0


Hadoop 2.0:主流开源云架构(四)

目录


五、Hadoop 2.0访问接口

(一)访问接口综述

  Hadoop 2.0分为相互独立的几个模块,访问各个模块的方式也是相互独立的,但每个模块访问方式可分为:浏览器接口、Shell接口和编程接口。

(二)浏览器接口

Web地址配置文件配置参数HDFShttp://NameNodeHostName:50070hdfs-site.xml{dfs.namenode.http-address}Yarnhttp://ResourceManagerHostName:8088yarn-site.xml{yarn.resourcemanager.webapp.address}MapReducehttp://JobHistoryHostName:19888mapred-site.xml{mapreduce.jobhistory.webapp.address}
  在Hadoop 2.0里,MapReduce是Yarn不可缺少的模块,这里的JobHistory是一个任务独立模块,用来查看历史任务,和MapReduce并行处理算法无关。

(三)命令行接口

1. HDFS

  以tar包方式部署时,其执行方式是

HADOOP_HOME/bin/hdfs

,当以完全模式部署时,使用HDFS用户执行hdfs即可。

在这里插入图片描述
2. Yarn

  以tar包方式部署时,其执行方式是

HADOOP_HOME/bin/yarn

,当以完全模式部署时,使用Yarn用户执行yarn即可。

在这里插入图片描述
  每一条命令都包含若干条子命令,Yarn的Shell命令也主要分为用户命令和管理员命令。

3. Hadoop

  以tar包方式部署时,其执行方式是

HADOOP_HOME/bin/Hadoop

,当以完全模式部署时,在终端直接执行hadoop。

在这里插入图片描述
  这个脚本既包含HDFS里最常用命令fs(即HDFS里的dfs),又包含Yarn里最常用命令jar,可以说是HDFS和Yarn的结合体。此外,distcp用mapreduce来实现两个Hadoop集群之间大规模数据复制。

4. 其他常用命令

  sbin/目录下的脚本主要分为两种类型:启停服务脚本和管理服务脚本。其中,脚本hadoop-daemon.sh可单独用于启动本机服务,方便本机调试,start/stop类脚本适用于管理整个集群,读者只要在命令行下直接使用这些脚本,它会自动提示使用方法。

在这里插入图片描述

六、Hadoop 2.0编程接口

(一)HDFS编程

在这里插入图片描述
1. HDFS编程实例

【例1】 请编写一简单程序,要求实现在HDFS里新建文件myfile,并且写入内容“china cstor cstor cstor china”。

代码如下:

publicclassWrite{publicstaticvoidmain(String[] args)throwsIOException{Configuration conf =newConfiguration();//实例化配置文件Path inFile =newPath("/user/joe/myfile");//命名一个文件FileSystem hdfs =FileSystem.get(conf);//获取文件系统FSDataOutputStreamOutputStream= hdfs.create(inFile);//获取文件流
        outputStream.writeUTF("china cstor cstor cstor china");//使用流向文件里写内容
        outputStream.flush();
        outputStream.close();}}

假定程序打包后称为

hdfsOperate.jar

,并假定以joe用户执行程序,主类为Write,主类前为包名,则命令执行如下:

[joe@cMaster~]$ hadoop jar hdfsOperate.jar cn.cstor.data.hadoop.hdfs.write.Write

成功执行上述命令后,可使用如下两种方式确认文件已经写入HDFS。
第一种方式:使用Shell接口,以joe用户执行如下命令:

[joe@cMaster~]$ hdfs dfs -cat ls            #类似于Linux的ls,列举HDFS文件
[joe@cMaster~]$ hdfs dfs -cat myfile        #类似于Linux的cat,查看文件

第二种方式:使用Web接口,浏览器地址栏打开

http://namenodeHostName:50070

,点击Browse the filesystem,进入文件系统,接着查看文件

/user/jioe/myfile

即可。

【例2】 请编写一简单程序,要求输出HDFS里刚写入的文件myfile的内容。

代码如下:

publicclassRead{publicstaticvoidmain(String[] args)throwsIOException{Configuration conf =newConfiguration();Path inFile =newPath("/user/joe/myfile");//HDFS里欲读取文件的绝对路径FileSystem hdfs =FileSystem.get(conf);FSDataIutputStream inputStream = hdfs.open(inFile);//获取输出流System.out.println("myfile:"+inputStream.readUTF());//使用输出流读取文件
        inputStream.close();}}

下面是命令执行方式及其结果:

[joe@cMaster~]# hadoop jar hdfsOperate.jar cn.cstor.data.hadoop.hdfs.read.Read
myfile: china cstor cstor china

【例3】 请编写一简单代码,要求输出HDFS里文件myfile相关属性(如文件大小、拥有者、集群副本数,最近修改时间等)。

代码如下:

publicclassStatus{publicstaticvoidmain(String[] args)throwsException{Configuration conf =newConfiguration();Path file =newPath("/user/joe/myfile");System.out.println("FileName:"+file.getName());FileSystem hdfs = file.getFileSystem(conf);FileStatus[] fileStatus = hdfs.listStatus(file);for(FileStatus status: fileStatus){System.out.println("FileOwner:"+status.getOwner());System.out.println("FileReplication:"+status.getReplication();System.out.println("FileModificationTime:"+newDate(status.getModificationTime());System.out.println("FileBlockSize:"+status.getBlockSize());}}}

程序执行方式及其结果如下:

[joe@cMaster~] Hadoop jar hdfsOperate.jar cn.cstor.data.Hadoop.hdfs.file.Status
FileName: myfile
FileOwner: joe
FileReplication: 3
FileModification Time: Tue Nov 12 05:24:02 PST 2013 

上面我们通过三个例题介绍了HDFS文件最常用操作,但这仅仅是三个小演示程序,在真正处理HDFS文件流时,可以使用缓冲流将底层文件流一层层包装,可大大提高读取效率。

2. HDFS编程基础

(1)Hadoop统一配置文件类Configuration

  Hadoop的每一个实体(Common,HDFS,Yarn)都有与其相对应的配置文件,Configuration类是联系几个配置文件的统一接口。

  Hadoop各模块间传递的一切值都必须通过Configuration类实现,其他方式均无法获取程序设置的参数,若想实现参数最好使用Configuration类的get和set方法。

(2)取得HDFS文件系统接口

  在Hadoop源代码中,HDFS相关代码大都存放在org.apache.Hadoop.hdfs包里。但是,我们编写代码操作HDFS里的文件时,不可以调用这些代码,而是通过org.apache.hadoop.fs包里的FileSystem类实现。

在这里插入图片描述
  FileSystem类是Hadoop访问文件系统的抽象类,它不仅可以获取HDFS文件系统服务,也可以获取其他文件系统(比如本地文件系统)服务,为程序员访问各类文件系统提供统一接口。

(3)HDFS常用流和文件状态类

  Common还提供了一些处理HDFS文件的常用流:fs包下的FSDataInputStream,io包下的缓冲流DataInputBuffer,util包下的LineReader等等。用户可以和Java流相互配合使用。

(二)Yarn编程

  Yarn是一个资源管理框架,由ResourceManager(RM)和NodeManager(NM)。但RM和NM不参与计算逻辑。称由ApplicationMaster和Client组成的处理逻辑相同的一类任务为逻辑实体,可以定义Map型、MapReduce型、MapReduceMap型和CPU密集型任务。

1. 概念和流程

  在资源管理框架中,RM负责资源分配,NodeManager负责管理本地资源。在计算框架中,Client负责提交任务,RM启动任务对应的ApplicationMaster。

(1)编程时使用的协议

① ApplicationClientProtocol:Client<–>ResourceManager。

Client通知RM启动任务(如要求RM启动ApplicationMaster),获取任务状态或终止任务时使用的协议。

② ApplicationMasterProtocol:ApplicationMaster<–>ResourceManager。

ApplicationMaster向RM注册/注销申请资源时用到的协议。

③ ContainerManager:ApplicationMaster<–>NodeManager。

ApplicationMaster启动/停止获取NM上的Container状态信息时所用的协议。

(2)一个Yarn任务的执行流程简析

  Client提交任务时,通过调用ApplicationClientProtocol#getNewApplication从RM获取一个ApplicationId,然后再通过ApplicationClientProtocol#submitApplication提交任务。

  ApplicationMaster则负责此次任务的处理全过程,RM会选定一个Container来启动ApplicationMaster,ApplicationMaster会通过心跳包与RM保持通信,ApplicationMaster须向RM注销自己。

(3)编程步骤小结

① Client端

步骤1:获取ApplicationId
步骤2:提交任务

② ApplicationMaster端

步骤1:注册
步骤2:申请资源
步骤3:启动Container
步骤4:重复步骤2、3,直至任务完成
步骤5:注销

Yarn提供了三个Application-Master实现:DistributedShell、unmanaged-am-launcher、MapReduce。

2. 实例分析

  DistributedShell是Yarn自带的一个应用程序编程实例,相当于Yarn编程中的“Hello World”,它的功能是并行执行用户提交的Shell命令或Shell脚本。
  从Hadoop官方网站下载Hadoop-2.2.0-src.tar.gz(Hadoop源码包)并解压后,依次进入Hadoop-yarn-project\Hadoop-yarn\Hadoop-yarn-applications,下面就是Yarn自带的两个Yarn编程实例。
  Client主要向RM提交任务,ApplicationMaster向RM申请资源,并与NM协商启动Container完成任务。

(1)Client类主要代码:

YarnClient yarnClient =YarnClient.createYarnClient();//新建Yarn客户端
yarnClient.start();//启动Yarn客户端YarnClientApplication app = yarnClient.createApplication();//获取提交程序句柄ApplicationSubmissionContext appContext = app.getApplicationSubmissionContext();//获取上下文句柄ApplicationId appId = appContext.getApplicationId();//获取RM分配的appId 
appContext.setResource(capability);//设置任务其他信息举例
appContext.setQueue(amQueue);
appContext.setPriority(priority);//实例化ApplicationMaster对应的ContainerContainerLaunchContext amContainer =Records.newRecord(ContainerLaunchContext.class);
amContainer.setCommands(commands);//参数commands为用户预执行的Shell命令
appContext.setAMContainerSpec(amContainer);//指定ApplicationMaster的Container 
yarnClient.submitApplication(appContext);//提交作业

  从代码中能看到,关于RPC的代码已经被上一层代码封装了,Client端编程简单地说就是获取YarmClientApplication,接着设置ApplicationSubmissionContext,最后提交任务。

(2)ApplicationMaster类最主要代码:

//新建RM代理AMRMClientAsync amRMClient =AMRMClientAsync.createAMRMClientAsync(1000, allocListener);
amRMClient.init(conf);
amRMClient.start();//向RM注册
amRMClient.registerApplicationMaster(appMasterHostname, appMasterRpcPort, appMasterTrackingUrl);
containerListener =createNMCallbackHandler();//新建NM代理NMClientAsync nmClientAsync =newNMClientAsyncImpl(containerListener);
nmClientAsync.init(conf);
nmClientAsync.start();//向RM申请资源for(int i=0; i<numTotalContainers;++i){ContainerRequest containerAsk =setupContainerAskForRM();
    amRMClient.addContainerRequest(containerAsk);}
numRequestedContainers.set(numTotalContainers);//设置Container上下文ContainerLaunchContext ctx =Records.newRecord(ContainerLaunchContext.class);
ctx.setCommands(commands);//要求NM启动Container 
nmClientAsync.startContainerAsync(container, ctx);//containerListener汇报此NM完成任务后,关闭此NM
nmClientAsync.stop();//向RM注销
amRMClient.unregisterApplicationMaster(appStatus, appMessage,null);
amRMClient.stop();

  源码中的ApplicationMaster有1000行,上述代码给出了源码里最重要的几个步骤。

3. 代码执行方式

默认情况下Yarn包里已经有分布式Shell的代码了,可以使用任何用户执行如下命令:

$Hadoop jar /usr/lib/Hadoop-yarn/Hadoop-yarn-applications-distributedshell.jar
> org.apache.Hadoop.yarn.applications.distributedshell.Client 
> -jar /usr/lib/Hadoop-yarn/Hadoop-yarn-applications-distributedshell.jar
> -shell_command  '/bin/date' -num_containers 100

4. 实例分析-MapReduce

在这里插入图片描述
Yarn框架处理MR程序时默认类InputFormatTextInputFormatRecordReaderLineRecordReaderInputSplitFileSplitMapIdentityMapperCombine不使用PartitionerHashPartitionerGroupCompatator不使用ReduceIdentityReducerOutputFormatFileOutputFormatRecordWriterLineRecordWriterOutputCommitterFileOutputCommitter
MapReduce编程示例——WordCount

下面是MapReduce自带的最简单代码, MapReduce算法实现统计文章中单词出现次数,源代码如下:

publicclassWordCount//定义map类,一般继承自Mapper类,里面实现读取单词,写出<单词,1>publicstaticclassTokenizerMapperextendsMapperc<Object,Text,Text,IntWritable>{privatefinalstaticIntWritale one =newIntWritable(1);privateText word =newText();//map方法,划分一行文本,读一单词写出一个<单词,1>publicvoidmap(Object key,Text value,Context context)throwsIOException,InterruptedException{StringTokenizer itr =newStringTokenizer(value.toString());while(itr.hasMoreTokens()){
        word.set(itr.nextToken());
        context.write(word, one);//写出<单词,1>}}}//定义reduce类,对相同的单词,把它们<K,VList>中的VList值全部相加publicstaticclassIntSumReducerextendsReducer<Text,IntWritable,Text,IntWritable>{privateIntWritable result =newIntWritable();publicvoidreduce(Text key,Iterable<IntWritable> values,Context context throwsIOException,InterruptedException{int sum =0;for(IntWritable val: values){
            sum += val.get();//相当于<cstor,1><cstor,1>,将两个1相加}
        result.set(sum);
        context.write(key,result);//写出这个单词,和这个单词出现次数<单词,单词出现次数>}}publicstaticvoidmain(String[] args)throwsException{//主方法,函数入口Configuration conf =newConfiguration();//实例化配置文件类Job job =newJob(conf,"WordCount");//实例化Job类
        job.setInputFormatClass(TextInputFormat.class);//指定使用默认输入格式类TextInputFormat.setInputPaths(job, inputPaths);//设置待处理文件的位置
        job.setJarByClass(WordCount.class);//设置主类名
        job.setMapperClass(TokenizerMapper.class);//指定使用上述自定义Map类
        job.setMapOutputKeyClass(Text.class);//指定Map类输出的<K,V>,K类型
        job.setMapOutputValueClass(IntWritable.class);//指定Map类输出的-K,V>,V类型
        job.setPartitionerClass(HashPartitioner.class);//指定使用默认的HashPartitioner类
        job.setReducerClass(IntSumReducer.class);//指定使用上述自定义Reduce类
        job.setNumReduceTasks(Integer.parseInt(numOfReducer);//指定Reduce个数
        job.setOutputKeyClass(Text.class);//指定Reduce类输出的<K,V>K类型
        job.setOutputValueClass(Text.class);//指定Reduce类输出的<K,V>,V类型
        job.setOutputFormatClass(TextOutputFormat.class);//指定使用默认输出格式类TextOutputFormat.setOutputPath(job, outputDir);//设置输出结果文件位置System.exit(job.waitForCompletion(true)?0:1);//提交任务并监控任务状态}}
标签: hadoop 开源 架构

本文转载自: https://blog.csdn.net/Morse_Chen/article/details/139706690
版权归原作者 Francek Chen 所有, 如有侵权,请联系我们删除。

“Hadoop 2.0:主流开源云架构(四)”的评论:

还没有评论