其余部分相同）
结果：三个文件合并成一个文件（文件名称加路径，后跟内容）

2 工作流程（后面详解）

详解：
（1）MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中
（2）从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件
（3）多个溢出文件会被合并成大的溢出文件
（4）在溢出过程及合并的过程中，都要调用Partitioner进行分区和针对key进行排序
（5）ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据
（6）ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并（归并排序）
（7）合并成大文件后，Shuffle的过程也就结束了，后面进入ReduceTask的逻辑运算过程（从文件中取出一个一个的键值对Group，调用用户自定义的reduce()方法）
Shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘io的次数越少，执行速度就越快。
缓冲区的大小可以通过参数调整，参数：
mapreduce.task.io.sort.mb 默认100M
3 Shuffle机制
3.1 概念
Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle

3.2 Partition分区
 1.默认Partitioner分区
 public class HashPartitioner extends Partitioner {
 public int getPartition(K key, V value, int numReduceTasks)
 { return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks; }}
 默认分区是根据key的hashCode对ReduceTasks个数取模得到的。
 用户没法控制哪个 key存储到哪个分区。
 2.自定义Partitioner
 （1）自定义类继承Partitioner，重写getPartition()方法
 public class CustomPartitioner extends Partitioner
 { @Override
 public int getPartition(Text key, FlowBean value, int numPartitions)
 { // 控制分区代码逻辑 … …
 return partition; } }
 （2）在Job驱动中，设置自定义
 Partitioner job.setPartitionerClass(CustomPartitioner.class);
 （3）自定义Partition后，要根据自定义Partitioner的逻辑设置相应数量的
 ReduceTask job.setNumReduceTasks(5);

3.分区总结
（1）如果ReduceTask的数量> getPartition的结果数，则会多产生几个空的输出文件part-r-000xx
（2）如果1<ReduceTask的数量<getPartition的结果数，则有一部分分区数据无处安放，会Exception
（3）如 果ReduceTask的数量=1，则不管MapTask端输出多少个分区文件，最终结果都交给这一个 ReduceTask，最终也就只会产生一个结果文件 part-r-00000
（4）分区号必须从零开始，逐一累加
4.案例分析
假设自定义分区数为5，则
（1）job.setNumReduceTasks(1); 会正常运行，只不过会产生一个输出文件
（2）job.setNumReduceTasks(2); 报错
（3）job.setNumReduceTasks(6); 会正常运行，只不过会产生一个输出文件会报错 大于5，程序会正常运行，会产生空文件
5.实操
（1）目标：将统计结果按照手机号输出到不同文件中（分区）
手机号123、137、138、125开头都分别放到一个独立的4个文件中，其他开头的放到一个文件中
（2）操作
1.以Flow案例基础，添加一个分区类

public class ProvicePartitioner extends Partitioner<Text,FlowBean> {
 @Override
 public int getPartition(Text text, FlowBean flowBean, int i) {
 //text 手机号
 String phone = text.toString();
 String threePhone = phone.substring(0, 3);
 int partition;
 if (“123”.equals(threePhone)){
 partition = 0;
 }else if (“125”.equals(threePhone)){
 partition = 1;
 }else if (“137”.equals(threePhone)){
 partition = 2;
 }else if (“138”.equals(threePhone)){
 partition = 3;
 }else{
 partition = 4;
 }
 return partition;
 }
 }

2.在驱动函数中增加自定义数据分区设置和 ReduceTask 设置
指定自定义分区器
job.setPartitionerClass(ProvicePartitioner.class);
同时指定相应数量的 ReduceTask
job.setNumReduceTasks(5);

3.3 排序

1. 概述
   （1）排序是MapReduce框架中最重要的操作之一
   （2）MapTask和ReduceTask均会对数据按照key进行排序。该操作属于 Hadoop的默认行为。任何应用程序中的数据均会被排序，而不管逻辑上是否需要
   （3）默认排序是按照字典顺序排序，且实现该排序的方法是快速排序
   （4）对于MapTask，它会将处理的结果暂时放到环形缓冲区中，当环形缓冲区使用率达到一定阈值后，再对缓冲区中的数据进行一次快速排序，并将这些有序数据溢写到磁盘上，而当数据处理完毕后，它会对磁盘上所有文件进行归并排序
   （5）对于ReduceTask，它从每个MapTask上远程拷贝相应的数据文件，如果文件大 小超过一定阈值，则溢写磁盘上，否则存储在内存中。如果磁盘上文件数目达到一定阈值，则进行一次归并排序以生成一个更大文件；如果内存中文件大小或者数目超过一定阈值，则进行一次合并后将数据溢写到磁盘上。当所有数据拷贝完毕后，ReduceTask统一对内存和磁盘上的所有数据进行一次归并排序
   2.分类
   （1）部分排序
   MapReduce根据输入记录的键对数据集排序。保证输出的每个文件内部有序
   （2）全排序
   最终输出结果只有一个文件，且文件内部有序。实现方式是只设置一个ReduceTask。但该方法在 处理大型文件时效率极低，因为一台机器处理所有文件，完全丧失了MapReduce所提供的并行架构
   （3）辅助排序:（GroupingComparator分组）
   在Reduce端对key进行分组。应用于：在接收的key为bean对象时，想让一个或几个字段相同（全部字段比较不相同）的key进入到同一个reduce方法时，可以采用分组排序
   （4）二次排序
   在自定义排序过程中，如果compareTo中的判断条件为两个即为二次排序
   3.自定义排序WritableComparable
   bean对象做为key传输，需要实现WritableComparable接口重写compareTo方法，就可以实现排序
   4.实操
   （1）目标
   根据序列化案例产生的结果再次对总流量进行倒序排序
   （2）实现
   1.对FlowBean进行修改
   修改一：继承WritableComparable类

修改二：重写compareTo方法（可在else中进行二次排序）

修改三：重写序列化方法write（write后加属性的类型）

修改四：重写反序列化方法readFields（read后加属性的类型）

2.对Map进行修改
修改一：更换输出类型

public class FlowMapper extends Mapper<LongWritable, Text,FlowBean, Text> {
 private FlowBean k = new FlowBean();
 private Text v = new Text();
 @Override
 protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
 //1.获取一行
 String line = value.toString();
 //2.进行切割
 String[] split = line.split("\t");
 //3.封装
 v.set(split[0]);
 k.setUpFlow(Long.parseLong(split[1]));
 k.setDownFlow(Long.parseLong(split[2]));
 k.setSumFlow();
 //4.写出
 context.write(k,v);
 }
 }

3.对reduce进行修改
修改一：改变写出顺序
修改二：使用forEach循环写出，目的是避免总流量相同情况

public class FlowReducer extends Reducer<FlowBean,Text,Text, FlowBean> {
 @Override
 protected void reduce(FlowBean key, Iterable 
 
   values, Context context) throws IOException, InterruptedException { 
  
 for (Text vlaue: values) { 
  
 context.write(vlaue,key); 
  
 } 
  
 } 
  
 }

3.4 排序加分区
1.实操
（1）目标：
将上面产生的结果排序，并写出到不同分区
（2）实现（在上面的步骤下接着补充）
1.添加自定义分区类（泛型与上面写出的泛型要一致）

public class ProvicePartitioner2 extends Partitioner<FlowBean, Text> {
 @Override
 public int getPartition(FlowBean flowBean, Text text, int i) {
 String phone = text.toString();
 String threePhone = phone.substring(0, 3);
 int partition;
 if (“123”.equals(threePhone)){
 partition = 0;
 }else if (“125”.equals(threePhone)){
 partition = 1;
 }else if (“137”.equals(threePhone)){
 partition = 2;
 }else if (“138”.equals(threePhone)){
 partition = 3;
 }else{
 partition = 4;
 }
 return partition;
 }
 }
 2. 在驱动类中添加分区类
 // 加载自定义分区类
 job.setPartitionerClass(ProvincePartitioner.class);
 // 设置Reducetask个数
 job.setNumReduceTasks(5);
 3.5 Combiner合并
 1.概述
 （1）Combiner是MR程序中Mapper和Reducer之外的一种组件
 （2）Combiner组件的父类就是Reducer
 （3） Combiner和Reducer的区别在于运行的位置 Combiner是在每一个MapTask所在的节点运行
 （4）Combiner的意义就是对每一个MapTask的输出进行局部汇总，以减小网络传输量
 （5）Combiner能够应用的前提是不能影响最终的业务逻辑，而且，Combiner的输出kv 应该跟Reducer的输入kv类型要对应起来
 2.自定义combiner实现
 （1）自定义一个Combiner继承Reducer，重写Reduce方法
 （2）在 Job 驱动类中设置
 job.setCombinerClass(WordCountCombiner.class);
 3.6 GroupingComparator分组排序（辅助排序）
 1.概述
 （1）GroupingComparator是对Reduce阶段的数据根据某一个或几个字段来进行分组
 （2）如果是自定义类型的key，可以按照自定义的bean对象设置分组规则
 2.分组排序步骤：
 （1）自定义类继承WritableComparator
 （2）重写compare()方法
 @Override
 public int compare(WritableComparable a, WritableComparable b) {
 // 比较的业务逻辑
 return result;
 }
 （3）创建一个构造将比较对象的类传给父类
 protected OrderGroupingComparator() {
 super(OrderBean.class, true);
 }

3.案例实操
（1）目标：如下订单数据，取出每组相同ID订单的最贵商品

（2）实现：
第一种方法：
按照空格分割字符串，取订单id与价格，将订单id作为key，价格为value；
reduce端获取同一id所有价格，循环比较获取其最大的金额输出即可
第二种方法：
【1】map端
将id与价格封装一个bean类型
按照id升序，价格降序方式排序
将封装bean作为key输出

【2】reduce端
将接收的key按照id分组；
分组规则默认相同key只取其第一个值，由于map端已经排序，所以取到的第一个值就是最大值。
直接输出key即可，就是此订单组最大金额
（3）实操（以第二个方法为操作对象）
1.编写Bean部分
public class OrderBean implements WritableComparable {
private int id;//订单ID
private double price;//价格

public OrderBean() {
}

public OrderBean(int id, double price) {
    this.id = id;
    this.price = price;
}

public int getId() {
    return id;
}

public void setId(int id) {
    this.id = id;
}

public double getPrice() {
    return price;
}

public void setPrice(double price) {
    this.price = price;
}

@Override
public String toString() {
    return  id + " " + price ;
}

@Override
public int compareTo(OrderBean o) {
    //先按照id升序排序
    if (id > o.getId()) {
        return  1;
    } else if (id < o.getId()) {
        return  -1;
    } else {
        // 价格倒序排序
        if (price > o.getPrice()) {
            return  -1;
        } else if (price < o.getPrice()) {
            return  1;
        } else {
            return 0;
        }
    }
}

@Override
public void write(DataOutput output) throws IOException {
    //序列化
    output.writeInt(id);
    output.writeDouble(price);
}

@Override
public void readFields(DataInput input) throws IOException {
    //反序列化
    this.id = input.readInt();
    this.price = input.readDouble();
}

}
2.编写Mapper部分
public class OrderSortMapper extends Mapper<LongWritable, Text,OrderBean, NullWritable> {
OrderBean k = new OrderBean();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取一行
String line = value.toString();
// 2 截取
String[] fields = line.split(" ");
//3.封装对象
k.setId(Integer.parseInt(fields[0]));
k.setPrice(Double.parseDouble(fields[2]));
//4.写出
context.write(k,NullWritable.get());
}
}
3.编写Reduce部分
public class OrderSortReduce extends Reducer<OrderBean, NullWritable,OrderBean,NullWritable> {
@Override
protected void reduce(OrderBean key, Iterable values, Context context) throws IOException, InterruptedException {
context.write(key,NullWritable.get());
}
}
4.编写GroupingComparator部分（重点）
public class OrderGroupingComparator extends WritableComparator {
protected OrderGroupingComparator() {
super(OrderBean.class,true);
}

@Override
public int compare(WritableComparable a, WritableComparable b) {
    //注：排序类型一定是WritableComparable，不是Object，不能写错
    //只要ID相同，取ID相同的最大值
    OrderBean aBean = (OrderBean) a;
    OrderBean bBean = (OrderBean) b;
    if (aBean.getId() > bBean.getId()){
        return 1;
    }else if (aBean.getId() < bBean.getId()){
        return -1;
    }else {
        return 0;
    }
}

}
5.编写Driver部分
public class OrderDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
//1.获取job对象
Job job = Job.getInstance(conf);
//2.设置jar存储位置
job.setJarByClass(OrderDriver.class);
//3.关联Map和Reduce类
job.setMapperClass(OrderSortMapper.class);
job.setReducerClass(OrderSortReduce.class);
//4.设置Mapper阶段输出数据的key和value类型
job.setMapOutputKeyClass(OrderBean.class);
job.setMapOutputValueClass(NullWritable.class);
//5.设置最终数据输出数据的key和value类型
job.setOutputKeyClass(OrderBean.class);
job.setOutputValueClass(NullWritable.class);
//6.设置输入路径和输出路径
FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\GroupComparator”));
FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\GroupComparator”));
//设置reduce端的分组（重点）
job.setGroupingComparatorClass(OrderGroupingComparator.class);
//7.提交job
// job.submit();
boolean result = job.waitForCompletion(true);
System.exit(result ? 0 : 1);
}
}
结果：选出了每组相同ID订单的最贵商品

4 OutputFormat数据输出
4.1 OutputFormat接口实现类
1.OutputFormat是MapReduce输出的基类，所有实现MapReduce输出都实现了 OutputFormat 接口
2.常见接口：
TextOutputFormat（默认） 文本输出
FileOutputFormat 文件输出
自定义OutputForma 根据用户需求输出
3.自定义OutputFormat
应用场景：
输出数据到MySQL/HBase/Elasticsearch等存储框架中。
为了实现控制最终文件的输出路径和输出格式，可以自定义outputFormat,
例如:要在一个MapReduce程序中根据数据的不同输出两类结果到不同目录，这类灵活的输出需求可以通过自定义outputFormat来实现。
步骤：
（1）自定义一个类继承FileOutputFormat
（2）改写RecordWriter，具体改写输出数据的方法write()
4.2 自定义OutputFormat实操
（1）目标：过滤输入的log日志，包含jjc的网站输出到jjc.log文件中，不包含jjc的网站输出到other.log文件中

（2）实操
1.编写Mapper类
public class LogMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//因为只输出一行内容，所以values使用NullWritable，并且写出NullWritable是使用get（）方法
context.write(value,NullWritable.get());
}
}
2.编写Reduce类
public class LogReduce extends Reducer<Text, NullWritable,Text,NullWritable> {
@Override
protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
//循环的目的是使相同的一行也能写出，而不是只写出一次
for (NullWritable value : values) {
context.write(key,NullWritable.get());
}
}
}
3.自定义一个OutputFormat类
public class LogOutputFormat extends FileOutputFormat<Text, NullWritable> {
@Override
public RecordWriter<Text, NullWritable> getRecordWriter(TaskAttemptContext job) throws IOException, InterruptedException {
创建一个自定义的 RecordWriter返回
LogRecordWriter lrw = new LogRecordWriter(job);
return lrw;
}
}
4. 编写RecordWriter类
public class LogRecordWriter extends RecordWriter<Text, NullWritable> {
//创建两条流的全局变量
private FSDataOutputStream jjc;
private FSDataOutputStream other;

public LogRecordWriter(TaskAttemptContext job) {
    //创建两条流
    try {
        //获取文件系统对象
        FileSystem fileSystem = FileSystem.get(job.getConfiguration());
        //用文件系统对象创建两个输出流对应不同的目录
        jjc = fileSystem.create(new Path("D:\\Hadoop\\output\\OutputFormat\\jjc.log"));
        other = fileSystem.create(new Path("D:\\Hadoop\\output\\OutputFormat\\other.log"));
    } catch (IOException e) {
        e.printStackTrace();
    }
}
@Override
public void write(Text text, NullWritable nullWritable) throws IOException, InterruptedException {
    //具体输出
    //根据一行的 log 数据是否包含所需字符,判断两条输出流输出的内容
    String line = text.toString();
    if (line.contains("jjc")){
        jjc.writeBytes(line+"\n");
    }else {
        other.writeBytes(line+"\n");
    }
}
@Override
public void close(TaskAttemptContext taskAttemptContext) throws IOException, InterruptedException {
    //关闭资源
    IOUtils.closeStream(jjc);
    IOUtils.closeStream(other);
}

}
5. 编写 Driver 类
public class LogDriver {
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration configuration = new Configuration();
Job job = Job.getInstance(configuration);
job.setJarByClass(LogDriver.class);
job.setMapperClass(LogMapper.class);
job.setReducerClass(LogReduce.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 要将自定义的输出格式组件设置到job中
job.setOutputFormatClass(LogOutputFormat.class);
FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\OutPutFormat”));
FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\OutPutFormat”));
boolean wait = job.waitForCompletion(true);
System.exit(wait?0:1);
}
}
5 内核源码
5.1 MapTask工作机制

（1）Read阶段：MapTask通过用户编写的RecordReader，从输入InputSplit中解析出一个个key/value
（2）Map阶段：该节点主要是将解析出的key/value交给用户编写map()函数处理，并产生一系列新的key/value
（3）Collect收集阶段：在用户编写map()函数中，当数据处理完成后，一般会调用OutputCollector.collect()输出结果。在该函数内部，它会将生成的key/value分区（调用Partitioner），并写入一个环形内存缓冲区中
（4）Spill阶段：即“溢写”，当环形缓冲区满后，MapReduce会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行一次本地排序，并在必要时对数据进行合并、压缩等操作
溢写阶段详情：
步骤1：利用快速排序算法对缓存区内的数据进行排序，排序方式是，先按照分区编号Partition进行排序，然后按照key进行排序。这样，经过排序后，数据以分区为单位聚集在一起，且同一分区内所有数据按照key有序
步骤2：按照分区编号由小到大依次将每个分区中的数据写入任务工作目录下的临时文件output/spillN.out（N表示当前溢写次数）中。如果用户设置了Combiner，则写入文件之前，对每个分区中的数据进行一次聚集操作
步骤3：将分区数据的元信息写到内存索引数据结构SpillRecord中，其中每个分区的元信息包括在临时文件中的偏移量、压缩前数据大小和压缩后数据大小。如果当前内存索引大小超过1MB，则将内存索引写到文件output/spillN.out.index中
（5）Combine阶段：当所有数据处理完成后，MapTask对所有临时文件进行一次合并，以确保最终只会生成一个数据文件
当所有数据处理完后，MapTask会将所有临时文件合并成一个大文件，并保存到文件output/file.out中，同时生成相应的索引文件output/file.out.index。
在进行文件合并过程中，MapTask以分区为单位进行合并。对于某个分区，它将采用多轮递归合并的方式。每轮合并io.sort.factor（默认10）个文件，并将产生的文件重新加入待合并列表中，对文件排序后，重复以上过程，直到最终得到一个大文件
让每个MapTask最终只生成一个数据文件，可避免同时打开大量文件和同时读取大量小文件产生的随机读取带来的开销
5.2 ReduceTask工作机制

（1）Copy阶段：ReduceTask从各个MapTask上远程拷贝一片数据，并针对某一片数据，如果其大小超过一定阈值，则写到磁盘上，否则直接放到内存中
（2）Merge阶段：在远程拷贝数据的同时，ReduceTask启动了两个后台线程对内存和磁盘上的文件进行合并，以防止内存使用过多或磁盘上文件过多
（3）Sort阶段：按照MapReduce语义，用户编写reduce()函数输入数据是按key进行聚集的一组数据。为了将key相同的数据聚在一起，Hadoop采用了基于排序的策略。由于各个MapTask已经实现对自己的处理结果进行了局部排序，因此，ReduceTask只需对所有数据进行一次归并排序即可
（4）Reduce阶段：reduce()函数将计算结果写到HDFS上
5.3 ReduceTask并行度决定机制
ReduceTask的并行度同样影响整个Job的执行并发度和执行效率，但与MapTask的并发数由切片数决定不同，ReduceTask数量的决定是可以直接手动设置：
// 默认值是1，手动设置为4
job.setNumReduceTasks(4);
（1）ReduceTask=0，表示没有Reduce阶段，输出文件个数和Map个数一致
（2）ReduceTask默认值就是1，所以输出文件个数为一个
（3）如果数据分布不均匀，就有可能在Reduce阶段产生数据倾斜
（4）ReduceTask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个ReduceTask
（5）具体多少个ReduceTask，需要根据集群性能而定
（6）如果分区数不是1，但是ReduceTask为1，是否执行分区过程。
答案是：不执行分区过程。因为在MapTask的源码中，执行分区的前提是先判断ReduceNum个数是否大于1。不大于1 肯定不执行
6 Join
6.1 Reduce Join
1.概述
Map 端的主要工作：为来自不同表或文件的 key/value 对，打标签以区别不同来源的记录。然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出

Reduce 端的主要工作：在 Reduce 端以连接字段作为 key 的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在 Map 阶段已经打标志）分开，最后进行合并就 ok 了
2.实操
（1）目标：
将商品信息表中数据根据商品 pid 合并到订单数据表中

（2）分析
通过将关联条件作为 Map 输出的 key，将两表满足 Join 条件的数据并携带数据所来源的文件信息，发往同一个 ReduceTask，在 Reduce 中进行数据的串联
Map：
【1】获取输入文件类型
【2】获取输入数据
【3】不同文件分别处理
【4】封装Bean对象输出
Reduce：
【1】Reduce方法缓存两张表的数据集合，然后合并
（3）实操
1.编写Bean部分（不需要排序，继承Writable接口，进行序列化和反序列化）
public class TableBean implements Writable {
private String id;//订单ID
private String pid;//商品ID
private int amount;//商品数量
private String pname;//商品名称
private String flag;//标记是什么表

public TableBean() {
}

public String getId() {
    return id;
}

public void setId(String id) {
    this.id = id;
}

public String getPid() {
    return pid;
}

public void setPid(String pid) {
    this.pid = pid;
}

public int getAmount() {
    return amount;
}

public void setAmount(int amount) {
    this.amount = amount;
}

public String getPname() {
    return pname;
}

public void setPname(String pname) {
    this.pname = pname;
}

public String getFlag() {
    return flag;
}

public void setFlag(String flag) {
    this.flag = flag;
}

@Override
public void write(DataOutput dataOutput) throws IOException {
    dataOutput.writeUTF(id);
    dataOutput.writeUTF(pid);
    dataOutput.writeInt(amount);
    dataOutput.writeUTF(pname);
    dataOutput.writeUTF(flag);
}

@Override
public void readFields(DataInput dataInput) throws IOException {
    this.id = dataInput.readUTF();
    this.pid = dataInput.readUTF();
    this.amount = dataInput.readInt();
    this.pname = dataInput.readUTF();
    this.flag = dataInput.readUTF();
}

@Override
public String toString() {
    return  id + "\t" + pname + "\t" + amount;
}

}
2.编写Mapper部分
public class TableMapper extends Mapper<LongWritable, Text,Text,TableBean> {
private String filename;
Text k = new Text();
TableBean v = new TableBean();

@Override
protected void setup(Context context) throws IOException, InterruptedException {
    //初始化
    FileSplit split = (FileSplit) context.getInputSplit();
    filename = split.getPath().getName();
}

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    //1.获取一行
    String line = value.toString();
    //2.判断哪个文件
    if (filename.contains("1.txt")){//处理1.txt
        //切割
        String[] split = line.split("\t");
        //封装
        k.set(split[1]);
        v.setId(split[0]);
        v.setPid(split[1]);
        v.setAmount(Integer.parseInt(split[2]));
        v.setPname("");
        v.setFlag("1");
    }else {//处理2.txt
        String[] split = line.split("\t");
        k.set(split[0]);
        v.setId("");
        v.setPid(split[0]);
        v.setAmount(0);
        v.setPname(split[1]);
        v.setFlag("2");
    }
    //写出
    context.write(k,v);
}

}
3.编写Reduce部分

public class TableReduce extends Reducer<Text,TableBean,TableBean, NullWritable> {
 @Override
 protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
 ArrayList orderBeans = new ArrayList<>();
 TableBean tableBean = new TableBean();
 //循环遍历
 for (TableBean value:values) {
 if (“1”.equals(value.getFlag())){
 //Hadoop中的add方法添加后只是给地址，而且会一直覆盖，导致最后只能有一个对象，所以需要赋值给一个新的临时对象
 TableBean tmptableBean = new TableBean();
 //使用BeanUtils工具类赋值对象
 try {
 BeanUtils.copyProperties(tmptableBean,value);
 } catch (IllegalAccessException e) {
 e.printStackTrace();
 } catch (InvocationTargetException e) {
 e.printStackTrace();
 }
 orderBeans.add(tmptableBean);
 }else {
 try {
 BeanUtils.copyProperties(tableBean,value);
 } catch (IllegalAccessException e) {
 e.printStackTrace();
 } catch (InvocationTargetException e) {
 e.printStackTrace();
 }
 }
 }
 //循环遍历orderBeans，赋值Pname
 for (TableBean orderBean:orderBeans) {
 orderBean.setPname(tableBean.getPname());
 context.write(orderBean,NullWritable.get());
 }
 }
 }

4.编写Driver部分

public class TableDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 //1.获取job对象
 Job job = Job.getInstance(conf);
 //2.设置jar存储位置
 job.setJarByClass(TableDriver.class);
 //3.关联Map和Reduce类
 job.setMapperClass(TableMapper.class);
 job.setReducerClass(TableReduce.class);
 //4.设置Mapper阶段输出数据的key和value类型
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(TableBean.class);
 //5.设置最终数据输出数据的key和value类型
 job.setOutputKeyClass(TableBean.class);
 job.setOutputValueClass(NullWritable.class);
 //6.设置输入路径和输出路径
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\ReduceJoin”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\ReduceJoin”));
 //7.提交job
 boolean result = job.waitForCompletion(true);
 System.exit(result ? 0 : 1);
 }
 }

（4）结果：

（5）总结
缺点：这种方式中，合并的操作是在 Reduce 阶段完成，Reduce 端的处理压力太大，Map节点的运算负载则很低，资源利用率不高，且在 Reduce 阶段极易产生数据倾斜
解决方案：Map 端实现数据合并（MapJoin）

6.2 MapJoin
（1）使用场景
Map Join 适用于一张表十分小、一张表很大的场景。
（2）优点
在 Map 端缓存多张表，提前处理业务逻辑，这样增加 Map 端业务，减少 Reduce 端数据的压力，尽可能的减少数据倾斜
（3）具体实现
【1】在 Mapper 的 setup 阶段，将文件读取到缓存集合中
【2】在 Driver 驱动类中加载缓存
缓存普通文件到 Task 运行节点
job.addCacheFile(new URI(“file:///D:/Hadoop/input/MapJoin1/pd.txt”));
如果是集群运行,需要设置 HDFS 路径
job.addCacheFile(new URI(“hdfs://hadoop102:8020//Hadoop/input/MapJoin1/pd.txt”));
注：缓存文件和合并文件（即两张表）要放在两个不同的文件夹下
（4）分析
Driver：
【1】加载缓存数据
job.addCacheFile(new URI("file:///D:/Hadoop/input/MapJoin1/pd.txt "));
【2】Map 端 join 的逻辑不需要 Reduce阶段，所以设置ReduceTask数量为0
job.setNumReduceTasks(0);
Mapper：
setup()方法中：
【1】获取缓存的文件
【2】循环读取缓存文件一行
【3】切割
【4】缓存数据到集合
【5】关流
Map()方法中：
【1】获取一行
【2】截取
【3】 获取pid
【4】获取订单id和 商品名称
【5】拼接
【6】写出
（5）实操
目标：再次完成ReduceJoin的目标
1.编写Driver部分（因为有缓存数据，所以先实现Driver部分）

public class MapJoinDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {
 Configuration conf = new Configuration();
 //1.获取job对象
 Job job = Job.getInstance(conf);
 //2.设置jar存储位置
 job.setJarByClass(MapJoinDriver.class);
 //3.关联Map和Reduce类
 job.setMapperClass(MapJoinMapper.class);
 job.setReducerClass(TableReduce.class);
 //4.设置Mapper阶段输出数据的key和value类型
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(NullWritable.class);
 //5.设置最终数据输出数据的key和value类型
 job.setOutputKeyClass(Text.class);
 job.setOutputValueClass(NullWritable.class);
 //加载缓存数据
 //如果是集群运行,需要设置 HDFS 路径
 //job.addCacheFile(new URI(“hdfs://hadoop102:8020//Hadoop/input/MapJoin1/pd.txt”));
 job.addCacheFile(new URI(“file:///D:/Hadoop/input/MapJoin1/pd.txt”));
 //Map端Join的逻辑不需要Reduce阶段，设置reduceTask数量为0
 job.setNumReduceTasks(0);
 //6.设置输入路径和输出路径
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\MapJoin2”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\MapJoin1”));
 //7.提交job
 boolean result = job.waitForCompletion(true);
 System.exit(result ? 0 : 1);
 }
 }
 2.编写Mapper部分（不需要用Reduce，所以只需要Mapper）
 public class MapJoinMapper extends Mapper<LongWritable,Text, Text, NullWritable> {
 private HashMap<String, String> pdMap = new HashMap<>();
 private Text k = new Text();

@Override
protected void setup(Context context) throws IOException, InterruptedException {
    //获取缓存文件，并把内容封装到集合
    //1.获取缓存文件集合
    URI[] cacheFiles = context.getCacheFiles();
    //2.获取文件系统
    FileSystem fs = FileSystem.get(context.getConfiguration());
    //3.打开一个路径
    FSDataInputStream fis = fs.open(new Path(cacheFiles[0]));
    //4.从流中读取数据
    BufferedReader reader = new BufferedReader(new InputStreamReader(fis, "UTF-8"));
    //5.循环读取数据，读取的值放入line中
    String line;
    //6.获取一行非空数据
    while (StringUtils.isNotEmpty(line=reader.readLine())){
        //7.切割
        String[] fields = line.split("\t");
        //8.赋值到HaspMap集合中
        pdMap.put(fields[0],fields[1]);
    }
    //9.关流
    IOUtils.closeStream(reader);
}

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
    String line = value.toString();
    String[] split = line.split("\t");
    //获取pid（重点）,传入pid，取出为pname
    String pname = pdMap.get(split[1]);
    //直接封装，因为id与amount在order表中，所以可直接封装
    k.set(split[0] + "\t" + pname + "\t" + split[2]);
    //写出
    context.write(k,NullWritable.get());
}

}
7 ETL
（1）概述
“ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程。ETL 一词较常用在数据仓库，但其对象并不限于数据仓库
在运行核心业务 MapReduce 程序之前，往往要先对数据进行清洗，清理掉不符合用户要求的数据。清理的过程往往只需要运行 Mapper 程序，不需要运行 Reduce 程序。
（2）分析
需要在Map阶段对输入的数据根据规则进行过滤清洗
（3）实操
目标：
去除日志中字段个数小于等于 11 的日志
1.编写Mapper部分
public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
Text k = new Text();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {

// 1 获取1行数据
	String line = value.toString();
	
	// 2 解析日志
	boolean result = parseLog(line,context);
	
	// 3 日志不合法退出
	if (!result) {
		return;
	}
	
	// 4 设置key
	k.set(line);
	
	// 5 写出数据
	context.write(k, NullWritable.get());
}

// 2 解析日志
private boolean parseLog(String line, Context context) {

	// 1 截取
	String[] fields = line.split(" ");
	
	// 2 日志长度大于11的为合法
	if (fields.length > 11) {

		// 系统计数器
		context.getCounter("map", "true").increment(1);
		return true;
	}else {
		context.getCounter("map", "false").increment(1);
		return false;
	}
}

}
2.编写Driver部分

public class LogDriver {
 public static void main(String[] args) throws Exception {
 // 1 获取job信息
 Configuration conf = new Configuration();
 Job job = Job.getInstance(conf);

// 2 加载jar包
	job.setJarByClass(LogDriver.class);

	// 3 关联map
	job.setMapperClass(LogMapper.class);

	// 4 设置最终输出类型
	job.setOutputKeyClass(Text.class);
	job.setOutputValueClass(NullWritable.class);

	// 设置reducetask个数为0
	job.setNumReduceTasks(0);

	// 5 设置输入和输出路径
	FileInputFormat.setInputPaths(job, new Path(args[0]));
	FileOutputFormat.setOutputPath(job, new Path(args[1]));

	// 6 提交
	job.waitForCompletion(true);
}

}

（4）实操复杂版
 目标：对Web访问日志中的各字段识别切分，去除日志中不合法的记录。根据清洗规则，输出过滤后的数据
 1.编写Bean部分
 public class LogBean {
 private String remote_addr;// 记录客户端的ip地址
 private String remote_user;// 记录客户端用户名称,忽略属性"-"
 private String time_local;// 记录访问时间与时区
 private String request;// 记录请求的url与http协议
 private String status;// 记录请求状态；成功是200
 private String body_bytes_sent;// 记录发送给客户端文件主体内容大小
 private String http_referer;// 用来记录从那个页面链接访问过来的
 private String http_user_agent;// 记录客户浏览器的相关信息
 private boolean valid = true;// 判断数据是否合法（重点）public String getRemote_addr() {

return remote_addr;
}

public void setRemote_addr(String remote_addr) {
	this.remote_addr = remote_addr;
}

public String getRemote_user() {
	return remote_user;
}

public void setRemote_user(String remote_user) {
	this.remote_user = remote_user;
}

public String getTime_local() {
	return time_local;
}

public void setTime_local(String time_local) {
	this.time_local = time_local;
}

public String getRequest() {
	return request;
}

public void setRequest(String request) {
	this.request = request;
}

public String getStatus() {
	return status;
}

public void setStatus(String status) {
	this.status = status;
}

public String getBody_bytes_sent() {
	return body_bytes_sent;
}

public void setBody_bytes_sent(String body_bytes_sent) {
	this.body_bytes_sent = body_bytes_sent;
}

public String getHttp_referer() {
	return http_referer;
}

public void setHttp_referer(String http_referer) {
	this.http_referer = http_referer;
}

public String getHttp_user_agent() {
	return http_user_agent;
}

public void setHttp_user_agent(String http_user_agent) {
	this.http_user_agent = http_user_agent;
}

public boolean isValid() {
	return valid;
}

public void setValid(boolean valid) {
	this.valid = valid;
}
@Override
public String toString() {
	StringBuilder sb = new StringBuilder();
	sb.append(this.valid);
	sb.append("\001").append(this.remote_addr);
	sb.append("\001").append(this.remote_user);
	sb.append("\001").append(this.time_local);
	sb.append("\001").append(this.request);
	sb.append("\001").append(this.status);
	sb.append("\001").append(this.body_bytes_sent);
	sb.append("\001").append(this.http_referer);
	sb.append("\001").append(this.http_user_agent);
	return sb.toString();
}

}
2.编写Mapper部分
public class LogMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
Text k = new Text();
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
// 1 获取1行
String line = value.toString();

// 2 解析日志是否合法
	LogBean bean = parseLog(line);
	
	if (!bean.isValid()) {
		return;
	}
	
	k.set(bean.toString());
	
	// 3 输出
	context.write(k, NullWritable.get());
}

// 解析日志
private LogBean parseLog(String line) {
	LogBean logBean = new LogBean();
	// 1 截取
	String[] fields = line.split(" ");
	if (fields.length > 11) {
		// 2封装数据
		logBean.setRemote_addr(fields[0]);
		logBean.setRemote_user(fields[1]);
		logBean.setTime_local(fields[3].substring(1));
		logBean.setRequest(fields[6]);
		logBean.setStatus(fields[8]);
		logBean.setBody_bytes_sent(fields[9]);
		logBean.setHttp_referer(fields[10]);
		
		if (fields.length > 12) {
			logBean.setHttp_user_agent(fields[11] + " "+ fields[12]);
		}else {
			logBean.setHttp_user_agent(fields[11]);
		}
		
		// 大于400，HTTP错误
		if (Integer.parseInt(logBean.getStatus()) >= 400) {
			logBean.setValid(false);
		}
	}else {
		logBean.setValid(false);
	}
	return logBean;
}

}
3.编写Driver部分
public class LogDriver {
public static void main(String[] args) throws Exception {
// 1 获取job信息
Configuration conf = new Configuration();
Job job = Job.getInstance(conf);

// 2 加载jar包
	job.setJarByClass(LogDriver.class);

	// 3 关联map
	job.setMapperClass(LogMapper.class);

	// 4 设置最终输出类型
	job.setOutputKeyClass(Text.class);
	job.setOutputValueClass(NullWritable.class);

	// 5 设置输入和输出路径
	FileInputFormat.setInputPaths(job, new Path(args[0]));
	FileOutputFormat.setOutputPath(job, new Path(args[1]));

// 设置reducetask个数为0
job.setNumReduceTasks(0);

// 6 提交
	job.waitForCompletion(true);
}

}
8 MapReduce开发总结
1.输入数据接口：InputFormat
（1）默认使用的实现类是：TextInputFormat
（2）TextInputFormat的功能逻辑是：一次读一行文本，然后将该行的起始偏移量作为 key，行内容作为 value 返回
（3）CombineTextInputFormat 可以把多个小文件合并成一个切片处理，提高处理效率
2.逻辑处理接口：Mapper
用户根据业务需求实现其中三个方法：
map()【主要业务】
setup()【Map之前的准备方法】
cleanup ()【关闭资源】
3.Partitioner 分区
（1）有默认实现 HashPartitioner，逻辑是根据 key 的哈希值和 numReduces 来返回一个分区号；key.hashCode()&Integer.MAXVALUE % numReduces
（2）如果业务上有特别的需求，可以自定义分区
4.Comparable 排序
（1）当我们用自定义的对象作为 key 来输出时，就必须要实现 WritableComparable 接口，重写其中的 compareTo()方法
（2）部分排序：对最终输出的每一个文件进行内部排序
（3）全排序：对所有数据进行排序，通常只有一个 Reduce
（4）二次排序：排序的条件有两个
5.Combiner 合并
Combiner 合并可以提高程序执行效率，减少 IO 传输。但是使用时必须不能影响原有的业务处理结果
6.逻辑处理接口：Reducer
用户根据业务需求实现其中三个方法：
reduce()【主要业务】
setup()【Reduce之前的准备方法】
cleanup ()【关闭资源】
7.输出数据接口：OutputFormat
（1）默认实现类是 TextOutputFormat，功能逻辑是：将每一个 KV 对，向目标文本文件输出一行
（2）用户还可以自定义 OutputFormat
9 压缩
9.1 概述
1.概述
压缩技术能够有效减少底层存储系统(HDFS）读写字节数。压缩提高了网络带宽和磁盘空间的效率。在运行MR程序时，I/o操作、网络数据传输、Shuffle和Merge要花大量的时间，尤其是数据规模很大和工作负载密集的情况下，因此，使用数据压缩显得非常重要
鉴于磁盘I/o和网络带宽是Hadoop的宝贵资源，数据压缩对于节省资源、最小化磁盘to和网络传输非常有帮助。可以在任意地图推理阶段启用压缩
不过，尽管压缩与解压操作的cpu开销不高，其性能的提升和资源的节省并非没有代价
2.压缩的好处和坏处
压缩的优点：以减少磁盘 IO、减少磁盘存储空间。
压缩的缺点：增加 CPU 开销。
3.压缩原则
（1）运算密集型的 Job，少用压缩
（2）IO 密集型的 Job，多用压缩
9.2 MapReduce支持的压缩编码
压缩格式 hadoop自带？ 算法 文件扩展名 是否可切分 换成压缩格式后，原来的程序是否需要修改
DEFLATE 是，直接使用 DEFLATE .deflate 否 和文本处理一样，不需要修改
Gzip 是，直接使用 DEFLATE .gz 否 和文本处理一样，不需要修改
bzip2 是，直接使用 bzip2 .bz2 是 和文本处理一样，不需要修改
LZO 否，需要安装 LZO .lzo 是 需要建索引，还需要指定输入格式
Snappy 否，需要安装
（3.0直接用） Snappy .snappy 否 和文本处理一样，不需要修改
压缩性能的比较
压缩算法 原始文件大小 压缩文件大小 压缩速度 解压速度
gzip 8.3GB 1.8GB 17.5MB/s 58MB/s
bzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/s
LZO 8.3GB 2.9GB 49.3MB/s 74.6MB/s
9.3 压缩方式选择
压缩方式选择时重点考虑：
（1）压缩/解压缩速度、压缩率（压缩后存储大小）
（2）压缩后是否可以支持切片
1 Gzip压缩
优点：压缩率比较高；
缺点：不支持 Split；压缩/解压速度一般；
2 Bzip2压缩
优点：压缩率高；支持 Split；
缺点：压缩/解压速度慢
3 Lzo压缩
优点：压缩/解压速度比较快；支持 Split；
缺点：压缩率一般；想支持切片需要额外创建索引
4 Snappy 压缩
优点：压缩和解压缩速度快；
缺点：不支持 Split；压缩率一般；
5 压缩位置选择
压缩可以在 MapReduce 作用的任意阶段启用
输入端——>Map——>Reduce
（1）输入端压缩方式：
【1】无须显示指定使用的编解码方式
Hadoop自动检查文件扩展名，如果扩展名能够匹配，就会用恰当的编解码方式对文件进行压缩和解压。
【2】数据量小于块大小，重点考虑压缩和解压缩速度比较快的LZO/Snappy
【3】数据量非常大，重点考虑支持切片的Bzip2和LZO。
（2）Map压缩方式
需求选择：
为了减少MapTask和ReduceTask之间的网络IO。
重点考虑压缩和解压缩快的LZO、Snappy。
（3）Redece压缩方式
需求选择：
【1】如果数据永久保存，考虑压缩率比较高的Bzip2和Gzip。
【2】如果作为下一个MapReduce输入，需要考虑数据量和是否支持切片。
9.4 压缩参数配置
（1）为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器
压缩格式 对应的编码/解码器

DEFLATE org.apache.hadoop.io.compress.DefaultCodec
 gzip org.apache.hadoop.io.compress.GzipCodec
 bzip2 org.apache.hadoop.io.compress.BZip2Codec
 LZO com.hadoop.compression.lzo.LzopCodec
 Snappy org.apache.hadoop.io.compress.SnappyCodec

（2）要在Hadoop中启用压缩，可以配置如下参数：
参数 默认值 阶段 建议
io.compression.codecs
（在core-site.xml中配置） org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec
输入
压缩 Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compress
（在mapred-site.xml中配置） false mapper输出 这个参数设为true启用压缩
mapreduce.map.output.compress.codec
（在mapred-site.xml中配置） org.apache.hadoop.io.compress.DefaultCodec mapper输出 企业多使用LZO或Snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress
（在mapred-site.xml中配置） false reducer输出 这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codec（在mapred-site.xml中配置） org.apache.hadoop.io.compress. DefaultCodec reducer输出 使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.type（在mapred-site.xml中配置） RECORD reducer输出 SequenceFile输出使用的压缩类型：NONE和BLOCK
9.5 实操
（1）Map端压缩
即使你的 MapReduce 的输入输出文件都是未压缩的文件，你仍然可以对 Map 任务的中间结果输出做压缩，因为它要写在硬盘并且通过网络传输到 Reduce 节点，对其压缩可以提高很多性能，这些工作只要设置两个属性
注：对最终结果不影响，结果是压缩要进行Reduce端压缩

基于 WordCount 案例处理
 Driver部分：
 public class WordcountDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 //开启Map端输出压缩
 conf.setBoolean(“mapreduce.map.output.compress”, true);
 // 设置 map 端输出压缩方式
 conf.setClass(“mapreduce.map.output.compress.codec”, BZip2Codec.class, CompressionCodec.class);
 //1.获取job对象
 Job job = Job.getInstance(conf);
 //2.设置jar存储位置
 job.setJarByClass(WordcountDriver.class);
 //3.关联Map和Reduce类
 job.setMapperClass(WordcountMapper.class);
 job.setReducerClass(WordcountReducer.class);
 //4.设置Mapper阶段输出数据的key和value类型
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(IntWritable.class);
 //5.设置最终数据输出数据的key和value类型
 job.setOutputKeyClass(Text.class);
 job.setOutputValueClass(IntWritable.class);
 //6.设置输入路径和输出路径
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\input”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\yasuo”));
 //7.提交job
 // job.submit();
 boolean result = job.waitForCompletion(true);
 System.exit(result ? 0 : 1);
 }
 Mapper部分不变
 Reduce部分不变
 （2）Reduce 输出端采用压缩（Map端压缩与Reduce端互不影响）
 注：snappy压缩要在Hadoop3版本以上，且centos达到7以上才可直接使用
 基于 WordCount 案例处理
 Driver部分：
 public class WordcountDriver {
 public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
 Configuration conf = new Configuration();
 //开启Map端输出压缩
 //conf.setBoolean(“mapreduce.map.output.compress”, true);
 // 设置 map 端输出压缩方式
 //conf.setClass(“mapreduce.map.output.compress.codec”, BZip2Codec.class, CompressionCodec.class);
 //1.获取job对象
 Job job = Job.getInstance(conf);
 //2.设置jar存储位置
 job.setJarByClass(WordcountDriver.class);
 //3.关联Map和Reduce类
 job.setMapperClass(WordcountMapper.class);
 job.setReducerClass(WordcountReducer.class);
 //4.设置Mapper阶段输出数据的key和value类型
 job.setMapOutputKeyClass(Text.class);
 job.setMapOutputValueClass(IntWritable.class);
 //5.设置最终数据输出数据的key和value类型
 job.setOutputKeyClass(Text.class);
 job.setOutputValueClass(IntWritable.class);
 //6.设置输入路径和输出路径
 FileInputFormat.setInputPaths(job,new Path(“D:\Hadoop\input\input”));
 FileOutputFormat.setOutputPath(job,new Path(“D:\Hadoop\output\yasuo1”));
 // 设置 reduce 端输出压缩开启
 FileOutputFormat.setCompressOutput(job, true);
 // 设置压缩的方式
 FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
 //FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
 //FileOutputFormat.setOutputCompressorClass(job,DefaultCodec.class);
 //7.提交job
 boolean result = job.waitForCompletion(true);
 System.exit(result ? 0 : 1);
 }
 }

Mapper部分不变
Reduce部分不变
10 常见错误
（1）导包容易出错。尤其 Text 和 CombineTextInputFormat
（2）Mapper 中第一个输入的参数必须是 LongWritable 或者 NullWritable，不可以是 IntWritable. 报的错误是类型转换异常
（3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明 Partition 和 ReduceTask 个数没对上，调整 ReduceTask 个数
（4）如果分区数不是 1，但是 reducetask 为 1，是否执行分区过程。答案是：不执行分区过程。因为在 MapTask 的源码中，执行分区的前提是先判断 ReduceNum 个数是否大于 1。不大于 1 肯定不执行。
（5）在 Windows 环境编译的 jar 包导入到 Linux 环境中运行报错，可能是Windows 环境用的 jdk1.7，Linux 环境用的 jdk1.8，统一版本试试看
（6）缓存 pd.txt 小文件案例中，报找不到 pd.txt 文件 原因：大部分为路径书写错误。还有就是要检查 pd.txt.txt 的问题。还有个别电脑写相对路径 找不到 pd.txt，可以修改为绝对路径
（7）报类型转换异常。 通常都是在驱动函数中设置 Map 输出和最终输出时编写错误。 Map 输出的 key 如果没有排序，也会报类型转换异常
（8）集群中运行 wc.jar 时出现了无法获得输入文件。
原因：WordCount 案例的输入文件不能放用 HDFS 集群的根目录。
（9）自定义 Outputformat 时，注意在 RecordWirter 中的 close 方法必须关闭流资源。否则输出的文件内容中数据为空

@Override public void close(TaskAttemptContext context) throws IOException, InterruptedException {
 if (atguigufos != null) {
 atguigufos.close();
 }
 if (otherfos != null) {
 otherfos.close();
 }
 }

（10）若window环境中出现如下异常：
Exception in thread “main”
java.lang.UnsatisfiedLinkError:org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z
解决方案：
第一步：将hadoop-2.6.0-cdh5.14.0 拷贝到一个没有中文，没有空格的路径下面去
第二步：windows当中配置hadoop的环境变量
第三步：拷贝hadoop-2.6.0-cdh5.14.0\bin\hadoop.dll文件 拷贝到 c:\windows\system32
第四步：重启开发工具即可
（11）导入Pom.xml的依赖时，一定要注意Hadoop的版本，如果版本依赖导入错误会报错