做公司的网站的需求有哪些内容/免费个人网站建站申请

1/mr的combiner2/mr的排序3/mr的shuffle4/mr与yarn5/mr运行模式6/mr实现join7/mr全局图8/mr的压缩

一、流量汇总排序的实现

　　1.需求　　　

　　　　对日志数据中的上下行流量信息汇总，并输出按照总流量倒序排序的结果

　　2.分析　　　

　　基本思路：实现自定义的bean来封装流量信息，并将bean作为map输出的key来传输

　　MR程序在处理数据的过程中会对数据排序(map输出的kv对传输到reduce之前，会排序)，排序的依据是map输出的key

　　所以，我们如果要实现自己需要的排序规则，则可以考虑将排序因素放到key中，让key实现接口：WritableComparable然后重写key的compareTo方法

　　当然，这里还需要考虑的问题是如果分区导致了结果多个reducer，则单个reducer是有序的，但全局不一定有序！

　　3.代码

package com.mr.flowsort;import com.mr.flowsum.FlowBean;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;/*** mapper* 这个排序针对的是上次流量汇总的结果，所以输入就是上次流量汇总输出的文件* 输出就是Bean作为输入，手机号作为输出** @author zcc ON 2018/2/2**/
public class FlowSortMapper extends Mapper<LongWritable, Text, FlowBean, Text> {private FlowBean flowBean = new FlowBean();private Text phone = new Text();@Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {// 各手机号的总流量信息String line = value.toString();String[] fields = line.split("\t");String phoneNum = fields[0];String bean = fields[1];// 封装设置属性方法，下面封装的方法之所以如此费劲，是由于Bean的toString()方法所致
        flowBean.setFields(getUpFlow(bean), getDownFlow(bean));phone.set(phoneNum);// 写出去（已序列化），同样Text也不能在这里new，否则new的次数过多，浪费内存
        context.write(flowBean, phone);}private long getUpFlow(String bean) {int start = StringUtils.ordinalIndexOf(bean, "=", 1);int end = StringUtils.ordinalIndexOf(bean, ",", 1);String upFlow = bean.substring(start + 1, end);return Long.parseLong(upFlow);}private long getDownFlow(String bean) {int start = StringUtils.ordinalIndexOf(bean, "=", 2);int end = StringUtils.ordinalIndexOf(bean, ",", 2);String downFlow = bean.substring(start + 1, end);return Long.parseLong(downFlow);}// 以上方法可合并private long getFlow(String bean, int ordinal) {int start = StringUtils.ordinalIndexOf(bean, "=", ordinal);int end = StringUtils.ordinalIndexOf(bean, ",", ordinal);String flow = bean.substring(start + 1, end);return Long.parseLong(flow);}}

package com.mr.flowsort;import com.mr.flowsum.FlowBean;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** reducer** @author zcc ON 2018/2/2**/
public class FlowSortReducer extends Reducer<FlowBean,Text,Text,FlowBean>{/*** 进来的数据是<bean,phoneNum>，而且bean是不会相同的，所以迭代器此时只有一个元素* @param key* @param values* @param context* @throws IOException* @throws InterruptedException*/@Overrideprotected void reduce(FlowBean key, Iterable<Text> values, Context context) throws IOException, InterruptedException {// 直接写出即可，注意此时values只有一个
        context.write(values.iterator().next(), key);}
}

package com.mr.flowsum;import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.WritableComparable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;/*** 这里选择实现WritableComparable接口即可，因为此接口继承了Writable接口（继承树关系）* @author zcc ON 2018/1/31**/
public class FlowBean implements WritableComparable<FlowBean>{private long upFlow;private long downFlow;private long sumFlow;/*** 反序列化时需要显式调用空参*/public FlowBean() {}public FlowBean(long upFlow, long downFlow) {this.upFlow = upFlow;this.downFlow = downFlow;this.sumFlow = upFlow + downFlow;}public void setFields(long upFlow, long downFlow) {this.upFlow = upFlow;this.downFlow = downFlow;this.sumFlow = upFlow + downFlow;}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;}/*** 序列化* @param out* @throws IOException*/@Overridepublic void write(DataOutput out) throws IOException {out.writeLong(upFlow);out.writeLong(downFlow);out.writeLong(sumFlow);}/*** 反序列化，注意序列化与反序列化的顺序必须一致！* @param in* @throws IOException*/@Overridepublic void readFields(DataInput in) throws IOException {this.upFlow = in.readLong();this.downFlow = in.readLong();this.sumFlow = in.readLong();}@Overridepublic String toString() {return "FlowBean{" +"upFlow=" + upFlow +", downFlow=" + downFlow +", sumFlow=" + sumFlow +'}';}@Overridepublic int compareTo(FlowBean o) {return Long.compare(this.getSumFlow(), o.getSumFlow());}
}

package com.mr.flowsort;import com.mr.flowsum.*;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;/*** 配置Driver** @author zcc ON 2018/2/2**/
public class FlowSortDriver {public static void main(String[] args) throws Exception{Configuration conf = new Configuration();Job job = Job.getInstance(conf);// 设置本程序jar包本地位置job.setJarByClass(FlowSortDriver.class);// 指定本业务job要使用的mapper/reducer业务类job.setMapperClass(FlowSortMapper.class);job.setReducerClass(FlowSortReducer.class);// 指定map输出的数据类型（由于可插拔的序列化机制导致）job.setMapOutputKeyClass(FlowBean.class);job.setMapOutputValueClass(Text.class);// 设置自定义分区器，这里不分区// job.setPartitionerClass(ProvincePartitioner.class);// 设置相应分区数量的reduceTask// job.setNumReduceTasks(5);// 指定最终输出(reduce)的的数据类型（可选，因为有时候不需要reduce）job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);// 指定job的原始输入/输出目录（可以改为由外面输入，而不必写死）FileInputFormat.setInputPaths(job, new Path("/flowcount/output"));FileOutputFormat.setOutputPath(job, new Path("/flowsort/output"));// 提交（将job中的相关参数以及java类所在的jar包提交给yarn运行）// job.submit();// 反馈集群信息boolean b = job.waitForCompletion(true);System.exit(b ? 0 :1);}
}

　　这里注意一下输入输出路径即可，这里再次提醒运行的方式：

hadoop jar zk03.jar com.mr.flowsort.FlowSortDriver

 二、MR内部shuffer过程

　　这里对上面一整个排序的过程、数据的流向进行剖析：

　　　　（注意mr不仅仅是处理文本文件，只要更改默认的inputFormat即可，像之前的一次读一行就是由TextInputFormat决定的。所以是支持自定义的！常见的操作多行的文本的InputFormat也是有例如NLineInputFormat等定义的！）

　　1.概述

　　　　v mapreduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle；

　　　　　　通俗的讲， Shuffle描述着数据从map task输出到reduce task输入的这段过程

　　　　v shuffle: 洗牌、发牌——（核心机制：数据分区，排序，缓存）；

　　　　v 具体来说：就是将maptask输出的处理结果数据，分发给reducetask，并在分发的过程中，对数据按key进行了分区和排序；

　　2.流程详解

　　　　

　　流程详解：

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、在溢出过程中，及合并的过程中，都要调用partitoner进行分组和针对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：io.sort.mb  默认100M

 　　　　推荐阅读shuffer详解的博文；http://langyu.iteye.com/blog/992916

　　　　　　　　　　　　　　　　　　http://blog.csdn.net/techchan/article/details/53405519

 三、MR中的Combiner

　　（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

　　　　Reducer是接收全局所有Mapper的输出结果；

　　(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

　　具体实现步骤：

　　　　1、 自定义一个combiner继承Reducer，重写reduce方法

　　　　2、 在job中设置：  job.setCombinerClass(CustomCombiner.class)

package com.mr.wordcount;import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;/*** combiner** @author zcc ON 2018/2/2**/
public class WordcountCombiner extends Reducer<Text,IntWritable,Text,IntWritable>{private IntWritable count = new IntWritable();@Overrideprotected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {int c = 0;for (IntWritable value : values) {c += value.get();}count.set(c);context.write(key, count);}
}

package com.mr.wordcount;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;/*** wordcount的任务配置类* 相当于yarn集群的客户端，在此封装MR配置参数* @author zcc ON 2018/1/31**/
public class WordCountDriver {public static void main(String[] args) throws Exception{Configuration conf = new Configuration();Job job = Job.getInstance(conf);// 设置本程序jar包本地位置job.setJarByClass(WordCountDriver.class);// 指定本业务job要使用的mapper/reducer业务类job.setMapperClass(WordCountMapper.class);job.setReducerClass(WordCountReducer.class);// 指定map输出的数据类型（由于可插拔的序列化机制导致）job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);// 指定最终输出(reduce)的的数据类型（可选，因为有时候不需要reduce）job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);// 指定Combinerjob.setCombinerClass(WordcountCombiner.class);// 指定job的原始输入/输出目录（可以改为由外面输入，而不必写死）FileInputFormat.setInputPaths(job, new Path("/wordcount/input"));FileOutputFormat.setOutputPath(job, new Path("/wordcount/output"));// 提交（将job中的相关参数以及java类所在的jar包提交给yarn运行）// job.submit();// 反馈集群信息boolean b = job.waitForCompletion(true);System.exit(b ? 0 :1);}
}

　　(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

　　注意：Combiner的输出是Reducer的输入，如果Combiner是可插拔的，添加Combiner绝不能改变最终的计算结果。所以Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。

　　整个流程以及combiner的所处位置，参考详解：https://www.cnblogs.com/ljy2013/articles/4435657.html

四、mapreduce与yarn集群分析

　　1.yarn概述

　　Yarn是一个分布式的资源管理系统，用以提高分布式的集群环境下的资源利用率，
这些资源包括内存、IO、网络、磁盘等。其产生的原因是为了解决原MapReduce框架的不足。
最初MapReduce的committer们还可以周期性的在已有的代码上进行修改，可是随着代码的增加以及原MapReduce框架设计的不足，在原MapReduce框架上进行修改变得越来越困难，
所以MapReduce的committer们决定从架构上重新设计MapReduce,使下一代的MapReduce(MRv2/Yarn)框架具有更好的扩展性、可用性、可靠性、向后兼容性和更高的资源利用率
以及能支持除了MapReduce计算框架外的更多的计算框架。

　　2.yarn重要概念

　　1、 yarn并不清楚用户提交的程序的运行机制

　　2、 yarn只提供运算资源的调度（用户程序向yarn申请资源，yarn就负责分配资源）

　　3、 yarn中的主管角色叫ResourceManager

　　4、 yarn中具体提供运算资源的角色叫NodeManager

　　5、 这样一来，yarn其实就与运行的用户程序完全解耦，就意味着yarn上可以运行各种类型的分布式运算程序（mapreduce只是其中的一种），比如　mapreduce、storm程序，spark程序，tez ……

　　6、 所以，spark、storm等运算框架都可以整合在yarn上运行，只要他们各自的框架中有符合yarn规范的资源请求机制即可

　　7、 Yarn就成为一个通用的资源调度平台，从此，企业中以前存在的各种运算集群都可以整合在一个物理集群上，提高资源利用率，方便数据共享

 　　3.调度过程图

 　　新旧Haoop的mapreduce对比：https://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop-yarn/

 

　　相关流程分析，参考：https://www.cnblogs.com/cxzdy/p/4943159.html