|
课程介绍与笔记 1.HDFS shell 1.0查看帮助 hadoop fs -help 1.1上传 hadoop fs -put <linux上文件><hdfs上的路径> 1.2查看文件内容 hadoop fs -cat <hdfs上的路径> 1.3查看文件列表 hadoop fs -ls / 1.4下载文件 hadoop fs -get <hdfs上的路径><linux上文件> 2.使用java接口操作HDFS 见eclipse工程下的demo 3.hadoop通信机制 不同进程之间的方法进行调用 4.HDFS源码分析 FileSystem.get --> 通过反射实例化了一个DistributedFileSystem --> new DFSCilent()把他作为自己的成员变量 在DFSClient构造方法里面，调用了createNamenode，使用了RPC机制，得到了一个NameNode的代理对象，就可以和NameNode进行通信了 FileSystem --> DistributedFileSystem --> DFSClient --> NameNode的代理 1.执行MR的命令： hadoop jar <jar在linux的路径><main方法所在的类的全类名><参数> 例子： hadoop jar /root/wc1.jar cn.itcast.d3.hadoop.mr.WordCount hdfs://itcast:9000/words /out2 2.MR执行流程 (1).客户端提交一个mr的jar包给JobClient(提交方式：hadoop jar ...) (2).JobClient通过RPC和JobTracker进行通信，返回一个存放jar包的地址(HDFS)和jobId (3).client将jar包写入到HDFS当中(path = hdfs上的地址 + jobId) (4).开始提交任务(任务的描述信息，不是jar, 包括jobid，jar存放的位置，配置信息等等) (5).JobTracker进行初始化任务 (6).读取HDFS上的要处理的文件，开始计算输入分片，每一个分片对应一个MapperTask (7).TaskTracker通过心跳机制领取任务(任务的描述信息) (8).下载所需的jar，配置文件等 (9).TaskTracker启动一个java child子进程，用来执行具体的任务(MapperTask或ReducerTask) (10).将结果写入到HDFS当中 1.实现分区的步骤： 1.1先分析一下具体的业务逻辑，确定大概有多少个分区 1.2首先书写一个类，它要继承org.apache.hadoop.mapreduce.Partitioner这个类 1.3重写public int getPartition这个方法，根据具体逻辑，读数据库或者配置返回相同的数字 1.4在main方法中设置Partioner的类，job.setPartitionerClass(DataPartitioner.class); 1.5设置Reducer的数量，job.setNumReduceTasks(6); 2.排序MR默认是按key2进行排序的，如果想自定义排序规则，被排序的对象要实现WritableComparable接口，在compareTo方法中实现排序规则，然后将这个对象当做k2，即可完成排序 3.combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。 4.MR启动流程 start-mapred.sh --> hadoop-daemon.sh --> hadoop --> org.apache.hadoop.mapred.JobTracker Jobtracker调用顺序：main --> startTracker --> new JobTracker 在其构造方法中首先创建一个调度器，接着创建一个RPC的server(interTrackerServer)tasktracker会通过PRC机制与其通信 然后调用offerService方法对外提供服务，在offerService方法中启动RPC server，初始化jobtracker，调用taskScheduler的start方法 --> eagerTaskInitializationListener调用start方法， --> 调用jobInitManagerThread的start方法，因为其是一个线程，会调用JobInitManager的run方法 --> jobInitQueue任务队列去取第一个任务，然后把它丢入线程池中，然后调用-->InitJob的run方法 --> jobTracker的initJob方法 --> JobInProgress的initTasks --> maps = new TaskInProgress[numMapTasks]和reduces = new TaskInProgress[numReduceTasks]; TaskTracker调用顺序：main --> new TaskTracker在其构造方法中调用了initialize方法，在initialize方法中调用RPC.waitForProxy得到一个jobtracker的代理对象 接着TaskTracker调用了本身的run方法，--> offerService方法 --> transmitHeartBeat返回值是(HeartbeatResponse)是jobTracker的指令，在transmitHeartBeat方法中InterTrackerProtocol调用了heartbeat将tasktracker的状态通过RPC机制发送给jobTracker,返回值就是JobTracker的指令 heartbeatResponse.getActions()得到具体的指令，然后判断指令的具体类型，开始执行任务 addToTaskQueue启动类型的指令加入到队列当中，TaskLauncher又把任务加入到任务队列当中，--> TaskLauncher的run方法 --> startNewTask方法 --> localizeJob下载资源 --> launchTaskForJob开始加载任务 --> launchTask --> runner.start()启动线程; --> TaskRunner调用run方法 --> launchJvmAndWait启动java child进程 1.上传zk安装包 2.解压 3.配置(先在一台节点上配置) 3.1添加一个zoo.cfg配置文件 $ZOOKEEPER/conf mv zoo_sample.cfg zoo.cfg 3.2修改配置文件(zoo.cfg) dataDir=/itcast/zookeeper-3.4.5/data server.1=itcast05:2888:3888 server.2=itcast06:2888:3888 server.3=itcast07:2888:3888 3.3在(dataDir=/itcast/zookeeper-3.4.5/data)创建一个myid文件，里面内容是server.N中的N(server.2里面内容为2) echo "1" > myid 3.4将配置好的zk拷贝到其他节点 scp -r /itcast/zookeeper-3.4.5/ itcast06:/itcast/ scp -r /itcast/zookeeper-3.4.5/ itcast07:/itcast/ 3.5注意：在其他节点上一定要修改myid的内容 在itcast06应该讲myid的内容改为2 (echo "6" > myid) 在itcast07应该讲myid的内容改为3 (echo "7" > myid) 4.启动集群 分别启动zk ./zkServer.sh start 2015年传智播客大数据hadoop教程8天
| 
